20 октября 2016

AWS vs Microsoft Azure: GPU в облаке

AWS vs Azure: GPU в облаке

Погружение

Существует довольное большое количество задач, где вычисления на процессорах графических карт ведет к значительному сокращению как времени вычислений, так и финансовых затрат, необходимых для построения и поддержания соответствующей аппаратной инфраструктуры.

Как правило, это compute-intensive задачи, оперирующие большим объемом данных. Одним из наиболее перспективных направлений применения GPU-вычислений являются задачи машинного обучения, в общем, и задачи, относящиеся к классу deep learning, в частности. Но приобретение/владение сервером с высокопроизводительной графической картой – мероприятие не из самых дешевых. И тут облачные провайдеры пришли на помощь стартапам, частным исследователям и просто энтузиастам.

Пионером в GPU-on-demand была Amazon: компания анонсировала доступность в облаке AWS виртуальных машин с GPU еще в 2010 году. А совсем недавно в Microsoft Azure также появилась возможность получить VM c возможностью вычисления на высокопроизводительных графических процессорах NVidia.

1. GPU in Azure

В начале августа 2016 года было объявлено о начале закрытого тестирования (private preview) инстансов виртуальных машин, оборудованных картами NVidia Tesla [1]. Эта возможность предоставляется в рамках сервиса Azure VMIaaS-сервис предоставляющий виртуальные машины по требованию (аналог Amazon EC2).

C точки зрения доступа приложения к графическому процессора архитектура сервиса выглядит так:

Azure VM GPU Instances Architecture

Расчеты на GPU доступны на виртуальных машинах серии N, которые, в свою очередь, делятся на 2 категории:

  • NC Series (computer-focused): GPU, нацеленные на вычисления;
  • NV Series (visualization-focused): GPU, нацеленные на графические расчеты.

1.1. NC Series VMs

Графические процессоры, предназначенные для compute-intensive нагрузки с использование CUDA/OpenCL. Графическими платами для них служат NVidia Tesla K80: 4992 CUDA ядра, >2.91/8.93 Tflops c двойной/одинарной точностью). Доступ к картам осуществляется с использованием технологии DDA (discrete device assignment), которая приближает производительность GPU при использовании через VM к bare-metal-производительности карты.

Как несложно догадаться, VM серии NC предназначены для ML/DL-задач.

В Azure доступны следующие конфигурации VM, оборудованных Tesla K80.

  NC6 NC12 NC24
Cores 6 (E5-2690v3) 12 (E5-2690v3) 24 (E5-2690v3)
GPU 1 x K80 GPU (1/2 Physical Card) 2 x K80 GPU (1 Physical Card) 4 x K80 GPU (2 Physical Cards)
Memory 56 GB 112 GB 224 GB
Disk 380 GB SSD 680 GB SSD 1.44 TB SSD

1.2. NV Series VMs

Виртуальные машины серии NV предназначены для визуализации. На данных VM стоят GPU Tesla M60 (4086 CUDA ядер, 36 потоков по 1080p H.264). Эти карты подойдут для задач (де)кодирования, рендеринга, 3D-моделирования.

Заявлено о доступности экземпляров VM со следующими конфигурациями:

  NV6 NV12 NV24
Cores 6 (E5-2690v3) 12 (E5-2690v3) 24 (E5-2690v3)
GPU 1 x M60 GPU (1/2 Physical Card) 2 x M60 GPU (1 Physical Card) 4 x M60 GPU (2 Physical Cards)
Memory 56 GB 112 GB 224 GB
Disk 380 GB SSD 680 GB SSD 1.44 TB SSD

1.3. Цены

На сентябрь 2016 года цены на N-Series Azure VM выглядят следующим образом:

azurevm gpu instances prices Источник [5]

Но пусть Ваше любопытство эти 4-ехзначные числа не уменьшают: как всегда, в облаке мы платим за использование ресурсов. Для IaaS-сервисов, каковым сервис Azure VM является, это стоит понимать, как почасовая тарификация. Кроме того, в Microsoft Azure есть много способов получить золото вычислительные ресурсы совершенно бесплатно.

Это распространяется на новые учетные записи в Azure, на студентов, на стартапы, если вы ищете лекарство от рака исследователь, или если Вы/компания, в которой Вы работаете, обладатель MSDN-подписки.

