Azure انواع مختلفی از ماشینهای مجازی (VM) را برای مراقبت از بارهای مختلف کاری و موارد استفاده ، از جمله کارگران و درایورهای فن آوری های مختلف ، میزبان با لاجورد ، مانند Azure Databricks ، Azure HDInsight و Azure Kubernetes ارائه می دهد. در اینجا مختصراً از انواع مختلف VM و مناسب بودن آنها برای گره ها در هر کارگر یا راهنما آورده شده است:
VM های عمومی
- سری B (Cracked VM): VM Proferity ، مناسب برای بارهای لازم که به کارآیی مداوم پردازنده احتیاج ندارند.
- از پرونده استفاده کنید: توسعه و محیط آزمایش ، پایگاه داده های کوچک ، سرورهای وب با ترافیک کم.
- سریال: یک نسبت متعادل از پردازنده به حافظه ، مناسب برای بیشتر بارهای تولید.
- از پرونده استفاده کنید: سرورهای وب ، برنامه ها و پایگاه داده های کوچک و متوسط.
بهینه شده توسط VM محاسبه شده
- سری F: نسبت بالای پردازنده به حافظه ، مناسب برای محاسبه بارهای فشرده.
- از پرونده استفاده کنید: پردازش دسته ای ، سرورهای وب ، تجزیه و تحلیل ، بازی ها.
حافظه بهینه شده VM
- سریال الکترونیکی: نسبت حافظه بالا به CPU ، مناسب برای برنامه های حافظه فشرده.
- از پرونده استفاده کنید: پایگاه داده های بزرگ ، تجزیه و تحلیل حافظه ، SAP HANA.
- سریال: نسبت حافظه بسیار بالا به CPU ، مناسب برای بارهای حافظه بسیار بالا.
- از پرونده استفاده کنید: SAP HANA بزرگ ، ذخیره داده ها ، تجزیه و تحلیل حافظه.
ذخیره سازی VM بهینه سازی شده
- سریال: پهنای باند بالا و IO ، مناسب برای برنامه های ذخیره سازی فشرده.
- از پرونده استفاده کنید: داده های بزرگ ، پایگاه داده های SQL و NOSQL ، ذخیره داده ها.
GPU بهینه شده VM
- سریال NC: GPU VM را برای محاسبات و حجم کار با گرافیک فعال کرد.
- از پرونده استفاده کنید: AI و آموزش عمیق ، محاسبات بسیار مؤثر (HPC) ، به تصویر می کشد.
- سری NV: VMS با GPU فعال شده برای تجسم و نمودارهای بار فشرده.
- از پرونده استفاده کنید: تجسم از راه دور ، بازی ها ، شبیه سازی.
ماشین های مجازی محاسباتی بالا
- سریال H: VM با عملکرد بالا برای محاسبه بارهای.
- از پرونده استفاده کنید: مدل سازی مولکولی ، دینامیک مایع ، تجزیه و تحلیل عناصر نهایی.
سیستم های توزیع شده
1. Kubernetes (AKS: سرویس Azure Kubernetes)
Kubernetes یک ابزار ارکستراسیون کانتینر است که امکان اجرای ، مقیاس گذاری و مدیریت برنامه های کانتینر را فراهم می کند. سرویس Azure Kubernetes (AKS) از انواع Azure VM برای مقیاس بندی و کنترل ظروف استفاده می کند.
- استفاده از VM در AKS:
- هدف کلی VMS (سری B/D): از آنها برای برنامه های ساده تر یا بارهای کوچکتر استفاده می شود.
- محاسبه بهینه شده در VM (سری F): برای برنامه های بسیار کارآمد که نیاز به قدرت پردازنده بالا دارند مفید است.
- حافظه بهینه شده VM (سری الکترونیکی): مناسب برای بارهای نیاز به حافظه قابل توجه ، مانند برنامه ها یا بانکهای اطلاعاتی.
- GPU بهینه شده VM (سری NC/ND): می توان برای بار کاری کانتینر یادگیری ماشین و وظایف برای نتیجه گیری هوش مصنوعی استفاده کرد.
نقش Kubernetes: در خوشه Kubernetes VM ، آنها به عنوان گره (گره های کاری) برای پرتاب ظروف خدمت می کنند. Azure به طور خودکار دستگاه های مجازی را بر اساس بارهای کانتینر و اندازه انتخاب شده VM ارائه می دهد.
