Grid computing, potomek chmury i starszy brat przetwarzania rozproszonego.

Pomyśl o przetwarzaniu sieciowym jako o przecięciu dwóch podstawowych systemów organizacji: przetwarzania w chmurze i usług użyteczności publicznej, takich jak energia elektryczna. Na tym skrzyżowaniu obliczenia gridowe umożliwiają korzystanie z zasobów obliczeniowych za pomocą bezpieczna brama internetowa, scentralizowane i nie. Tak, jakbyś korzystał z pobliskich linii energetycznych dla niektórych z tych wspaniałych elektronów, na których polegamy.

Nowoczesna sieć energetyczna będzie miała wiele źródeł wejściowych. Na przykład elektrownie wnoszą duży wkład do sieci energetycznej, ale rozwijające się technologie, takie jak panele słoneczne i wiatraki, demokratyzują produkcję energii.

Niezależni i rzemieślniczy producenci energii mogą wnosić wkład do sieci energetycznej i otrzymywać rekompensatę. W niektórych przypadkach jest to nadmiar energii.

Na przykład rolnicy mogą mieć panele słoneczne do lokalnego wytwarzania tańszej energii. Jednak rolnik nie może przechowywać żadnych niewykorzystanych elektronów do wykorzystania w przyszłości, więc może zdecydować się skierować tę nadwyżkę energii z powrotem do sieci energetycznej, gdzie inni mogą ją wykorzystać. Zmarnowane elektrony jednej osoby to w pełni naładowana Tesla innej osoby.

Obliczenia sieciowe są bardzo podobne do sieci elektrycznej. Współpracownicy, duzi i mali, mogą dodawać do siatki. Użytkownicy mogą łączyć się z siecią obliczeniową i uzyskiwać dostęp do usług niezależnie od dostawcy.

Chmura, sieć i przetwarzanie rozproszone

Aby lepiej zrozumieć, czym jest przetwarzanie sieciowe i jego niuansowe różnice w stosunku do przetwarzania rozproszonego, łatwiej będzie najpierw zrozumieć bariery i ograniczenia, które są w stanie pokonać obliczenia sieciowe. Innymi słowy, dostrzeżenie problemów, które mogą rozwiązać obliczenia gridowe, pomoże nam lepiej zrozumieć, czym jest przetwarzanie sieciowe.

Grid lśni granicami przetwarzania w chmurze

Przetwarzanie sieciowe to podzbiór lub rozszerzenie przetwarzania w chmurze. W skrócie, przetwarzanie w chmurze to outsourcing funkcji obliczeniowych. Wspólna usługa w chmurze, taka jak przechowywanie danych w chmurze z Dysku Google lub Dropbox, umożliwia klientowi przechowywanie danych w tych firmach.

Ktoś, kto chce korzystać z przechowywania danych w chmurze, wybiera między dostawcami, takimi jak Dysk Google, Dropbox i iCloud. Firma, z którą współpracują, byłaby wówczas ich dostawcą pamięci masowej w chmurze. Obsługa klienta, rozwiązywanie problemów, rozliczenia, infrastruktura sieciowa i wszystkie aspekty świadczenia usługi w chmurze klientowi byłyby wtedy dostarczane bezpośrednio i wyłącznie od wybranej przez niego firmy.

Całkiem proste, prawda? Jeden klient, jeden dostawca. Szukamy jednak ograniczeń związanych z przetwarzaniem w chmurze. Gdzie korzyści płynące z przetwarzania w chmurze są niewystarczające i pozostawiają miejsce dla innych struktur organizacyjnych, takich jak przetwarzanie sieciowe?

Typowa krytyka przetwarzania w chmurze:

  1. Zasoby użytkowników są przydzielane do jednego symetrycznego systemu wieloprocesorowego (SMP).
  2. Nieużywane zasoby obliczeniowe pozostają bezczynne i są zablokowane w jednym zadaniu, aż do jego zakończenia.
  3. Stosunkowo ograniczona skalowalność.