2. Amazon EC2 GPU Instances (+опасное сравнение)

Облачный провайдер Amazon Web Services (AWS) начал предоставлять инстансы VM с графическими процессорами еще в 2010 году.

На сентябрь 2016 года GPU-инстансы AWS были представлены семейством G2.

Технические подробности о семействе инстансов G2

Конфигурации виртуальных машин семейства G2:

Model GPUs vCPU Mem (GiB) SSD Storage (GB) Price, per hour/month
g2.2xlarge 1 8 15 1 x 60 0.65/468
g2.8xlarge 4 32 60 2 x 120 2.6/1872

Инстансы G2 комплектуются графическими процессорами NVidia GRID K520 с 1556 CUDA-ядрами, поддержкой 4-ех видеопотоков 1080p H.264. Заявлено о поддержке CUDA/OpenCL. Также имеется поддержка технологии HVM (hardware virtual machine), которая по аналогии с DDA в Azure VM, минимизирует издержки, связанные с виртуализацией, позволяя на гостевой VM получать производительность GPU, близкую к bare-metal-производительности.

Пока я писал статью буквально месяц назад (сентябрь 2016 года) AWS анонсировали P2-инстансы, содержащие более современные графические карты.

Инстансы семейство P2 могут включать в себя до 8-ми карт NVIDIA Tesla K80. Заявлено о поддержке CUDA 7.5, OpenCL 1.2. Инстансы p2.8xlarge и p2.16xlarge поддерживают высокоскоростное GPU-to-GPU соединение, а для локальной сети доступно соединение до 20 Gbps по технологии ENA (Elastic Network Adapter – высокоскоростной сетевой интерфейс для Amazon EC2).

Instance Name GPU Cores vCPU Cores Memory, Gb CUDA Cores GPU Memory Network, Gbps
p2.xlarge 1 4 61 2496 12 High
p2.8xlarge 8 32 488 19968 96 10
p2.16xlarge 16 64 732 39936 192 20

Для сравнения возьмем самый производительный (NC24) и самый бюджетный (NC6) инстансы в Azure VM и, ближайшие по производительности к ажуровским, инстансы в Amazon EC2.

Instance Family GPU Model GPU Cores vCPU Core RAM, Gb Network, Gbps CUDA/OpenCL Status Price, $/mo Price, $ per GPU/mo
Amazon p2.xlarge K80 1 4 61 High 7.5/1.2 GA 306 306
Azure NC6 K80 1 6 56 10 (?) +/+ Private preview 461 461
Amazon p2.8xlarge K80 8 32 488 10 7.5/1.2 GA 2448 306
Azure NC24 K80 8 24 224 10 (?) +/+ Private preview 1882 235

Заключение

Возможность проводить вычисления на GPU давно одна из самых ожидаемых возможностей платформы Azure. Текущий preview-статус этой возможности – большой минус совершенно обычный этап в жизненном цикле большинства облачных сервисов (я отношусь как к возможности использовать пораньше и подешевле, чем остальные).

Это же изменение дает надежду на другую ожидаемую фичу уже в сервисе Azure Machine Learning – поддержку алгоритмов из семейства deep learning (поддержка нейросетей в Azure ML есть, но поддержка сверточных алгоритмов отсутствует).

Вообще Microsoft буквально за год-два очень серьезно обросла различными AI-технологиями/сервисами/фреймворками/инструментами, и, в том числе (может - в первую очередь), для разработчиков и data scientist’ов. Насколько это все серьезно и удобно можно оценить самому, посмотрев записи с прошедшего в последние дня сентября 2-ух дневного Microsoft ML & DS Summit [6].

References

  1. [1] NVIDIA GPUs in Azure: регистрация в preview-программе.
  2. [2] Leveraging NVIDIA GPUs in Azure. Вебкаст на Channel 9.
  3. [3] Linux GPU Instances: документация.
  4. [4] Анонс P2-инстансов в AWS, 29 сентября 2016.
  5. [5] Цены на Azure Virtual Machines (в т.ч. Azure VM GPU).
  6. [6] Конференция Microsoft Machine Learning & Data Science Summit.

Автор статьи

,
DS/ML Preacher, Microsoft MVP && Coffee Addicted