基于InfiniBand的高速交换刀片设计与实现

来源 :中国科学院计算技术研究所 | 被引量 : 0次 | 上传用户:tdwh14226
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着服务器应用需求的提升,各种新技术,如多核CPU、虚拟化技术、强大的集群应用、网络存储以及刀片服务器的发展,带来了对计算机I/O带宽无止境的需求。尤其是当高性能服务器进入刀片时代之后,由于其自身具有的高计算密度属性,刀片之间的数据交换速度就成为制约整个系统整体性能的瓶颈。为了克服这一障碍,充分发挥刀片服务器的性能优势,就急需一套高速、可靠、易于管理的网络整合方案。   InfiniBand作为一种既具有极高带宽(目前每个方向上信令速度可以达到20Gb/s),同时还具有较低的端到端延迟(目前已经可以低于2μs)的新兴高速互连技术,与其他同级别网络技术相比较,能够更好的应对实际应用中,对带宽需求的持续增长,因此正在高性能计算领域获得越来越广泛的关注与应用。   作为IBA定义,并且为众多高性能服务器开发者所支持的一项协议标准,InfiniBand为实现高性能、高可靠性与低延迟定义了包括基于信任的流量控制机制、基于硬件的QoS、通道化的I/O机制以及针对大量数据传输而专门进行的优化等多项关键技术,这些都为组建刀片服务器的高性能网络提供了必要的技术保障。   本课题提出的InfiniBand高速交换刀片采用了模块化的设计方法,将HCA与交换机有机整合,使InfiniBand交换刀片成为服务器内部设备之一,通过机箱内部电路板和接插件与其他设备相连接,具有热插拔功能。这样一方面可以降低手工布线容易造成的误操作,提高刀片服务器的可扩展性;另一方面也可以有效排除电磁干扰等自然因素对交换刀片的影响,同时还可以共享机箱内部的基础设备,高效节能,从而最大限度的发挥了系统的整体性能。   本课题的目标是设计和实现基于InfiniBand的高速交换刀片,作为高密度可扩展高性能服务器的一个重要组成部分,为刀片服务器提供高带宽低延迟的交换网络服务。本课题主要完成以下工作:   1、针对高密度刀片服务器应用对集群互联的具体要求,提出一种集成化的InfiniBand高速交换刀片架构:   2、完成800Gbps无阻塞全线速交换刀片的硬件设计与实现,实现PCIExpress8x信号直接接入InfiniBand子网进行高速交换。总结出一套走线长、密度高的高速电路设计规范;   3、实现InfiniBand交换网络的配置和管理优化,提高交换密度;   4、实现InfiniBand高速交换刀片在刀片服务器中成功应用,实现高带宽低延迟的InfiniBand交换,填补国内在相关领域自主设计的空白,测试数据达到同类设备的先进水平。   本课文的研究对于InfiniBand适配器、交换机设计与实现,以及高速电路设计具有一定的指导意义和参考价值。
其他文献
机群系统凭借其良好的易构建性和可扩展性,无论是在高性能科学计算领域,还是在商业计算领域,都得到了广泛的应用。但是随着机群系统硬件规模的不断扩大以及应用的复杂化,系统出现
在计算机技术发展过程中,模拟一直是一个十分重要的研究方法。模拟器是运行在一个平台上的特殊程序,它可以模拟另外一个平台所具有的特征,前者称为宿主机,后者称为目标机。模拟器
近几年来,多模移动终端得到了越来越广泛的应用。目前的研究热点是使多模终端能够同时接入多个网络,利用多种无线资源相互配合进行业务流传输。在这种通信模式下,当原有接入网络
链接预测是属性网络中常见的一类任务,即预测两个节点之间的边存在的可能性,核心在于构建有效的链接表示。传统的方法往往依靠费时费力的特征工程,但是近年来,表示学习和深度学习
在今天的开放计算环境和数据中心中,计算机系统需要根据提供服务类型的不同而划分成多个子系统进行管理和维护,各个子系统之间相互孤立,很难实现资源的共享,面对不断变化的服务需
随着用户数据重要性的增加,基于周期性备份的数据解决方案已不能满足用户数据保护的需要。连续数据保护技术(CDP)成为近年来数据保护领域的一大研究热点,它有效解决了周期性备
传统的文本分类算法在进行大规模数据的学习时效率低下,甚至无效。增量学习能使学习算法的时间和空间资源消耗保持在可以管理和控制的水平,具有较高的实用价值。现有的增量学习
对等网络研究及应用的不断发展使其吸引了越来越多的关注。基于对等网络的流媒体数据传输技术充分利用对等网络参与节点相互协作的特性,取得了很好的应用效果,对互联网络从文本
软件过程建模是指对软件过程建立模型,并且对模型建立和模型执行提供自动化支持。软件过程建模技术为软件过程的描述、表示、执行、分析、跟踪、变更以及改进提供了方法和工具
本论文所做工作是与支持向量机(Support Vector Machine-SVM)的在线增量学习、样本选择技术及新SVld分类模型相关的一些研究。   关于线性临近支持向量机(Proximal SVM-PS