CAE/CFD云仿真平臺（速石科技）免費試用申請  

• 我們有個   為應用定義的CAE云仿真平臺
• 集成多種CAE/CFD應用，大量任務多節點并行
• 應對短時間爆發性需求，連網即用
• 跑任務快，原來幾個月甚至幾年，現在只需幾小時
• 5分鐘快速上手，拖拉點選可視化界面，無需代碼
• 支持高級用戶直接在云端創建集群    

掃碼免費試用，送300元體驗金，入股不虧~

點擊申請試用：https://qr30.cn/BYPV8i

應用案例分享

LS-DYNA求解效率深度測評

六種規模，本地VS云端5種不同硬件配置

LS-DYNA是一個以顯式求解為主，隱式求解為輔的通用非線性動力有限元分析程序，核心是求解器。

用戶主要是高校/科研機構和航空航天、汽車、電子/高科技、船舶、土木工程、制造和生物工程等行業，包括汽車碰撞、爆炸反應，甚至主動脈人工心臟瓣膜在血液泵送通過時的復雜啟閉行為。

1976年，LS-DYNA由美國Lawrence Livermore國家實驗室的J.O.Hallquist博士主持開發。1988年，LSTC（Livermore Software Technology Corp.）公司成立，LS-DYNA開始商業化。

1996年，LSTC與ANSYS合作推出ANSYS/LS-DYNA，結合了ANSYS的前、后處理工具和LS-DYNA求解器。2019年，Ansys收購LSTC。

• 如何提高求解器的計算效率？

• 本地和云上仿真并行計算是一回事嗎？

• 什么類型的云端資源更適合跑LS-DYNA?

• LS-DYNA大規模并行計算效率優化明顯嗎？

• 在云上運行會改變用戶本地的使用習慣嗎？

今天我們通過一個實證來解答用戶在使用LS-DYNA上云過程中的這些關鍵問題。

 

用戶需求

 

某車企CAE部門建設有本地機房， 日常工作使用單機計算，不僅算得慢，且由于資源未得到統一管理，經常出現高性能機器排隊、低配機器空閑的情況，嚴重拖慢生產設計進度。

隨著公司業務的發展，CAE部門將在不久的將來面臨更大的業務壓力，部門負責人有意將部分LS-DYNA任務擴展到云端，但由于 沒有接觸過云，有很多疑問。

 

   

   

實證目標

 

1、LS-DYNA任務能否在云端有效運行？計算效率能否優化？    

2、LS-DYNA應用最適合的云端資源是哪種類型？    

3、LS-DYNA       大規模并行場景是否依然能保持線性？    

4、fastone能否進行資源統一管理，同時保持用戶本地的使用習慣？    

 

   

實證參數

 

平臺：

fastone企業版產品

 

應用：

LS-DYNA MPP版本

 

操作系統：

Linux CentOS 7.4

調度器：

SLURM

適用場景：

仿真材料在承受短時高強度載荷時的響應，如碰撞、跌落以及金屬成型過程中發生的情況

 

云端硬件配置：

計算優化型實例

通用型實例

內存優化型實例

網絡加強型實例

 

技術架構圖：

LS-DYNA支持 基于Linux、Windows和UNIX的大規模集群的并行仿真計算，分為MPP（Massively Parallel Processing）版本和SMP（Symmetric Multi-Processing）版本。

SMP版本是多個CPU之間共享相同的內存總線等資源，一般只能在單機上運行，受單機CPU性能及CPU核數限制。

MPP版本是每個CPU有獨享的內存總線等資源，CPU之間通過網絡通信交換信息，可以在計算機集群上進行計算，大幅提升計算速度。

單機和多機計算背后的詳細原理和意義在《 EDA云實證Vol.7：揭秘20000個VCS任務背后的“搬桌子”系列故事》里解釋得非常清楚。

雖然應用不同，原理是一樣的。

和Fluent一樣 ，隨著計算節點規模地增加， LS-DYNA有很明顯的節點之間數據交換造成的通信開銷，造成信息延時。 可以回顧一下《 CAE云實證Vol.5：怎么把需要45天的突發性Fluent仿真計算縮短到4天之內？》