2. Batabrika لاجورد
Azure Databricks یک پلت فرم تجزیه و تحلیل مبتنی بر Apache Spark است که با Azure برای مهندسی داده ها ، علوم داده و یادگیری ماشین ادغام می شود. از VM برای ارائه خوشه هایی در جایی که مشاغل انجام می شود استفاده می کند.
- با استفاده از VM در پایگاه داده:
- هدف کلی VMS (سری D): ایده آل برای بارهای کوچک و متوسط ، مانند مشاغل مهندسی داده و نوت بوک های علمی تعاملی.
- حافظه بهینه شده VM (سری الکترونیکی): برای کار با پایگاه داده های بزرگ و مدل های یادگیری ماشین که به حافظه بیشتری نیاز دارند مفید است.
- محاسبه بهینه شده در VM (سری F): در صورت نیاز به اجرای سریعتر داده های فشرده مانند پردازش دسته ای و محاسبات موازی استفاده می شود.
- GPU بهینه شده VM (سری NC/ND): می توان برای شروع یادگیری ماشین و کارهای عمیق با استفاده از Spark Mllib یا Tensorflow استفاده کرد.
نقش پایگاه داده ها: VMS بر اساس الگوهای کار شده بر روی بار کاری Apache Spark برای پردازش داده ها ، ETL و یادگیری ماشین به خوشه ها اختصاص می یابد. گونه های انتخاب شده VM به ماهیت بار بستگی دارد و مقیاس خوشه را می توان بر اساس نیازهای عملکرد به صورت پویا تنظیم کرد.
3. Azure Hdinsight
HDInsight یک سرویس ابری کاملاً مدیریت شده برای تجزیه و تحلیل داده های بزرگ ، فریم های کاری مانند Hadoop ، Spark و Hive است. VM در HDInsight بر اساس ماهیت بار (پردازش داده ها ، درخواست ها و غیره) انتخاب می شود.
- با استفاده از VM در Hdinsight:
- هدف کلی VMS (سری D): غالباً برای بارهای کوچکتر و کمتری از منابع ، مانند تحقیق یا پردازش در مقیاس کوچک استفاده می شود.
- حافظه بهینه شده VM (سری الکترونیکی): ایده آل برای تجزیه و تحلیل حافظه و کارهای پردازش در مقیاس بزرگتر ، مانند تجزیه و تحلیل داده های مبتنی بر جرقه.
- ذخیره سازی VM بهینه سازی شده (سری L): هنگامی که HDInsight مجموعه های بزرگی از داده ها را معمولاً برای برنامه های ذخیره سازی اختصاص داده شده یا دریاچه های داده مدیریت می کند ، استفاده می شود.
- محاسبه بهینه شده در VM (سری F): مورد استفاده برای کارهای بزرگ و دشوار مانند مشاغل MapReduce یا پردازش تعداد زیادی در خوشه های Hadoop.
نقش HDInsight: خوشه های HDInsight بر اساس این VM ایجاد می شوند. به عنوان مثال ، خوشه یا خوشه HDInsight Hadoop ممکن است از ترکیب سری D برای انجام کارهای محاسباتی و سری L برای پردازش حجم داده های بزرگ استفاده کند.
4. یادگیری ماشین لاجورد
Azure Machine Learning (AML) یک سرویس ابری برای ساخت ، آموزش و اجرای مدل های یادگیری ماشین است. این می تواند در صورت درخواست با کمک VM بارها را مقیاس کند.
- استفاده از VM در یادگیری ماشین لاجورد:
- هدف کلی VMS (سری D): آنها معمولاً برای آموزش مدل اصلی ML استفاده می شوند که نیازی به منابع با محاسبات بالا ندارد.
- حافظه بهینه شده VM (سری الکترونیکی): ایده آل برای مدلهای آموزش مجموعه داده های بزرگ که در آن حافظه دشوار است.
- GPU بهینه شده VM (سری NC/ND): این VM ها برای آموزش مدلهای آموزش عمیق که نیاز به شتاب GPU دارند ، مفیدترین هستند.
- محاسبات با کارایی بالا VM (سری H): برای مدل های تحقیقاتی مدرن و ML که نیاز به قدرت محاسبات گسترده دارند استفاده می شود.
نقش AML: VM ها به عنوان گره های محاسباتی AML برای آموزش و اجرای مدل خدمت می کنند. شما می توانید منابع محاسبه را بر اساس بار مقیاس ، دستگاه های مجازی با عملکرد بالاتر در هنگام آموزش مدل های پیچیده انتخاب کنید ، یا از پردازنده های گرافیکی برای آموزش های عمیق استفاده کنید.