Obliczenia sieciowe

Ewoluujące ograniczenia dotyczące chmury dzięki obliczeniom sieciowym

Pamiętając o podobieństwach, jakie mają obliczenia gridowe z siecią użyteczności publicznej, tego typu organizacja obliczeniowa może złagodzić niektóre z powszechnych krytyk ograniczających przetwarzanie w chmurze.

Przyjrzyjmy się każdemu z tych twierdzeń i zbadajmy, w jaki sposób system grid może być bardziej korzystny dla użytkownika niż tradycyjna usługa w chmurze.

Ograniczenie dotyczące chmury nr 1: Zasoby użytkowników są przydzielane do jednego symetrycznego systemu wieloprocesorowego (SMP).

Posłużę się naprawdę podstawowym przykładem, aby pokazać ten problem. Jest neurolog, który chce zbadać dwa zestawy danych (zestaw A i zestaw B). Te zbiory danych są ogromne i będzie musiała zlecić to zadanie usłudze w chmurze.

Usługa w chmurze nie będzie miała problemu z obsługą tych zestawów danych, a ona z radością wynajmuje od nich jedną maszynę do przetwarzania jej zbiorów danych. Pamiętaj, że jej zbiory danych są wyłączne dla siebie i muszą być przetwarzane osobno.

Oznacza to, że jedna wydzierżawiona przez nią maszyna SMP będzie uruchamiać zestaw A, a następnie zestaw B. Jej pojedyncza maszyna nie jest w stanie przetwarzać obu zestawów danych jednocześnie.

Nic jednak dziwnego, maszyny w chmurze, które wynajmowała, są bardzo wytrzymałe i przedzierają ogromne zbiory danych w mniej niż kilka godzin. Przetwarzanie danych zajmie naukowcowi mniej czasu niż pełny sen.

Co się stanie, jeśli będzie musiała wykonać to samo przetwarzanie, ale dla 100 zestawów danych. Jej budżet nadal zapewnia jej wystarczające środki na dostęp do jednej maszyny SMP w chmurze. Jako osoba naukowa szybko oblicza matematykę i odkrywa, że ​​przetworzenie wszystkich tych danych zajmie prawie dwa tygodnie!

Zaleta siatki: Ten sam naukowiec z dwoma zestawami danych (zestawem A i zestawem B) mógłby zamiast tego skorzystać z usługi gridowej. Zamiast wynajmować jedną maszynę SMP z usługi w chmurze, naukowiec miałby dostęp do sieci obliczeniowej i wynajmował niezbędną moc obliczeniową.

Oba zestawy danych są przetwarzane w tym samym czasie. Być może przez dwie maszyny, z których każda jest przeznaczona do jednego z zestawów danych, lub mogą to być tysiące maszyn, z których każda ułamkowo przetwarza zestawy danych. Niezależnie od tego dane przetwarzane są równolegle. To, co wcześniej trwało sześć godzin w dwóch partiach, teraz zajmuje trzy godziny w jednej partii.

Sto zestawów danych? Teoretycznie zajęłoby to tylko trzy godziny, ponieważ każdy zestaw danych jest przetwarzany obok siebie.

Ograniczenie dotyczące chmury nr 2: Nieużywane zasoby obliczeniowe pozostają bezczynne i są zablokowane w jednym zadaniu, aż do jego zakończenia.

Rozwijając powyższy przykład neurologa, dzierżawiona przez nią usługa w chmurze niezależnie przetwarzała jej zbiory danych, jeden po drugim.

Podczas przetwarzania któregokolwiek z zestawów danych naukowiec zauważył, że jej wypożyczony sprzęt działa tylko w 80 procentach. Pozostałe 20 procent nie wystarczy, aby przetworzyć drugi zestaw danych, zamiast tego siedzi bezczynnie, czekając na następne zadanie.

