電子發燒友App
AI加速的尷尬現狀，不知你是否有感受？
獨占式方案，非虛擬化使用，成本高昂。缺少異構加速管理和調度，方案難度大，供應商還容易被鎖定。
對于AI開發者而言，虛擬化使用加速器計算資源，現有調度和管理軟件，并不親民。
所以現在，幾位虛擬化計算領域的專家，初步打造完成了一套解決方案并正式在GitHub推出，面向開發者，免費下載和使用。
這就是剛上線的OrionAI計算平臺。
AI加速器虛擬化
整個OrionAI計算平臺，包括AI加速器虛擬化軟件，和異構加速器管理和調度軟件等兩大組件。
其中OrionAI加速器虛擬化軟件，不僅支持用戶使用和共享本地加速器資源，而且支持應用透明地使用遠程加速器資源——無需修改代碼。
從而打破資源調度的物理邊界，構建更高效資源池。
異構加速器管理和調度軟件，同樣支持用戶的應用無需修改代碼，即可透明地運行在多種不同加速器之上。
最終，幫助用戶更好利用多種不同加速器的優勢，構建更高效的異構資源池。
剛上線的OrionAI計算平臺社區版v1.0，支持英偉達GPU的虛擬化，供AI、互聯網和公有云頭部客戶試用，開發者用戶可免費下載和使用。
AI加速痛點
OrionAI計算平臺因何出發？
方案打造者稱，隨著AI技術的快速發展和普及，越來越多客戶開始使用高性能的AI加速器，包括GPU， FPGA和AI ASIC芯片等。
同時，越來越多的客戶需要高效的AI加速器虛擬化軟件，來提高加速器資源的利用率，以及高效的異構加速器管理和調度軟件，來更好地利用多種不同的加速器，提高性能，降低成本，避免供應商鎖定。
但相應地面臨開頭提及的兩大痛點。
首先，AI加速器價格偏高。
以知名的英偉達V100 GPU為例，價格在8萬元人民幣左右，高性能FPGA卡，價位也在5萬元人民幣。
其次，由于缺乏高效經濟的AI加速器虛擬化解決方案，目前絕大部分企業，不得不獨占式使用上述昂貴的加速器資源，導致資源利用率低，成本高。
根據AWS在re:Invent 2018披露數據，AWS上GPU利用率只有10%～30%。
當物理機上只有一塊GPU時，如果沒有GPU虛擬化解決方案，用戶就只能讓一個虛擬機獨占式地使用該GPU，導致該GPU無法被多個虛擬機共享。
于是幾位加速虛擬化領域的老兵，決定試水，并最終推出了自己的方案：OrionAI計算平臺v1.0。
方案詳解
該平臺支持用戶通過多個虛擬機或者容器，來共享本地以及遠程GPU資源。
使用OrionAI平臺的典型場景有：
第一，多個虛擬機或容器共享本地的GPU。
用戶只需要將虛擬機或者容器中的CUDA運行環境（CUDA runtime），替換成Orion運行環境（Orion Runtime）即可。
而用戶的AI應用和所使用的深度學習框架（TensorFlow，、PyTorch等）不需要任何改變，即可像在原生的CUDA運行環境下一樣運行。
同時，用戶需要在物理服務器上運行Orion服務（Orion Server），該服務會接管物理GPU，并且將物理GPU虛擬化成多個Orion vGPU。
用戶在不同虛擬機上運行的AI應用會被分配到不同的Orion vGPU上。這樣物理GPU的利用率就會得到顯著提升。
第二，多個虛擬機或容器共享遠程的GPU。
用戶可以將虛擬機/容器，運行在沒有GPU的服務器上，AI應用無需修改，就可以通過Orion Runtime來使用另外一臺服務器上的Orion vGPU。
如此一來，用戶的AI應用就可以被部署在數據中心中的任何一臺服務器之上，用戶的資源調配和管理，得到極大靈活性提升。
第三，單個虛擬機或容器，使用跨越多臺物理服務器上的GPU。
用戶的虛擬機/容器通過Orion Runtime，無需修改AI應用和框架，就可以使用跨越多臺物理機上的GPU資源。
目前現狀是，AI應用可能需要64個GPU——甚至更多GPU來訓練模型，但是今天還沒有一臺物理服務器能夠完全滿足。
通過Orion Runtime，應用無需修改就可以直接使用多臺物理服務器上的GPU，如16臺服務器，每臺4塊GPU。
如此一來，用戶GPU資源，就能變成一個真正的數據中心級的資源池。
