Google Cloud Managed Lustre
Paralleles Dateisystem mit hoher Leistung
Beschleunigen Sie HPC- und KI-Training und ‑Bereitstellung mit dem leistungsstärksten, POSIX-konformen, parallelen Dateisystem von Google.
Features
Leistung und Skalierbarkeit für KI-/ML-Arbeitslasten
Für das Training großer Deep-Learning-Modelle sind riesige Datasets erforderlich. Managed Lustre, basierend auf DDN EXAScaler, verteilt den Datenzugriff, verkürzt die Trainingszeiten und ermöglicht schnellere Erkenntnisse, eine höhere Genauigkeit und die Bearbeitung komplexer KI-Projekte. Die Skalierbarkeit sorgt dafür, dass die Leistung mit den wachsenden Daten Schritt hält und Speicherengpässe vermieden werden.
KI-Inferenz mit KV-Cache beschleunigen
Agentische KI treibt weiterhin große Kontextfenster voran. Es kann eine Speicherherausforderung darstellen, Endnutzern eine reaktionsschnelle Erfahrung bei der Interaktion mit LLMs zu bieten. Große Kontextfenster erhöhen die Latenzempfindlichkeit, da der lokale Speicher auf den Beschleunigern oft erschöpft ist, sodass das Modell auf externen Speicher zugreifen muss. Managed Lustre mit Reaktionszeiten von unter einer Millisekunde kann Ihre Gesamtkosten um bis zu 35 % senken und den gesamten Inferenzdurchsatz verbessern.
Maximale Leistung pro Dollar für Speicher- und Rechenressourcen
Optimieren Sie die Ressourcennutzung durch effiziente Verteilung von Daten und Verarbeitungsaufgaben. Die GPU-/TPU-Auslastung sowie das Lesen und Schreiben von Checkpoints werden verbessert, was zu geringeren Speicherkosten, niedrigeren Rechenkosten und einer insgesamt verbesserten Kosteneffizienz führt.
Funktionsweise
Das lokale Einrichten und Betreiben der HPC-Infrastruktur ist teuer und die Infrastruktur erfordert eine laufende Wartung. Darüber hinaus kann die lokale Infrastruktur in der Regel nicht schnell skaliert werden, um sie an Bedarfsänderungen anzupassen. Die lokale Planung, Beschaffung, Bereitstellung und Außerbetriebnahme von Hardware nimmt ziemlich viel Zeit in Anspruch. Dies führt zu einer verzögerten Hinzufügung von HPC-Ressourcen oder zu nicht ausgelasteten Kapazitäten. In der Cloud können Sie effizient HPC-Infrastruktur bereitstellen, die die neueste Technologie verwendet, und Ihre Kapazität nach Bedarf skalieren. Wissenschaftler, Forscher und Analysten können bei Bedarf schnell auf zusätzliche HPC-Kapazität für ihre Projekte zugreifen.
Das lokale Einrichten und Betreiben der HPC-Infrastruktur ist teuer und die Infrastruktur erfordert eine laufende Wartung. Darüber hinaus kann die lokale Infrastruktur in der Regel nicht schnell skaliert werden, um sie an Bedarfsänderungen anzupassen. Die lokale Planung, Beschaffung, Bereitstellung und Außerbetriebnahme von Hardware nimmt ziemlich viel Zeit in Anspruch. Dies führt zu einer verzögerten Hinzufügung von HPC-Ressourcen oder zu nicht ausgelasteten Kapazitäten. In der Cloud können Sie effizient HPC-Infrastruktur bereitstellen, die die neueste Technologie verwendet, und Ihre Kapazität nach Bedarf skalieren. Wissenschaftler, Forscher und Analysten können bei Bedarf schnell auf zusätzliche HPC-Kapazität für ihre Projekte zugreifen.
Gängige Einsatzmöglichkeiten
KI- oder ML-Arbeitslasten
Managed Lustre beschleunigt KI- und ML-Anwendungen
Parallele Dateisysteme beschleunigen das KI-Training und die Inferenz erheblich, da sie einen Zugriff mit hohem Durchsatz und niedriger Latenz auf riesige Datasets ermöglichen. Diese Systeme verteilen Daten auf mehrere Speicherknoten und ermöglichen so den gleichzeitigen Zugriff durch zahlreiche Verarbeitungseinheiten oder GPUs. Dieser parallele Zugriff beseitigt Engpässe, die bei herkömmlichen Dateisystemen auftreten, sodass KI-Modelle die riesigen Datenmengen, die für das Training erforderlich sind, schnell aufnehmen und verarbeiten können.
Lernressourcen
Managed Lustre beschleunigt KI- und ML-Anwendungen
Parallele Dateisysteme beschleunigen das KI-Training und die Inferenz erheblich, da sie einen Zugriff mit hohem Durchsatz und niedriger Latenz auf riesige Datasets ermöglichen. Diese Systeme verteilen Daten auf mehrere Speicherknoten und ermöglichen so den gleichzeitigen Zugriff durch zahlreiche Verarbeitungseinheiten oder GPUs. Dieser parallele Zugriff beseitigt Engpässe, die bei herkömmlichen Dateisystemen auftreten, sodass KI-Modelle die riesigen Datenmengen, die für das Training erforderlich sind, schnell aufnehmen und verarbeiten können.
