Grid Computing, ein Nachkomme der Cloud und großer Bruder des verteilten Computing.

Stellen Sie sich Grid Computing als Schnittpunkt zweier zentraler Organisationssysteme vor: Cloud Computing und öffentliche Versorgungsunternehmen wie Elektrizität. An dieser Schnittstelle können Sie mit Grid Computing Rechenressourcen mit nutzen sicheres Web-Gateway, zentralisiert und nicht. Genau wie Sie die nahe gelegenen Energielinien für einige dieser herrlichen Elektronen nutzen würden, auf die wir uns verlassen.

Ein modernes Stromnetz wird viele Eingangsquellen haben. Kraftwerke zum Beispiel tragen viel zum Stromnetz bei, aber aufkeimende Technologien wie Sonnenkollektoren und Windmühlen demokratisieren die Stromerzeugung.

Unabhängige und handwerkliche Stromerzeuger können einen Beitrag zum Stromnetz leisten und eine Entschädigung erhalten. In einigen Fällen ist dies überschüssige Energie.

Landwirte können beispielsweise Sonnenkollektoren haben, um vor Ort billigeren Strom zu erzeugen. Der Landwirt kann jedoch keine nicht verwendeten Elektronen für die zukünftige Verwendung speichern, sodass er diese überschüssige Energie möglicherweise zurück zum Energienetz leiten kann, wo andere sie verwenden können. Die verschwendeten Elektronen einer Person sind die voll geladenen Tesla einer anderen Person.

Grid Computing ähnelt dem Stromnetz. Große und kleine Mitwirkende können das Raster erweitern. Benutzer können unabhängig vom Mitwirkenden auf das Rechenraster zugreifen und auf Dienste zugreifen.

Cloud, Grid und Distributed Computing

Um besser zu verstehen, was Grid Computing ist und welche nuancierten Unterschiede es zu Distributed Computing gibt, ist es einfacher, zunächst die Barrieren und Einschränkungen zu verstehen, die Grid Computing überwinden kann. Mit anderen Worten: Wenn wir sehen, welche Probleme Grid Computing lösen kann, können wir besser verstehen, was Grid Computing ist.

An den Grenzen des Cloud Computing leuchtet das Grid

Grid Computing ist eine Teilmenge oder Erweiterung des Cloud Computing. Kurz gesagt, Cloud Computing ist das Outsourcing von Rechenfunktionen. Mit einem allgemeinen Cloud-Dienst wie der Cloud-Datenspeicherung von Google Drive oder Dropbox kann ein Kunde seine Daten bei diesen Unternehmen speichern.

Jemand, der Cloud-Datenspeicher verwenden möchte, wählt zwischen Anbietern wie Google Drive, Dropbox und iCloud. Das Unternehmen, mit dem sie zusammenarbeiten, wäre dann ihr Anbieter von Cloud-Speicher. Kundenunterstützung, Fehlerbehebung, Abrechnung, Netzwerkinfrastruktur und alle Aspekte der Bereitstellung des Cloud-Service für den Kunden würden dann direkt und ausschließlich von dem Unternehmen stammen, das sie auswählen.

Ziemlich einfach, oder? Ein Kunde, ein Anbieter. Wir suchen jedoch nach den Einschränkungen des Cloud Computing. Wo bleiben die Vorteile von Cloud Computing unzulänglich und lassen Raum für andere Organisationsstrukturen wie Grid Computing??

Häufige Kritikpunkte des Cloud Computing:

  1. Benutzerressourcen werden an ein einzelnes SMP-System (Symmetric Multiprocessing) gebunden.
  2. Nicht verwendete Computerressourcen befinden sich im Leerlauf und sind an eine einzelne Aufgabe gebunden, bis sie abgeschlossen ist.
  3. Relativ eingeschränkte Skalierbarkeit.