5. Azure Synapse Analytics (قبلاً انبار داده SQL)
Synapse Analytics یک بستر داده ابری برای بارهای دارای داده ها و تجزیه و تحلیل بالا است. این ترکیب داده ها و ذخیره داده ها برای تجزیه و تحلیل مجموعه داده های بزرگ است.
- استفاده از VM در Synapse Analytics:
- هدف کلی VMS (سری D): برای شروع فرآیندهای ETL یا عملیات داده های کوچکتر استفاده می شود.
- حافظه بهینه شده VM (سری الکترونیکی): در هنگام کار با داروهای بزرگ در حافظه یا تجزیه و تحلیل زمان واقعی مستقر شده است.
- ذخیره سازی VM بهینه سازی شده (سری L): برای مدیریت حجم زیادی از داده ها ، اغلب در دریاچه های توزیع شده با داده ها استفاده می شود.
نقش تجزیه و تحلیل سیناپس: VM در Synapse برای راه اندازی درخواست های داده ، انجام تجزیه و تحلیل مجموعه داده های بزرگ و پردازش بارهای به صورت مقیاس پذیر استفاده می شود. استخرهای SQL Synapse و Apache Spark Pools توسط این ماشینهای مجازی تغذیه می شوند.
6. ویژگی های لاجورد
توابع Azure یک سرویس بدون سرور است که در پاسخ به رویدادها کد را انجام می دهد ، اما هنوز هم می تواند از انواع مختلف نمونه VM برای مقیاس بندی بهینه شده بهره مند شود.
- با استفاده از VM در ویژگی های لاجورد:
- هدف کلی VMS (سری B/D): از آنها می توان برای ویژگی های کم نور و کم و بدون سرور با بارهای مخرب استفاده کرد.
- محاسبه بهینه شده در VM (سری F): آنها می توانند برای ویژگی ها یا خدماتی بسیار مؤثر که نیاز به عملکرد سریع دارند استفاده شود.
نقش عملکردهای لاجورد: توابع در ماشین های مجازی در یک مدل بدون سرور مستقر می شوند. این سیستم به طور خودکار VM ها را بر اساس نیازهای بار کار می کند و در صورت لزوم ابعاد VM مناسب را انتخاب می کند.
گونه ها و نقش های Azure VM
در زیر نمایشی ساده از تصویری از انواع مختلف نمونه های Azure VM و نقش آنها به عنوان انواع کارگران/گره ها در سیستم های توزیع شده وجود دارد:
- VM های عمومی – جهانی مورد استفاده برای طیف گسترده ای از برنامه ها
- بهینه شده توسط VM محاسبه شده برای کارهای پردازنده سخت
- حافظه بهینه شده VM -برای حافظه فشرده کارها
- ذخیره سازی VM بهینه سازی شده برای بارهای داده سنگین.
- GPU بهینه شده VM برای یادگیری و بارگذاری ماشین مبتنی بر GPU
- ماشین های مجازی محاسباتی بالا – برای ابر رایانه ها و شبیه سازی ها
| سرویس ابری | انواع مورد استفاده VM | نقش معمولی VMS |
|---|---|---|
| Kubernetes (AKS) | سری B/D/F/E/NC | گره های کاری برای برنامه های کانتینر ، مقیاس نیازهای محاسبات |
| دیتابیک | سری D/E/F/NC | خوشه های جرقه ، آموزش دستگاه و مهندسی داده ها |
| HDInsight | سری D/E/F/L | تجزیه و تحلیل داده های بزرگ (Hadoop ، Spark) ، پردازش داده های بزرگ در مقیاس |
| Azure ML | سری D/E/NC/ND/H | آموزش مدل ، در آموزش عمیق ، حجم کار فشرده محاسبات |
| تحلیلی سیناپس | سری D/E/L | ذخیره داده ها ، تجزیه و تحلیل و پردازش داده های بزرگ |
| ویژگی های لاجورد | سری B/D/F | ویژگی های بدون سرور با مقیاس خودکار |
هر یک از این سرویس های ابری از انواع مختلفی از VM لاجورد برای برآورده کردن نیازهای خاص نیازهای مختلف استفاده می کنند
پایان
Azure طیف گسترده ای از گونه های VM را برای مراقبت از بارهای مختلف و استفاده از موارد ارائه می دهد. هنگام انتخاب انواع VM برای گره های کارگر یا درایور ، نیازهای خاص برنامه خود را مانند پردازنده ، حافظه ، ذخیره سازی و GPU در نظر بگیرید. با انتخاب انواع مناسب VM ، می توانید عملکرد و هزینه های فناوری لاجورد خود را بهینه کنید.
