Bladed是一個用于風力發電機組性能和載荷仿真計算的建模工具，全球大型風力機制造商約有半數采用該軟件。

在風力發電機組的各個設計階段，優化設計都是重中之重。如果不能正確地對載荷、惡劣環境和結構完整性進行建模，或不能執行準確試驗，都可能會極大地危害機組長期的安全性、功能性和盈利能力。

風力機設計項目經常需要進行大量仿真計算，一組仿真計算耗費數千小時的計算機時。

一方面，算力在總量和項目波峰波谷期的彈性供應上能否滿足需求。充足的算力意味著縮短產品上市時間，拉大市場優勢。

另一方面，超大規模算力的調度使用和企業場景的復雜性帶來的管理等問題對IT自動化和智能化要求很高。如何調度超大規模集群的過程，還有其中隱藏的成本優化問題，其實很多。

怎么解決這些問題？
我們拿實證說話。

實證背景信息

某風電新能源集團建設有本地機房，但機器較陳舊，資源有限。跑Bladed仿真任務計算周期長，特別是有大型仿真任務時，往往需要數周甚至數月才能出結果。
用戶要求將跑大型任務的時間縮短到一天以內，同時能夠對任務進行管理和監控。

實證目標

1. Bladed任務能否在云端有效運行？
2. fastone平臺能否將大規模Bladed仿真任務周期縮短到一天？
3. fastone平臺能否提供高效靈活的數據傳輸方案？
4. fastone平臺能否提供有效的任務管理和監控？

實證參數

平臺：
fastone企業版產品

應用：
Bladed 4.10版

操作系統：
Bladed 4.10之前的版本不支持Linux系統，只支持Windows。
本次實證由于用戶更熟悉Windows操作系統，所以并未選擇Linux鏡像。

主流云廠商對不同操作系統鏡像有不同的定價方式。整體上來說，通過Windows系統使用云資源價格比Linux系統要貴。

適用場景：
構建風力發電機性能模型，運行仿真計算并處理結果，為工程師提供有關風力機動力學和優化的重要決策信息。

License配置：
Bladed License Server設置在云端。

云端硬件配置：
Bladed是一個計算密集型應用，對CPU要求高、內存要求不大，因此平臺為用戶推薦選擇了滿足其應用特點的計算優化型實例機型。

調度器：
因為選擇了Windows操作系統，所以本實證中集群調度使用的是PBS調度器。

技術架構圖：
用戶通過Web方式登錄構建于公有云上的fastone算力運營平臺，根據實際計算需求自動創建、銷毀集群，提交計算任務，上傳下載任務，監控管理。
用戶通過NAT方式訪問位于公網的License服務器。
用戶通過VPN接入，可更安全地訪問云上私密的HPC環境。

實證場景一：大規模業務驗證

9600個用例
----------------------------------------------------
本地VS云端300核

結論：

1. 云端可提供滿足Bladed應用特點的機型，運行Bladed Windows版本的任務；
2. 本地資源運算9600個用例，耗時約4天；通過fastone平臺調用300核計算優化型實例運算9600個用例，總耗時約8小時，任務運行時間7小時；
3. fastone平臺的自動化伸縮，有效降低整個計算周期資源占用率；
4. fastone平臺能提供靈活高效的數據傳輸方案，滿足計算數據量大需求；
5. fastone平臺可穩定運行Bladed任務、測試過程中未發生服務中斷；
6. fastone平臺可監控、管理任務與集群的運行情況。

實證過程：

1. 數據上傳：用戶將Bladed風文件、工況文件等上傳至fastone平臺；
2. 數據處理：自動下載、解壓數據，修改配置；
3. 自動可擴展集群啟動：用戶選擇Bladed 應用，按需構建300個核的Bladed集群；
4. 任務運行：提交任務后，用戶可隨時在監控界面查看任務和集群運行情況；
5. 結果數據上傳：任務運行成功后，自動將結果數據上傳至對象存儲供用戶下載。

