Elastic Fabric Adapter

Der einzigartige Netzwerkmechanismus von EFA zum Umgehen des OS bietet einen Kanal mit niedriger Latenz und geringem Jitter für die Kommunikation zwischen Instances. Dadurch können Ihre eng verknüpften HPC- oder verteilten Machine-Learning-Anwendungen auf Tausende von Kernen skaliert werden, sodass Ihre Anwendungen schneller ausgeführt werden.

Sie können den EFA-Support für eine wachsende Liste von Amazon-EC2-Instances aktivieren und haben so die Flexibilität, die richtige Rechenkonfiguration für Ihre Workload zu wählen. Ändern Sie einfach Ihre Cluster-Konfigurationen, wenn sich Ihre Anforderungen ändern, und aktivieren Sie den EFA-Support auf Ihren neuen Computing-Instances. Es sind keine vorherigen Reservierungen oder eine vorherige Planung erforderlich.

EFA verwendet die Libfabric-Schnittstelle und Libfabric-APIs für die Kommunikation. Da fast alle HPC-Programmiermodelle diese Schnittstelle unterstützen, können Sie Ihre vorhandenen HPC-Anwendungen mit geringen bis gar keinen Änderungen in die Cloud migrieren.

Fortschritte bei den Algorithmen der Computational Fluid Dynamics (CFD) ermöglichen es Ingenieuren, immer komplexere Strömungsphänomene zu simulieren, und HPC trägt dazu bei, die Durchlaufzeiten zu verkürzen. Ingenieure können ihre Simulationsaufträge skalieren, um mit besser einstellbaren Parametern zu experimentieren, was zu schnelleren und genaueren Ergebnissen führt.

Komplexe Wettermodelle erfordern eine hohe Speicherbandbreite, schnelle Verbindungen und robuste parallele Dateisysteme, um genaue Ergebnisse zu liefern. Je näher der Rasterabstand im Modell ist, desto genauer sind die Ergebnisse – und desto mehr Rechenressourcen benötigt das Modell. EFA bietet eine schnelle Verbindung, über die Anwendungen zur Wettermodellierung die praktisch unbegrenzten Skalierungsmöglichkeiten der AWS Cloud nutzen und in kürzerer Zeit genauere Vorhersagen treffen können.

Das Training von Deep-Learning-Modellen kann durch verteiltes Computing auf GPUs erheblich beschleunigt werden. Führende Deep-Learning-Frameworks wie Caffe, Caffe2, Chainer, MxNet, TensorFlow und PyTorch haben NCCL bereits integriert, um die Vorteile seiner Multi-GPU-Kollektive für die knotenübergreifende Kommunikation zu nutzen. EFA ist für NCCL in AWS optimiert und verbessert den Durchsatz und die Skalierbarkeit dieser Trainingsmodelle, was zu schnelleren Ergebnissen führt.