计算架构

什么是计算架构？

简单来说，计算架构就是让系统能够处理信息并运行应用的构建块。这些构建块包括处理器、内存、存储、网络、软件，同时决定它们如何协同工作的设计选择。

例如，企业应用可能需要通用 CPU 性能、处理活跃数据的内存、保存记录的存储、连接用户和系统的网络，以及监控性能的管理工具。而 AI 工作负载则可能需要 GPU 或加速器、高速存储以及低延迟网络，以高效处理大规模数据集。

计算架构不仅涉及硬件层面，还包括工作负载的部署方式、资源共享机制、系统扩展方式，以及 IT 团队对性能、安全与成本的管理方式。

计算架构通过决定系统处理指令、访问数据、传输信息和扩展资源的速度来影响性能。处理器设计、内存容量、存储速度、网络延迟和工作负载的部署位置，都会对性能产生影响。

例如，数据库工作负载可能需要高速存储和较大的内存容量；AI 训练工作负载可能需要 GPU 加速和高速网络；延迟敏感型边缘工作负载可能需要靠近数据生成地的计算资源；原生云应用则可能需要容器编排和自动扩展能力。

性能还与平衡性息息相关。如果存储速度过慢、内存容量有限或网络存在延迟，即使再强大的处理器也无济于事。强大的计算架构能让所有主要资源都与工作负载的需求保持一致。

组织应从应用兼容性、性能、功耗、软件生态系统、供应商支持和工作负载需求等维度来评估 x86 和基于 Arm 的架构。

对于许多企业环境而言，架构决策的关键不在于选择最新的处理器类型，而在于将工作负载与能够满足性能、可靠性、软件兼容性以及长期运行需求的基础设施相匹配。

许多企业采用混合计算架构，以便工作负载能够在最合适的环境中运行。混合架构有助于在灵活性、可控性、性能、安全性和成本之间取得平衡。

这种方法使组织能够将敏感或可预测的工作负载保留在受控环境中，同时利用云服务来实现弹性扩展、开发、分析或满足可变需求。

AI 和机器学习的最佳计算架构取决于 AI 工作负载的类型。训练大型模型通常需要 GPU 或加速器、大容量内存、高速存储以及低延迟网络。推理则可能需要更低的延迟、高效的扩展能力，以及在靠近应用程序、用户或数据源的位置运行模型的能力。

对于生成式 AI、深度学习、计算机视觉和大规模数据处理，加速计算架构往往至关重要，因为 GPU 能够并行处理大量计算任务。

组织应从性能、数据、安全、功耗和成本要求等多个维度来评估 AI 基础设施，通过合理搭配 GPU、存储、内存和网络，来支撑完整的 AI 生命周期。

组织应根据需要运行的工作负载、需要保护的数据以及需要支撑的业务成果来选择计算架构。

• 工作负载类型，例如应用、数据库、分析、AI、容器、边缘计算或 HPC。
• 性能需求，包括 CPU、GPU、内存、存储和网络需求。
• 数据敏感性、合规需求和位置要求。
• 可扩展性、可用性、管理和自动化需求。
• 总成本，包括基础设施、云服务用量、电力、运维、支持以及生命周期管理。

最大的优势在于灵活性。一套设计精良的计算架构可帮助组织将工作负载部署在性能最佳的位置，同时为成本、安全性与业务目标提供有效支持。

计算架构之所以充满挑战，是因为企业工作负载愈发分散，数据愈发密集，应用场景愈发专业化。

• 为每类工作负载选用合适的架构。
• 在性能、成本、安全性与可扩展性之间取得平衡。
• 跨数据中心、云、私有云和边缘位置管理基础设施。
• 在不增加不必要复杂性的前提下，支持 AI、GPU、容器和 HPC 工作负载。
• 确保架构与不断变化的业务、数据和应用需求保持一致。

计算架构应围绕工作负载需求进行规划，并随业务与技术需求的变化而持续更新。随着组织采用 AI、边缘计算、混合云或数据密集性更高的应用，可能需要对架构决策进行相应调整，以满足新的性能、安全性和运营要求。

HPE 通过服务器、软件、服务及混合云解决方案，为计算架构提供全面支持，帮助组织在数据中心、云环境、边缘站点、AI 系统及高性能计算环境中运行各类工作负载。

HPE ProLiant Compute 能为从数据中心到边缘的企业工作负载提供安全、可扩展的基础架构。HPE Compute Ops Management 通过统一、现代化的管理体验，提供可见性、安全性和控制力，帮助 IT 团队有效监控并管理分布式计算环境。GreenLake 则支持跨混合环境的云运维和消费模式。

针对专用架构需求，HPE Private Cloud AI 可帮助组织在私有云环境中部署 AI 工作负载。HPE AI 服务器可支持 AI 训练、调优和推理任务。HPE Cray Supercomputing 则能为大规模建模、模拟、研究、HPC 和 AI 工作负载提供全面支持。

借助 HPE，组织可以设计出从边缘到云全面覆盖的计算架构，在性能、可扩展性、安全性、效率和工作负载灵活性等方面都得到有力支撑。