Hochleistungs-Computing (HPC)
HPC-Anwendungen erfordern eine robuste Speicherinfrastruktur
Parallele Dateisysteme sind für das Hochleistungs-Computing (HPC) unerlässlich. Bei der Wettervorhersage verarbeiten sie riesige Mengen an meteorologischen Daten, um genaue Vorhersagen zu treffen. Ingenieure nutzen sie für komplexe Strömungsmechanik-Simulationen, um das Design von Flugzeugen und Autos zu verbessern. Finanzinstitute beschleunigen Risikobewertungen und Marktprognosen durch die Verarbeitung riesiger Finanzdatensätze. Diese Systeme bieten den hohen Durchsatz und die niedrige Latenz, die für datenintensive Arbeitslasten erforderlich sind, und ermöglichen eine schnellere, effizientere Analyse in wichtigen HPC-Anwendungen.
Lernressourcen
HPC-Anwendungen erfordern eine robuste Speicherinfrastruktur
Parallele Dateisysteme sind für das Hochleistungs-Computing (HPC) unerlässlich. Bei der Wettervorhersage verarbeiten sie riesige Mengen an meteorologischen Daten, um genaue Vorhersagen zu treffen. Ingenieure nutzen sie für komplexe Strömungsmechanik-Simulationen, um das Design von Flugzeugen und Autos zu verbessern. Finanzinstitute beschleunigen Risikobewertungen und Marktprognosen durch die Verarbeitung riesiger Finanzdatensätze. Diese Systeme bieten den hohen Durchsatz und die niedrige Latenz, die für datenintensive Arbeitslasten erforderlich sind, und ermöglichen eine schnellere, effizientere Analyse in wichtigen HPC-Anwendungen.
Preise
| Preise für Managed Lustre | Die Preise für Managed Lustre richten sich in erster Linie nach Standort und Servicelevel. |
|---|---|
| Service-Level | Preise |
1.000 MB/s/TiB Ideal für Arbeitslasten mit hoher Leistung wie KI/ML-Training, bei denen der Durchsatz entscheidend ist. | Ab 0,60 $ pro GiB und Monat |
500 MB/s/TiB Ideale Balance für hohe Leistung: Hervorragend geeignet für anspruchsvolle KI/ML-Arbeitslasten, komplexe HPC-Anwendungen und datenintensive Analysen, die einen hohen Durchsatz erfordern, aber von einem ausgewogeneren Preis-Leistungs-Verhältnis profitieren können. | Ab 0,34 $ pro GiB und Monat |
250 MB/s/TiB Ideal für allgemeine HPC- und durchsatzintensive KI: Geeignet für eine breite Palette von HPC-Arbeitslasten, KI/ML-Inferenz, Datenvorverarbeitung und Anwendungen, die eine deutlich bessere Leistung als herkömmliches NFS zu einem kostengünstigen Preis benötigen. | Ab 0,21 $ pro GiB und Monat |
125 MB/s/TiB Ideal für kapazitätsorientierte Arbeitslasten mit Bedarf an parallelem Zugriff: Entwickelt für Szenarien, in denen große Kapazitäten und paralleler Dateisystemzugriff entscheidend sind. Gut für weniger E/A-intensive parallele Aufgaben. | Ab 1,45 $ pro GiB und Monat |
Weitere Informationen zu Google Cloud-PreisenVollständige Preisinformationen
Preise für Managed Lustre
Die Preise für Managed Lustre richten sich in erster Linie nach Standort und Servicelevel.
1.000 MB/s/TiB
Ideal für Arbeitslasten mit hoher Leistung wie KI/ML-Training, bei denen der Durchsatz entscheidend ist.
Ab 0,60 $ pro GiB und Monat
500 MB/s/TiB
Ideale Balance für hohe Leistung: Hervorragend geeignet für anspruchsvolle KI/ML-Arbeitslasten, komplexe HPC-Anwendungen und datenintensive Analysen, die einen hohen Durchsatz erfordern, aber von einem ausgewogeneren Preis-Leistungs-Verhältnis profitieren können.
Ab 0,34 $ pro GiB und Monat
250 MB/s/TiB
Ideal für allgemeine HPC- und durchsatzintensive KI: Geeignet für eine breite Palette von HPC-Arbeitslasten, KI/ML-Inferenz, Datenvorverarbeitung und Anwendungen, die eine deutlich bessere Leistung als herkömmliches NFS zu einem kostengünstigen Preis benötigen.
Ab 0,21 $ pro GiB und Monat
125 MB/s/TiB
Ideal für kapazitätsorientierte Arbeitslasten mit Bedarf an parallelem Zugriff: Entwickelt für Szenarien, in denen große Kapazitäten und paralleler Dateisystemzugriff entscheidend sind. Gut für weniger E/A-intensive parallele Aufgaben.
Ab 1,45 $ pro GiB und Monat
Weitere Informationen zu Google Cloud-PreisenVollständige Preisinformationen
