Elastic Fabric Adapter

L’esclusivo meccanismo di networing realizzato da EFA che bypassa il sistema operativo offre un canale a bassa latenza e basso jitter per le comunicazioni tra istanze. Ciò consente alle applicazioni HPC o di machine learning distribuite strettamente accoppiate di scalare fino a migliaia di core, velocizzando l'esecuzione delle applicazioni.

Puoi abilitare il supporto EFA su un elenco crescente di istanze EC2 e ottenere la flessibilità di scegliere la configurazione di calcolo adatta per il tuo carico di lavoro. Ti basterà cambiare le configurazioni del cluster in base alle tue esigenze e abilitare il supporto per EFA sulle nuove istanze di calcolo. Non è necessaria alcuna prenotazione o pianificazione anticipata.

EFA utilizza l'interfaccia e le API libfabric per le comunicazioni. Poiché quasi tutti i modelli di programmazione HPC supportano questa interfaccia, è possibile migrare le applicazioni HPC esistenti nel cloud senza bisogno di modifiche o apportandone pochissime.

I progressi negli algoritmi di fluidodinamica computazionale (CFD) consentono agli ingegneri di simulare fenomeni di flusso sempre più complessi e l’HPC aiuta a ridurre i tempi di risposta. Con EFA, ora i progettisti possono ridimensionare i loro processi di simulazione per sperimentare con parametri più regolabili, portando a risultati più rapidi e precisi.

Per riuscire a fornire risultati accurati, i modelli meteorologici complessi richiedono un'elevata larghezza di banda di memoria, interconnessioni veloci e file system paralleli affidabili. Più stretta è la spaziatura della griglia sul modello, più accurati sono i risultati e maggiori sono le risorse computazionali richieste dal modello. EFA offre un’interconnessione rapida che consente alle applicazioni di modellazione meteorologica di sfruttare le capacità di scalabilità virtualmente illimitate del cloud AWS e ottenere previsioni più accurate in meno tempo.

L’addestramento dei modelli di deep learning può essere notevolmente accelerato grazie all’elaborazione distribuita su GPU. I principali framework di deep learning come Caffe, Caffe2, Chainer, MXNet, TensorFlow e PyTorch hanno già integrato la NCCL per sfruttare i suoi collettivi multi-GPU per le comunicazioni tra nodi. L’EFA è ottimizzato per la NCCL su AWS e migliora la produttività e la scalabilità dei relativi modelli di addestramento, con conseguenti risultati più rapidi.