用戶的AI應用可以透明地使用任何一臺服務器上的GPU資源，資源利用率和管理調度靈活度，可以得到極大提升。
用戶通過Orion AI Platform分配的GPU資源，無論是本地GPU資源，還是遠程GPU資源，均軟件定義、按需分配。
這些資源不同于通過硬件虛擬化技術得到的資源，它們的分配和釋放都能在瞬間完成，不需要重啟虛擬機或者容器。
例如，當用戶啟動了一個虛擬機時，如果用戶不需要運行AI應用，那么Orion AI Platform不會給這個虛擬機分配GPU資源。
當用戶需要運行一個大型訓練任務，例如需要16個Orion vGPU，那么Orion AI Platform會瞬間給該虛擬機分配16個Orion vGPU。
當用戶完成訓練后，又只需要1個Orion vGPU來做推理，那么Orion AI Platform又能瞬間釋放15個Orion vGPU。
值得一提的是，所有上述的資源分配和釋放都不需要虛擬機重啟。
技術細節和benchmark
上述方案背后，究竟是怎樣的技術細節？
實際上，Orion Runtime提供了和CUDA Runtime完全兼容的API接口，保證用戶的應用無需修改即能運行。
Orion Runtime在得到用戶所有對CUDA Runtime的調用之后，將這些調用發送給Orion Server。
Orion Server會將這些調用加載到物理GPU上去運行，然后再將結果返回給Orion Runtime。
OrionAI計算平臺v1.0也公布了性能對比結果。
先看配置：
GPU服務器配置：雙路Intel Xeon Gold 6132，128GB內存，單塊nVidia Tesla P40。
性能測試集：TensorFlow v1.12， 官方benchmark，無代碼修改，測試使用synthetic數據。
“Native GPU”為將性能測試運行在物理GPU之上，不使用虛擬機或者容器；
“Orion Local Container”為將性能測試運行在安裝了Orion Runtime的容器之中，Orion Server運行在同一臺物理機之上；
“Orion Local KVM”為將性能測試運行在安裝了Orion Runtime的KVM虛擬機之中，Orion Server運行在同一臺物理機之上；
“Orion Remote – 25G RDMA”為性能測試運行在一臺沒有GPU的物理機之上，Orion Server運行在有GPU的物理機之上，兩臺物理機通過25G RDMA網卡連接。
最終對比結果如下：
通過數據可以看出，和跑在物理GPU上相比，Orion Runtime和Orion Server引入的性能損失非常小。
尤其是在通過網絡連接來使用遠程的GPU的情況下，OrionAI計算平臺通過大量的優化，使其性能與使用本機GPU相比差距非常小。
OrionAI計算平臺打造方
最后，介紹下OrionAI計算平臺背后的打造方：
趨動科技 VirtAI Tech。
2019年1月剛創立，主打AI加速器虛擬化軟件，以及異構AI加速器管理和調度軟件。
主要創始人有三位，皆為該領域的資深老兵。
王鯤，趨動科技CEO。博士畢業于中國科學技術大學計算機系。
在創辦趨動科技之前，王鯤博士供職于Dell EMC中國研究院，任研究院院長，負責管理和領導Dell EMC在大中華區的所有研究團隊。
他長期從事計算機體系結構，GPU和FPGA虛擬化，分布式系統等領域的研究工作，在業界最早開始推動FPGA虛擬化相關研究，在該領域擁有十多年的工作經驗和積累。
陳飛，趨動科技CTO。博士畢業于中國科學院計算技術研究所。
在創立趨動科技之前，陳飛博士供職于Dell EMC，擔任Dell EMC中國研究院首席科學家，長期從事高性能計算，計算機體系結構，GPU和FPGA虛擬化等領域的研究工作。
鄒懋，趨動科技首席架構師。博士畢業于中國科學技術大學。
在創立趨動科技之前，鄒懋博士供職于Dell EMC，擔任Dell EMC中國研究院高級研究員，長期從事計算機體系結構，GPU虛擬化等領域的研究工作。
工商網監
評論