 

下圖這張PingPong測試（顧名思義就是找一個數據包不斷地在兩個節點之間丟來丟去，像打乒乓球一樣。）能看出從16 cores到240 cores，隨著核數增加，信息延時顯著高出一個數量級。而隨著通信數據增加到一定程度，信息延時會出現爆發性增長。

為了充分解答用戶的疑惑，我們 選擇了不同類型，不同代際與不同規模的云資源，分別做了以下場景的驗證。

   

   

實證場景一：不同類型配置

本地 VS 云端計算優化型實例 VS 云端通用型實例 VS 云端內存優化型實例

 

結論：

1、同等核數下，云端計算優化型實例的表現優于通用型實例、內存優化型實例和本地計算資源；

2、隨著核數的上升，由于節點間通信開銷指數級上升，性能的提升隨著線程數增長逐漸變緩。當核數增加到128核后，云端計算優化型實例與本地資源運行相同LS-DYNA所需的時間相差無幾。

實證過程：

1、本地使用64核計算資源運算一組LS-DYNA任務，耗時439分鐘；

2、云端調度64核計算優化型實例運算一組LS-DYNA任務，耗時375分鐘；

3、云端調度64核通用型實例運算一組LS-DYNA任務，耗時506分鐘；

4、云端調度64核內存優化型實例運算一組LS-DYNA任務，耗時533分鐘；

5、本地分別使用16、32、48、64、96、128核計算資源運算同一組LS-DYNA任務，耗時分別為1404、821、566、439、321、255分鐘；

6、云端分別調度16、32、48、64、96、128核計算優化型實例運算同一組LS-DYNA任務，耗時分別為1269、662、458、375、299、252分鐘。

可以看到當核數較少時，計算優化型實例的耗時要明顯少于本地資源，但隨著核數的增加，兩者的耗時逐漸接近，尤其是在128核時，計算優化型實例幾乎已經喪失了所有的優勢。

   

   

實證場景二：不同代際，同樣類型配置

本地 VS 云端計算優化型實例 VS 新一代云端計算優化型實例

 

結論：

新款計算優化型實例運算效率相比舊款提升約15%，且價格更便宜，但同樣存在線性不足的問題。

實證過程：

1、本地分別使用16、32、48、64、96、128核計算資源運算同一組LS-DYNA任務，耗時分別為1404、821、566、439、321、255分鐘；

2、云端分別調度16、32、48、64、96、128核計算優化型實例運算同一組LS-DYNA任務，耗時分別為1269、662、458、375、299、252分鐘；

3、云端分別調度16、32、48、64、96、128核新款計算優化型實例運算同一組LS-DYNA任務，耗時分別為1088、569、391、320、255、216分鐘。

新款計算優化型實例無論是在低核數還是高核數下相比老款均有約15%的性能提升。

那么價格又如何呢？

我們來感受一下不同云廠商多款計算優化型實例的價格差異：

在同等規格下，新款的價格普遍要比舊款便宜，最低甚至接近六折。

當然，并不是所有的云端新款實例都比舊款又快又便宜。

比如我們之前在運算Amber任務時，NVIDIA Tesla K80（2014年上市）的耗時是V100（2017年上市）的約5-6倍，價格卻只有后者的三分之一。

這種時候， 我們必須在時間和金錢之間做出一些取舍。詳細可以看這里 《 生信云實證Vol.6：155個GPU！多云場景下的Amber自由能計算 》

我們有一份六大公有云廠商云服務器資源價格全方位對比報告，幫助你對主流廠商的資源價格了如指掌： 《六家云廠商價格比較：AWS/阿里云/Azure/Google Cloud/華為云/騰訊云》

同為計算優化型實例，不管新款舊款，都沒有解決LS-DYNA任務大規模并行計算不線性問題。

這個問題的解決方案在哪里？

我們看下一個場景：

   

   

