摘 要

近一年来，在高性能计算元件供给困难的背景下，芯片设计企业开始探索多种途径解决算力困难问题，抓住芯片行业历史性机遇期。

某系统级芯片设计企业A借助网宿MSP高性能计算（HPC）行业解决方案，一站式解决粗放式算力运营模式下的算力扩容、算力管理、成本优化等问题，实现了统一管理效率提升50%，生产效率提升30%，并节省调度管理费用上百万。

近年来全球芯片持续缺货，而中国芯片产业在政策支持下，保持高速成长。

身处其中的某知名系统级芯片设计企业A是又喜又忧：喜的是手里的订单量翻番；忧的是，芯片仿真模拟对算力的需求呈指数级增长，但当前高性能计算元器件价格上涨甚至断货，严重推高了芯片企业采购算力的成本和难度，使得企业A的算力资源眼看就无力承接新增订单了。

于是，企业A决心进行系统性的算力优化，加快改变粗放的算力运营模式，摆脱算力紧张对业务扩张的掣肘，实现降本增效。

算力优化环环相扣，企业A发现，这些瓶颈需要突破：

No.1 买断式算力采购难救急

这张来自EDA软件厂商Cadence的图，概括了芯片设计企业在算力扩容上的节奏。

图中黄色虚线表示现有算力资源规模，蓝色区域表示资源需求量。当订单突增，计算资源需求暴涨时，企业追加购入资源；需求回落时，则出现资源闲置。买断式算力资源采购滞后、灵活性差的问题凸显。

企业A过往也是如此，当突发订单到来时只能临时加购服务器，扩充至本地计算集群中。然而，一方面，现今芯片的迭代速度越来越快，一个设计项目的周期往往只有几个月，再遇上芯片缺货导致的采购难，等机器到位，离deadline没几天了。

另一方面，加购的资源如果没有后续订单稳定“光顾”，就要闲置浪费，白白折旧。因此，一次加购多少机器合适，总要让采购部门十分纠结。

近年来，Cloud HPC（云端高性能计算）的出现，打破了买断式算力采购模式的局限，算力的扩缩变成分分钟的事情。而且，云服务器的迭代更新速度远高于买断模式的三年一换，最新硬件上架周期甚至能缩短到以小时计。

因此，企业A萌生了引入混合算力的想法：在本地资源的承载核心计算任务的基础上，结合云端算力处理突发的计算需求溢出，岂不两全其美。

但要想真正用好本地+公有云的混合架构，做到降本增效，还有更多问题需要解决。

No.2 粗放式算力管理 浪费严重

云端算力虽然灵活，却有一个扎心的问题——贵。主流公有云平台HPC实例的计费模式甚至已经细化到了按秒计费。在不改变大手大脚的算力使用习惯时就上云，增开实例很容易，起飞的账单可就不美丽了。

因此企业A认为在上云之前，应当先将本地算力资源的利用率提高到100%。而以下两个环节都是浪费资源的大漏勺：

a.资源分配
业务部门追求项目进度效率，常常过高估计所需资源。而IT部门却无从监测各个项目对资源的实际利用率。当资源池被分配完毕，后面的任务开始排队等待时，实际上还有大量闲置在项目上的资源没有被及时回收，造成浪费。

b.资源调度

企业A的本地算力集群现有近一千个节点，项目多时，运行五、六千个任务是常事，需要依赖调度器尽可能利用紧张的算力资源，跑更多任务。

出于成本考虑，企业A使用的调度器是开源的OpenLava。而OpenLava调度策略恰恰相对简单粗暴，对资源的利用率不够高。每个节点都有一点资源没被用上，积少成多，也是一笔不小的浪费。

并且，除了资源利用率不高之外，OpenLava还有以下局限性：

由于版权问题已被禁用

不支持溢出上云

不具备项目视角的资源监控

这些缺陷让IT部门不得不考虑更换调度器，但若改用商业版的Spectrum LSF调度器，需要增加上百万的License购买成本。

唯一还在维护的纯开源调度器Slurm，拥有容错率高、支持异构资源、高度可扩展、适用性强等优势，60%的全球Top 500的超算中心都在使用。但改用Slurm还面临着学习成本高、开发需求多等问题，是否下决心切换至Slurm，又让IT部门陷入了纠结。

