Open-Source-Software bei Dell Technologies Omnia für die Konvergenz von HPC, KI und Data Analytics

Redakteur: Ulrike Ostler

Die Open-Source-Software „Omnia“, erweiterte „HPC-on-Demand“-Services und weitere Optionen für die Hardwarebeschleunigung der „Dell EMC Poweredge Server“ sollen Unternehmen dabei unterstützen, die aus dem Zusammenwachsen von HPC-, KI- und Analytics-Workloads resultierenden Anforderungen besser zu bewältigen.

Firma zum Thema

Im Dell Technologies HPC & AI Innovation Lab
Im Dell Technologies HPC & AI Innovation Lab
(Bild: aus einem Imagefilm von Dell Technologies)

Rechenintensive Workloads - sie reichen von Genomsequenzierungen bis zu Simulationen in der Produktentwicklung, erfordern also das Zusammenspiel von High Performance Computing (HPC), Künstlicher Intelligenz (KI) und vielfältigen Datenanalysen. Das erfordert Anpassungen der Software und der Hardware:

  • Die von Dell Technologies entwickelte Open-Source-Software Omnia soll die Bereitstellung und Verwaltung von rechenintensiven Workloads vereinfachen und beschleunigen.
  • HPC on Demand stellt jetzt nutzungsabhängig abgerechnete Ressourcen für hybride Clouds auf VMware-Basis bereit.
  • Dell EMC Poweredge Server bieten neue Optionen von Nvidia-GPUs für die Beschleunigung von KI-Berechnungen und anderen Workloads.

Omnia wurde mit Unterstützung von Intel und der HPC-Community im HPC & AI Innovation Lab von Dell Technologies entwickelt. Die Open-Source-Software hilft bei der automatisierten Bereitstellung und Verwaltung von HPC-, KI- und Analytics-Workloads, indem sie einen einzigen Pool flexibel nutzbarer Ressourcen schafft. Mit Omnia sollen Unternehmen in der Lage sein, wachsende oder sehr unterschiedliche Ressourcenanforderungen schnell und dynamisch zu bedienen.

Der Software-Stack von Omnia besteht aus quelloffenen Frameworks, Services und Anwendungen sowie verschiedenen „Ansible“-Playbooks – Sammlungen von Skripten für die Automatisierung und Orchestrierung von Workloads mit „Kubernetes“ und „Slurm“. Omnia stattet jeden Server mit zum konkreten Anwendungsfall passender Software aus, etwa für HPC-Simulationen, neuronale Netze oder Datenanalysen, um die Bereitstellungszeit von Wochen auf Minuten zu verkürzen.

Die Beiträge der Community sind ein wichtiger Bestandteil der Entwicklung und stetigen Verbesserung der Software. So hat beispielsweise der Bereich Research Computing der Arizona State University eng mit dem HPC & AI Innovation Lab von Dell Technologies zusammengearbeitet, damit Omnia gemischte Workloads wie Simulationen, High Throughput Computing (HTC) und Machine Learning besser unterstützt.

Zugriff auf Infrastruktur mit HPC on Demand

Zudem erweitert Dell Technologies sein bestehendes HPC-on-Demand-Angebot um Unterstützung für VMware-Umgebungen, ein Service, den das Unternehmen gemeinsam mit R Systems bereitstellt. Durch die Integration von „VMware Cloud Foundation“, „vCloud Director“ und „vRealize Operations“ können Unternehmen ein hybrides Cloud-Betriebsmodell auch für ressourcenhungrige Workloads nutzen und HPC-Kapazitäten vergleichsweise schnell einsatzbereit machen. Abgerechnet werden diese im Pay-as-you-go-Modell.

Zu den Nutzern von HPC on Demand zählt Mercury Marine. Der Hersteller von Antriebssystemen für Schiffe führt beim Design neuer Antriebe auch Strömungssimulationen durch. Diese erfordern häufig eine hohe HPC-Leistung, die die internen Kapazitäten übersteigt. Mit der HPC-Infrastruktur von Dell Technologies bezieht das Unternehmen die Ressourcen bei Bedarf und kann so die Simulationszeit von 48 Stunden bei In-House-Berechnungen auf zwei Stunden reduzieren.

Weitere Beschleunigungsoptionen

Schließlich bietet Dell Technologies mit „Nvidia A30“ und „A10 Tensor Core“ mehr GPU-Optionen für seine Poweredge Server „R750“, „R750xa“ und „R7525“. Während A30 eine große Bandbreite an KI- und typischen Compute-Workloads von Unternehmen unterstützt, etwa KI-basierte Kundendialogsysteme und Computer-Vision-Anwendungen, eignet sich A10 insbesondere für gemischte KI- und Grafik-Workloads auf einer gemeinsamen Infrastruktur und ist ideal für Deep Learning und CAD geeignet.

Artikelfiles und Artikellinks

(ID:47496294)