Grid-Computing

Entwickeln von Cloud-Einschränkungen mit Grid Computing

Unter Berücksichtigung der Parallelen, die Grid Computing mit einem öffentlichen Versorgungsnetz aufweist, kann diese Art der Computerorganisation einige der allgemeinen Kritikpunkte, die das Cloud Computing einschränken, lindern.

Lassen Sie uns jeden dieser Ansprüche untersuchen und untersuchen, wie ein Grid-System für einen Benutzer gegenüber einem herkömmlichen Cloud-Dienst vorteilhafter sein kann.

Wolkenbegrenzung Nr. 1: Benutzerressourcen werden an ein einzelnes SMP-System (Symmetric Multiprocessing) gebunden.

Ich werde ein wirklich einfaches Beispiel verwenden, um diesen Schmerzpunkt aufzuzeigen. Es gibt einen Neurowissenschaftler, der zwei Datensätze (Satz A und Satz B) verarbeiten möchte. Diese Datenmengen sind riesig und sie muss die Aufgabe an einen Cloud-Service auslagern.

Der Cloud-Dienst hat kein Problem damit, diese Datensätze auszuführen, und sie mietet gerne einen Computer von ihnen, um ihre Datensätze zu verarbeiten. Denken Sie daran, dass ihre Datensätze exklusiv für einander sind und separat verarbeitet werden müssen.

Dies bedeutet, dass auf dem von ihr geleasten einzelnen SMP-Computer Satz A gefolgt von Satz B ausgeführt wird. Ihr einzelner Computer kann nicht beide Datensätze gleichzeitig verarbeiten.

Keine große Sache, die Cloud-Maschinen, die sie geleast hat, sind sehr robust und reißen die riesigen Datensätze in jeweils weniger als ein paar Stunden durch. Die Verarbeitung der Daten dauert für den Wissenschaftler weniger als eine volle Nachtruhe.

Was passiert nun, wenn sie dieselbe Verarbeitung durchführen muss, jedoch für 100 Datensätze? Ihr Budget gibt ihr immer noch nur genug Geld, um auf eine Cloud-SMP-Maschine zuzugreifen. Als Naturwissenschaftlerin rechnet sie schnell und stellt fest, dass die Verarbeitung all dieser Daten fast zwei Wochen dauern wird!

Netzvorteil: Derselbe Wissenschaftler mit zwei Datensätzen (Satz A und Satz B) könnte stattdessen einen Netzdienst nutzen. Anstatt dass die Wissenschaftlerin eine einzelne SMP-Maschine von einem Cloud-Dienst mietet, greift sie auf das Computer-Grid zu und mietet die erforderliche Rechenleistung.

Die beiden Datensätze werden gleichzeitig verarbeitet. Möglicherweise von zwei Maschinen, die jeweils entweder einem Datensatz zugeordnet sind, oder von Tausenden von Maschinen, die die Datensätze jeweils fraktioniert verarbeiten. Unabhängig davon werden die Daten parallel zueinander verarbeitet. Was zuvor in zwei Chargen sechs Stunden gedauert hat, dauert jetzt in einer Charge drei Stunden.

Einhundert Datensätze? Theoretisch würde dies nur drei Stunden dauern, da jeder Datensatz nebeneinander verarbeitet wird.

Wolkenbegrenzung Nr. 2: Nicht verwendete Computerressourcen befinden sich im Leerlauf und sind an eine einzelne Aufgabe gebunden, bis sie abgeschlossen ist.

Der von ihr gemietete Cloud-Service, der das obige Beispiel einer Neurowissenschaftlerin erweitert, verarbeitete ihre Datensätze nacheinander unabhängig voneinander.

Während der Verarbeitung beider Datensätze stellte die Wissenschaftlerin fest, dass ihre gemietete Hardware nur zu 80 Prozent ausgelastet ist. Die verbleibenden 20 Prozent reichen nicht aus, um den zweiten Datensatz zu verarbeiten, sondern warten untätig auf die nächste Aufgabe.