數據傳輸優化：
Bladed的風文件和任務文件數據量極大，傳統傳輸模式往往會面臨以下問題：
1、初始化大文件傳輸。在本實證中，用戶在跑任務之前需要上傳多達數百GiB的風文件；
2、隨著任務的調整，有大量小文件需要增量上傳。在本實證中，用戶需要上傳9600個任務文件，每個幾十MiB不等。 

fastone支持全自動化數據上傳，可充分利用帶寬，幫助用戶快速上傳、下載海量數據。同時，利用fastone自主研發的分段上傳、高并發、斷點續傳等數據傳輸技術，優化海量數據的傳輸效率。

自動化部署：
在手動模式下，通常都是先構建一個固定規模的集群，然后提交任務，全部任務結束后，關閉集群。在本實證中，如果是手動部署，300核的集群一旦拉起，第一到第五步手動配置的時間里，所有機器一直都是開啟狀態，也就是說，燒錢中。

更詳盡的涉云成本計算，可參考：幫助CXO解惑上云成本的迷思，看這篇就夠了 

再看看我們的自動化部署：
在本實證中，fastone平臺在任務的不同階段采取不同的策略應對，除任務運行的7小時內有300核云資源滿負荷運作以外，在數據處理和結果數據上傳階段均只開啟了1-2臺機器，而其他準備過程不需要開啟機器。

很重要的一點是：任務完成后會及時下載結果并自動關機。

fastone的Auto-Scale功能可以自動監控用戶提交的任務數量和資源的需求，動態按需地開啟所需算力資源，在提升效率的同時有效降低成本。

用戶可根據自己需求，設置自動化調度集群規模上下限。

• 所有操作都是自動化完成，無需用戶干預；
• 在實際開機過程中，可能遇到云在某個可用區資源不足的情況，fastone會自動嘗試從別的區域開啟資源；
• 如果需要的資源確實不夠，又急需算力完成任務，用戶還可以從fastone界面選擇配置接近的實例類型來補充。

詳細分解手動模式 VS 自動部署，看這里：EDA云實證Vol.1：從30天到17小時，如何讓HSPICE仿真效率提升42倍？

任務和集群管理：
提交任務后，可以在監控界面中查看任務和集群運行情況。

實證場景二：云端線性擴展驗證

9600個用例
---------------------------------------------------------
云端300核 VS 3000核

Bladed應用具備線性擴展性。
當我們把自動化調度集群規模上限設為3000核，任務運行時間從7小時縮短到45分鐘，整體計算周期也從8小時縮短至1.75小時。

實證過程：

本實證中，單個任務運行時間為10-30分鐘，當有任務提前運行完成且數據下載完后，相應的機器會自動關閉，避免資源浪費。

實證小結

最后我們回顧一下實證目標：

1. Bladed Windows版本任務在云端能夠有效運行；
2. fastone平臺成功將大規模Bladed仿真任務的運算時間從4天縮短到1~7小時；
3. fastone平臺能夠提供靈活高效的數據傳輸方案；
4. fastone平臺能夠提供可靠的任務管理和監控。 

除了Windows系統，我們還支持通過fastone平臺同時調度任務至本地和云上的Windows節點和Linux節點，滿足業務需求。同時，我們也支持SLURM/SGE/LSF等主流調度器，本次實證未曾涉及。 

本次CAE行業Cloud HPC實證系列Vol.2就到這里了。 

在下一期的實證中，我們將利用速石平臺，在混合云場景下調度集群運行CAE分析，使LS-DYNA模擬性能得到極大提升。 

未來我們還會帶給大家更多領域的用云“真香”實證，請保持關注哦！

- END -

2分鐘自動開通，即刻獲得TOP500超級算力
點擊下圖立即體驗

2020年新版《六大云廠商資源價格對比工具包》
添加小F微信（ID: imfastone）獲取

你也許想了解具體的落地場景：
2019-2020春江云暖你先知，CAE/EDA/高校等CloudHPC領域年均復合增長率超21%
EDA云實證Vol.1：從30天到17小時，如何讓HSPICE仿真效率提升42倍？
15小時虛擬篩選10億分子，《Nature》+HMS驗證云端新藥研發未來

關于云端高性能計算平臺：
國內超算發展近40年，終于遇到了一個像樣的對手
幫助CXO解惑上云成本的迷思，看這篇就夠了
靈魂畫師，在線科普多云平臺/CMP云管平臺/中間件/虛擬化/容器是個啥
花費4小時5500美元，速石科技躋身全球超算TOP500