No.3 混合编排学习成本和试错风险高

除了算力管理水平问题，CloudHPC本身的使用门槛也不低。企业A此前从未接触过公有云，IT部门对上云的一系列实操问题，也毫无处理经验。

每家公有云产品和服务种类繁多，使用方式也不一样，如果自己摸索，势必要面临不小的学习成本和试错风险的压力。

No.4 混合算力 成本难核算

增加算力本质是为了缩短计算时间，更快地完成项目，接更多订单。但算力成本若超过订单的收入，就不划算了，因此需要衡量投入产出比，做资源采购预算的规划。特别是上云后计算资源可以近乎无限扩容，对资源成本的管控提出了更高的要求。

精细化的成本管理需要对每个项目的成本投入进行核算，但企业A 的账单系统不支持以项目粒度分摊成本费用。尤其是上云后，云账单名目更加复杂，本地+云上资源混合，又如何将费用分摊到各个项目，核算投入产出比呢？

面对以上症结，企业A开始寻求算力优化解决方案。但市面上的芯片行业方案，无论是做云上EDA环境构建的，还是做多云统一纳管，都不够贴合他们的实际业务情况，不能真正解决系统性的算力资源优化，降本增效的问题。直到他们在AWS的推荐下，找到了网宿。

针对高性能计算行业面临的算力扩容、算力管理、成本优化等问题，网宿MSP推出高性能计算（HPC）行业解决方案，深入业务视角，以产品+服务的闭环，助力企业实现一站式、精细化的本地+云的算力资源全生命周期管控。

No.1 算力管理：不浪费一个CPU

网宿云管平台HandyOps基于Slurm调度器开发了完整的本地+云算力管理能力，在承袭了Slurm容错率高、支持异构资源、高度可扩展、适用性强等优点的基础上，聚合了全局数据监控、管理报表、项目/租户/作业/策略管理等功能模块，即开即用，无需开发。

通过HandyOps的控制台提交各种计算任务后，系统会根据任务优先级，配置不同的调度策略（如成本优先策略或时间优先策略），灵活调度算力。

网宿的可视化全局数据监控，为企业A解决了资源监控缺少业务视角的瓶颈，支持从项目、任务、队列和用户等维度进行资源状况监控、输出报表，并支持对不同层级设置不同的查看权限，每个项目、每个设计师实际用量一目了然。当项目中出现闲置资源时，IT管理员能够及时回收，重新分配。

在网宿的集成调度系统下，企业A完成了向算力精细化管理的转变，实现了现有资源达到100%充分利用后才会出现任务排队的目标。

No.2 算力扩容：一键上云救急 高效混合编排

当突发订单到来，本地算力集群无法及时完成计算任务时，通过网宿HandyOps平台，可以快速向公有云平台扩容，一键完成云上算力集群创建，本地+云上资源统一纳管，既消除了本地算力资源难以弹性伸缩的局限，也避免了纯租用云资源的模式成本过高的问题。

在上云的数据安全保障上，网宿SD-WAN提供到公有云的高速直连加密链路，结合云端数据加密存储、安全审计技术，从传输到存储全链路封堵数据外泄。

No.3 成本优化：业务视角账单核算

网宿提供本地+云上统一账单管理，支持部门粒度与项目粒度账单分摊，预测账单趋势，为财务部门核算投入产出比、制定采购预算提供有效的决策依据。同时，网宿MSP团队还基于平台优化报告，提供成本优化建议，进一步协助企业A降本增效。

在网宿MSP高性能计算行业解决方案的帮助下，企业A既免去了改用商业版调度器要花费的上百万license费用，又实现了统一管理效率提升50%，生产效率提升30%，成功降本增效。