實證場景三：不同規模云端擴展性驗證

本地 VS 云端計算優化型實例 VS 云端網絡加強型實例

 

 

結論：

1、在云端使用網絡加強型實例，調度128核計算資源，最多可將運算一組LS-DYNA任務的耗時縮短到135分鐘，只有本地資源和云端計算優化型實例耗時的約二分之一；

2、網絡加強型實例有效解決了LS-DYNA任務并行計算節點間通信問題，在云上展現了良好的線性擴展性。

實證過程：

1、本地分別使用16、32、48、64、96、128核計算資源運算同一組LS-DYNA任務，耗時分別為1404、821、566、439、321、255分鐘；

2、云端分別調度16、32、48、64、96、128核計算優化型實例運算同一組LS-DYNA任務，耗時分別為1269、662、458、375、299、252分鐘；

3、云端分別調度16、32、48、64、96、128核新款計算優化型實例運算同一組LS-DYNA任務，耗時分別為1088、569、391、320、255、216分鐘；

4、云端分別調度16、32、48、64、96、128核網絡加強型實例運算同一組LS-DYNA任務，耗時分別為1202、603、404、307、209、163分鐘。

從上表中可以明顯地觀察到，網絡加強型實例雖然在低核數下的表現并不起眼，但隨著核數的增加，性能提升幅度相當大，在128核的環境下相比本地資源的性能提升將近一倍，線性表現堪稱完美。

在之前的Fluent實證中，我們也驗證了這一點。

用戶的原有使用習慣需不需要改變呢？

在Fluent實證里，我們 的切入角度是任務提交方法：

通過journal標準流程化 VS Fluent應用圖形界面兩種模式，適配不同基礎的用戶類型。

這次我們換一個角度—— 數據傳輸方法和習慣。

 

用戶在本地：

不論是單機模式還是使用服務器集群，用戶只需要把數據傳到本地機器或服務器上，便可以直接跑任務，當然后面可能有IT部門會完成服務器端數據管理工作。

用戶自己使用云：

用戶將數據傳到本地機器或服務器之后，還需要在云端開啟資源、搭建環境，手動進行數據的上傳和下載。

用戶使用我們平臺：

和本地一樣，用戶只需要把數據上傳到我們的DM（Data Manager）工具上，就可以直接使用數據來跑任務了。

手動模式和自動模式的巨大差異，可以見這篇 《 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？ 》

對于用戶而言，使用我們的DM工具至少有三大優勢：

1、自動關聯集群，不改變操作習慣

用戶無需在多套認證系統之間切換，使用統一的身份認證即可傳輸數據，并自動關聯云端集群進行計算，不改變其原有的使用習慣。

2、一次上傳，多次使用
數據只需上傳一次即可多次使用，其他用戶在經過統一認證后也可隨時共享，極大提升團隊協同能力。

3、大幅提升傳輸效率

關于這點，我們在這篇《 CAE云實證Vol.2：從4天到1.75小時，如何讓Bladed仿真效率提升55倍？》里有提到， 用戶在跑Bladed任務之前需要上傳多達數百GiB的風文件。

而且，隨著任務的調整，有大量小文件需要增量上傳。在這個實證中，用戶需要上傳9600個任務文件，每個幾十MiB不等。

 

我們的DM工具能很好地滿足用戶需求，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。

   

   

實證小結

 

1、LS-DYNA任務能夠在云端有效運行，大幅提升求解效率；

2、匹配合適類型云資源，LS-DYNA應用的高效率并行性在云端同樣適用；

3、fastone的DM工具為用戶提供了簡單有效的云端數據傳輸方案，同時無需改變用戶本地使用習慣； 

4、fastone能有效進行資源的統一管理和監控。

 

  - END -

CAE/CFD云仿真平臺（速石科技）免費試用申請

我們有個【在線體驗版】，掃碼即可注冊，2 分鐘自動開通。 即刻就能獲得TOP500這種超級算力，你就不想試一下？ 你想要的我們可能都有

點擊申請試用：https://qr30.cn/BYPV8i

掃碼申請免費試用