Netzvorteil: Durch die Kommerzialisierung der Rechenleistung kann eine einzelne Aufgabe auf mehreren Maschinen ausgeführt werden. Im Fall der Datensätze des Wissenschaftlers könnte ein Rastersystem die Daten in einer Reihe von Kombinationen zwischen Maschinen verarbeiten.

Beispielsweise werden die beiden Datensätze zwei Computern im Raster zugewiesen, die jeweils 80 Prozent der Maschine verwenden, auf der sie verarbeitet werden. Die restlichen 20 Prozent würden nicht untätig bleiben, sondern ein anderer Benutzer des Rasters erfasst es. Diese Nutzung der Leerlaufkapazität ist ein wichtiger Bestandteil der Stärken des Grid Computing.

Wolkenbegrenzung # 3: Relativ eingeschränkte Skalierbarkeit

Es ist nicht zu leugnen, dass die Fähigkeiten des Cloud Computing exponentiell größer sind als die der meisten lokalisierten Maschinen. Durch die mehreren Ebenen des Cloud-Stacks konnten viel mehr Teilnehmer als je zuvor auf dem gesamten Feld teilnehmen.

Darüber hinaus bietet Cloud Computing im Vergleich zur Selbstverwaltung derselben Dienste viele Skalierungsvorteile. Sozusagen Cloud Computing ebenfalls Eine eingeschränkte Skalierbarkeit mag paradox erscheinen.

Im Vergleich zu Cloud Computing ist eine Skalierung in einem Grid jedoch noch besser möglich. Dies ist teilweise auf die Modularität des Grid-Computing sowie auf die effizientere Nutzung nicht genutzter Ressourcen zurückzuführen.

Netzvorteil: Unabhängig davon, ob Sie dazu beitragen oder es verwenden, kann die Skalierung Ihrer Aufgabe in einem Grid-Computing-System so einfach sein wie die Installation eines Grid-Clients auf zusätzlichen Computern.

Im Fall der Neurowissenschaftlerin konnte sie ihre Anforderungen von zwei Datensätzen auf 100 Datensätze im selben Zeitraum und mit demselben Budget skalieren.

Distributed Computing oder Grid Computing?

Beide! Naja, so ungefähr.

Im Gespräch ist es ziemlich üblich, Raster zu verwenden und austauschbar zu verteilen. Grundsätzlich beziehen sich beide Begriffe auf ziemlich ähnliche Konzepte. Sie sind beide Systeme zum Organisieren und Vernetzen von Rechenressourcen.

Wenn Sie jedoch wirklich Haare spalten möchten, ist Grid Computing die Gesamtsammlung verteilter Netzwerke. Grid Computing selbst ist ein verteiltes Netzwerk verteilter Netzwerke. Meta genug für dich?

Wie geht es weiter mit Grid Computing?

Dies war ein sehr makroökonomisches Verständnis von Grid Computing. In Wirklichkeit handelt es sich um ein facettenreiches System zur Organisation einer Reihe dynamischer und individueller Teile, um sie optimal zu nutzen. Jede Komponente des Rechennetzes ist komplex und nützlich, ähnlich wie die mehreren Teile, die in einem öffentlichen Stromnetz benötigt werden.

Ähnlich wie bei einem öffentlichen Versorgungsunternehmen ist die Funktionsweise ein Tier für sich. Die wirkliche Auswirkung ist jedoch die allgemeine Zugänglichkeit. Denn wie ein öffentliches Versorgungsunternehmen wird Grid Computing zunehmend zu einem Plug-and-Play-Dienst.

Die nächste Entwicklung des Grid Computing ist wahrscheinlich in der Blockchain. Grid Computing setzt voraus, dass sich mehrere Stakeholder gegenseitig vertrauen. Projekte wie Cosmos Network schaffen bereits dezentrale Grid-Systeme, die die Interoperabilität des Netzwerks fördern und die Leistung eines Grid-Computing-Netzwerks nutzen.

Mike Owergreen Administrator
Sorry! The Author has not filled his profile.
follow me