本月早些时候，我的同事 Bala Thekkedath 发表了一篇关于超大规模 HPC 的文章，探讨了 AWS 客户 Western Digital 如何基于 AWS 构建云级 HPC 集群，并利用它来模拟其新一代硬盘驱动器 (HDD) 即将采用的磁头中的关键组成部分。
那篇文章中描述的模拟包含了超过 250 万个任务，而且在一个包含百万个 vCPU 的 Amazon EC2 集群上仅用 8 个小时就完成了运行。正如 Bala 在他的文章中分享的一样，Western Digital 的大部分模拟工作都围绕着评估构成 HDD 的技术和解决方案的不同组合的需求。工程师专注于将更多数据塞进同一空间，从而提高存储容量并在此过程中提高传输速度。通过模拟材料、能级和转速的数百万种组合，他们可实现最高的密度和最快的读写速度。更快获得结果的能力使他们能够制定出更好的决策，并让他们比以往更快地将新产品推向市场。
下图以直观的方式展示了 Western Digital 的能量辅助式记录过程。最上面的条纹代表磁力；中间一条代表增加的能量（热量）；最下面一条代表借助磁力和热量的组合写入介质的实际数据：
我最近与我的同事以及 Western Digital 和 Univa 的团队进行了交流，正是这些团队的协作努力才让这次创纪录的运行成为现实。我的目标是详细了解他们如何为这次运行做好准备、他们总结出的经验教训，并与大家分享这些信息，以供您在准备好运行自己的大规模作业时借鉴。
提升
大约两年前，Western Digital 团队运行着多个包含多达 8 万个 vCPU 的大型集群，这些集群由 EC2 Spot 实例支持，以便尽可能节约成本。在使用 8000、1.6 万和 3.2 万个 vCPU 重复成功运行后，他们将 vCPU 数量增加到了 8 万个。取得这些早期成功之后，他们定下了远大目标，决定突破极限，努力实现 100 万个 vCPU 的成功运行。他们知道，这必然会给现有的工具带来沉重的压力和负担，于是决定采用一种更好的发现/修复/进一步扩展的方法。
Univa 的 Grid Engine 是一种批处理调度程序。它负责跟踪可用的计算资源（EC2 实例），并尽可能快速高效地为实例分派工作。目标是在最短的时间内以最低的成本完成作业。Univa 的 Navops Launch 支持基于容器的计算，并允许为 Grid Engine 和 AWS Batch 使用相同的容器，因此在此次运行中发挥了重要作用。
在 5 万台主机创建到 Grid Engine 调度程序的并发连接时，出现了一个值得关注的扩展难题。运行之后，该调度程序每秒最多可以调度 3000 个任务，但在实例意外终止并表明需要尽快重新安排 64 个或更多任务这种相对罕见的情况下，需要额外突发。该团队还发现，通过 IP 地址引用工作线程实例可让他们回避各弹性网络接口上有关 DNS 查找数量的某些内部 (AWS) 速率限制。
整个模拟过程均封装在 Docker 容器中，以方便使用。当新启动的实例联机时，它们会在 ElastiCache for Redis 集群中注册其规格（实例类型、IP 地址、vCPU 计数和内存等）。Grid Engine 使用此数据来查找和管理实例；这比持续调用 DescribeInstances 更高效，也更具可扩展性。
模拟任务从 Amazon Simple Storage Service (S3) 读取数据并向其中写入数据，利用 S3 存储海量数据以及处理任何可能出现的请求速率的能力。
模拟任务内幕
每种可行的磁头设计均由一组参数描述；整个模拟运行包括对此参数空间的探索。运行结果有助于设计人员找到可构建、可靠且可制造的设计。此次特定运行侧重于对写入操作进行建模。
每个模拟任务运行时间为 2 到 3 个小时，具体取决于 EC2 实例类型。为了避免在 Spot 实例即将终止时丢失工作，这些任务每 15 分钟会在 S3 中为自身设置一次检查点，并提供一些额外的逻辑，说明作业在终止信号之后、实际关闭之前完成的重要情况。
实际运行
经过仅仅 6 周的规划和准备（包括多次大规模 AWS Batch 运行以生成输入文件），Western Digital/Univa/AWS 联合团队就为全面运行做好了准备。他们使用 AWS CloudFormation 模板启动了 Grid Engine 和集群。得益于我先前描述的基于 Redis 的跟踪，他们能够在实例可用时立即开始将任务分派给实例。该集群在 1 小时 32 分钟内扩展到 100 万个 vCPU，并全速运行了 6 个小时：
当没有更多未分派的任务可用时，Grid Engine 开始关闭实例，在大约一小时内关闭所有实例。在运行期间，Grid Engine 能够保证实例在 99% 的时间内均能满负荷工作。该运行组合使用了 C3、C4、M4、R3、R4 和 M5 实例。下图显示了此次运行过程的详细情况：
该作业涉及到美国东部（弗吉尼亚北部）区域中的所有 6 个可用区。Spot 报价以按需价格为依据。在运行过程中，机组中大约 1.5% 的实例被终止并自动更换；绝大多数实例都全程保持正常运行。
就是如此轻松
这项作业运行了 8 小时，费用为 137307 USD（每小时 17164 USD）。根据与我交流过的人员预估，这样的费用是在内部集群上运行时费用的一半 – 前提是他们得有同等规模的内部集群！
在评估这次运行的成功情况时，Steve Phillpott（Western Digital 的 CIO）告诉我们：
“存储技术非常复杂，我们不断突破物理和工程的极限，以提供下一代产能和技术创新。与 AWS 的这次成功合作展示了基于云的 HPC 的超大规模、强大能力和高度敏捷性，可帮助我们运行复杂的模拟，为未来的存储架构分析和材料科学探索提供支持。通过使用 AWS 轻松将模拟时间从 20 天缩短到 8 小时，Western Digital 研发团队能以不久之前还不可想象的速度探索新的设计和创新。”
参与这次合作的 Western Digital
团队目前正在诚招研发工程技术专家，还有其他许多职位虚位以待！
我们也可为您安排运行
如果您想实现包含 10 万到 100 万个内核（或更多内核）的大规模运行，我们的 HPC 团队将竭诚相助，我们的合作伙伴 Univa 同样随时待命。若要开始体验，欢迎联系 HPC 销售部门！
作者介绍：
Jeff Barr
Jeff Barr 是 AWS 的首席宣传官。他于 2004 年创办本博客，此后几乎未间断地撰写文章。
本文转载自 AWS 技术博客。
原文链接：
分布式云行业实践指南（2023）
业内首个分布式云行业实践方法论、工具箱。
评论