Zaleta siatki: Komodyfikacja mocy obliczeniowej umożliwia wykonanie jednego zadania na wielu maszynach. W przypadku zbiorów danych naukowca system siatki mógłby przetwarzać dane w szeregu kombinacji między maszynami.

Na przykład dwa zestawy danych są przydzielane do dwóch maszyn w siatce, z których każdy wykorzystuje 80 procent maszyny, na której jest przetwarzany. Pozostałe 20 procent nie siedziałoby bezczynnie, zamiast tego przechwytuje je inny użytkownik sieci. Wykorzystanie niewykorzystanej pojemności jest ważnym składnikiem mocnych stron obliczeń sieciowych.

Ograniczenie dotyczące chmury nr 3: Stosunkowo ograniczona skalowalność

Nie można zaprzeczyć, że możliwości przetwarzania w chmurze są wykładniczo większe niż w przypadku większości zlokalizowanych maszyn. Wielowarstwowe stosy chmur umożliwiły udział w całym polu znacznie większej liczbie uczestników niż kiedykolwiek wcześniej.

Ponadto przetwarzanie w chmurze ma wiele zalet związanych ze skalowaniem w porównaniu z samodzielną opieką nad tymi samymi usługami. A więc powiedzieć, że przetwarzanie w chmurze jest również ograniczona skalowalność może wydawać się paradoksem.

Jednak w porównaniu do przetwarzania w chmurze skalowanie w sieci jest jeszcze bardziej osiągalne. Wynika to po części z modułowości obliczeń gridowych, a także z bardziej efektywnego wykorzystania nieaktywnych zasobów.

Zaleta siatki: Niezależnie od tego, czy współtworzysz go, czy korzystasz z niego, skalowanie zadania w systemie obliczeniowym grid może być tak proste, jak zainstalowanie klienta gridowego na dodatkowych maszynach.

W przypadku neurologa była w stanie wyskalować swoje potrzeby z dwóch zestawów danych do 100 zestawów danych w tych samych ramach czasowych, w ramach tego samego budżetu.

Obliczenia rozproszone lub obliczenia sieciowe?

Obie! Cóż, w pewnym sensie.

W rozmowie dość często używa się siatki i dystrybuuje ją zamiennie. Zasadniczo oba terminy odnoszą się do dość podobnych pojęć. Oba są systemami do organizowania i tworzenia sieci zasobów obliczeniowych.

Jeśli jednak naprawdę chcesz podzielić włosy, przetwarzanie siatkowe jest ogólnym zbiorem rozproszonych sieci. Samo przetwarzanie w sieci jest rozproszoną siecią rozproszonych sieci. Meta wystarczy dla Ciebie?

Co dalej z obliczeniami gridowymi

To było bardzo makro rozumienie obliczeń gridowych. W rzeczywistości jest to wielopłaszczyznowy system organizowania szeregu dynamicznych i indywidualnych części, aby jak najlepiej je wykorzystać. Każdy element sieci komputerowej jest złożony i użyteczny, podobnie jak wiele elementów wymaganych w publicznej sieci energetycznej.

Podobnie jak w przypadku użyteczności publicznej, sposób działania jest sam w sobie bestią. Jednak prawdziwy wpływ ma ogólna dostępność. Ponieważ, podobnie jak w przypadku przedsiębiorstwa użyteczności publicznej, przetwarzanie sieciowe staje się coraz bardziej usługą typu plug-and-play.

Następna ewolucja obliczeń gridowych prawdopodobnie pojawi się w łańcuchu bloków. Grid computing opiera się na zaufaniu wielu interesariuszy. Już teraz projekty takie jak Cosmos Network tworzą zdecentralizowane systemy gridowe, które wspierają interoperacyjność sieci i wykorzystują moc gridowej sieci obliczeniowej.

Mike Owergreen Administrator
Sorry! The Author has not filled his profile.
follow me