超智算中心计算平台解决方案

一、建设和运营超智算平台的痛点

在当资源管理和调度复杂

超智算中心资源丰富，涵盖大量异构计算、存储和网络资源。因资源动态变化、用户需求多样，运营客户精准分配与调度异构资源难度极大，极易导致资源浪费或不足。

用户需求多样

超智算中心为最终用户提供算力服务，用户的需求来源分散且复杂，从算力服务模式上存在独占算力服务器和共享算力任务方式，从算力使用场景上又需要覆盖传统的科学计算、深度学习以及当前新兴的AI训练推理算力服务。

成本控制难题

超智算中心的建设与运营成本极高，像硬件设备采购、电力消耗、人员薪酬等支出庞大。运营客户需在确保服务质量的同时，有效控制成本，需要平台提供更多的节省成本的功能和特性，艰难平衡成本与性能。

用户服务和支持压力大

超智算中心面向大量最终用户，用户在使用过程中会遇到各种问题。问题涵盖从基础的设备连接故障、应用集成到复杂的算法运行报错。面对如此庞大且复杂的用户咨询量，运营客户需要投入大量的人力进行解答与处理。

使用算力的复杂度过高

最终用户需要了解超智算中心的架构，甚至要自行在系统中编译部署应用、构建环境，对如何优化任务以充分利用算力感到困惑。用户无法直接使用应用进行计算，且没有相应的在线指引说明，导致用户使用算力复杂度过高。

二、客户核心诉求

1、为平台最终用户

快速获取更高算力；
更快迭代速度；
更好的用户体验；
加强用户黏性。

2、为运营管理方

提供运营体系和经验；
解决安全和运营管理问题；
快速实现可靠的落地方案；
最少的成本实现盈利。

三、解决方案概述

SkyForm算力应用平台可以有效地解决以上问题，它通过其内置的国产算力调度器直接管理多种异构化的资源，包括GPGPU、GPU、CPU、内存等不同品牌的异构资源，并对所有任务不间断排队计算，最大化资源利用率。用户可以根据自身需求使用ServerLess算力服务或独占的算力资源，他们只需要通过浏览器或者SSH客户端即可开展AI或HPC相关工作，在平台内直接进行科学计算、模型训练和推理，让庞大的集群算力唾手可得。

本方案包含几大亮点：

SkyForm 算力应用平台拥有丰富且实时的集群管理和资源管控功能。可提供集群主机、队列、调度组、用户组、作业、存储等全面管理功能。其调度器适配国内外多种CPU、GPU，支持十几种策略，能按照多维度资源需求进行混合调度，还可对接LSF、PBS、Slurm调度器形成统一资源池，有效应对用户多样需求，实现精准调度，避免资源浪费或不足。
支持多种算力服务模式，既满足用户独占主机方式，也支持核时 / 卡时等共享模式。同时涵盖传统科学计算、深度学习以及 AI 训练推理等多场景应用，集成容器及AI 框架如 TF、PyTorch 等，并默认集成大部分工业应用，能满足不同用户的各类算力使用场景需求。
平台支持多租户自服务管理功能，可对租户、用户设置多种资源配额控制，防止资源滥用。提供计量计费及报表分析功能帮助运营者提高运营水平。支持对集群、主机、队列配置节电策略，自动对空闲主机进行关机等操作，降低电力消耗成本
为运营者提供智能运维功能，对集群所有资源及平台应用进行监控告警和预警，快速将问题扼杀在用户感知之前，为用户提供工单和SLA功能，通过工单流程有序解决用户问题，降低服务压力提高服务质量。
平台提供计算应用SaaS服务，而非资源服务，用户无需关心操作系统和基础环境，支持通过浏览器使用平台及集群算力，系统提供大量指引说明以及在线帮助，让用户快速掌握必要知识，用户进入系统后无需过多培训即可快速开展工作，降低用户使用算力的复杂度和运营人力成本。
平台是由天云历经多年自主研发，经过许多大型项目中不断锤炼，并成功支撑多个超智算中心长期运营，其功能、性能及稳定性都有保障，平台提供了精密的数据隔离机制，其不但满足二级等保要求，且支持军工保密要求的三员管理和密级控制功能，数据安全有保障。