【IT168 编译】据杰富瑞(Jefferies)最近的一份报告显示，第四次计算浪潮已经开始，它是由IoT采用并行处理作为解决方案来驱动的。导致计算发生结构性变化的主要力量可以追溯到20世纪60年代。
随着每一种转变，新解决方案的供应商往往会获得巨大的收益。第四波浪潮的最新力量是Nvidia及其HPC和人工智能(AI)并行处理平台，即GPU和CUDA编程平台。Nvidia的数据中心业务的增长——从2016财年的3.39亿美元增长到2017财年的8.30亿美元——是这一结构性转变的证明。人工智能和自动驾驶汽车对于技术和产品的需求是英伟达业务增长的关键驱动力，而这些因素可能与物联网有很大的关联。不过，物联网在安全和网络方面也有其他同样重要的要求，不能被忽视。
人工智能和并行处理的发展
让我们更深入地研究人工智能领域正在发生的结构性变化。机器学习训练、推理算法和相关技术是人工智能的基础，这些技术已经存在了几十年。对Nvidia这样的公司来说，创造了大量机会的拐点是:
·在多个行业中，大量有用的训练数据的可得性
·在硅片设计和工艺几何上的进步，使机器学习相关的并行处理具备了可接受的成本和功率分布。
随着越来越多的设备——包括不同行业的数量和类型——连接到互联网(换句话说,物联网的现象),将产生大量的有用数据，把这些数据用于机器学习,可以帮助企业改善用户体验，而这种积极影响的增长状态可以说是病毒式的。作为x86 CPU的协处理器，GPU为机器学习算法提供了大量的并行处理。GPU最初是为游戏和图形应用而设计的。除了像CUDA这样的多线程编程环境，GPU还被认为是能够最有效地执行机器学习算法的设备。
▲第四波计算浪潮将由并行处理和物联网驱动
GPU的多线程处理能够并行执行类似的任务，这对于如何最有效地执行机器学习算法来说，是至关重要的。这种处理方式与多用途的CPU(如X86和ARM)非常不同，它们针对普通软件应用程序(如web服务器和数据库处理)所需的单线程处理进行了优化。现代GPU还为大量需要通过机器学习算法处理的训练数据提供高速和高效的内存访问。
虽然多用途的CPU可以应用于机器学习算法，但无法满足计算性能的需求。随着每个晶体管成本的不断增加和新型硅工艺的出现 (也就是摩尔定律的终结)，优化的处理器如GPU已成为机器学习的必须品。
安全与5G网络将推动第四次浪潮
在IoT和第四次计算浪潮中，人工智能与网络安全在并行处理的重要性上有着明显的相似性。
我们生活的方方面面都需要无处不在的安全，而且这种需求也会因为物联网的发展而加剧。我们从最近的分布式拒绝服务(DDoS)攻击来看，如今的设备(笔记本电脑和平板电脑)是很容易被黑客入侵的，大家可以想象，在IoT大量普及的情况下(联网设备增多)，入侵范围及成功率可能也会更高。防止DDoS攻击的机制必须从外围扩展到数据中心服务器，以降低DDoS攻击的规模和速度。数据中心内传输的数据流量的增加也会使这种需求变得更强。
这种模式的第二个关键转变是对于执行网络流量遥测或阻挡恶意流量的流量可见性的需求。随着5G网络为新行业打开大门(带宽增加10X)，为电信服务提供商网络提供创新服务，这种需求将会进一步加剧。例如，各种类型的IoT传感器和自动驾驶汽车将增加智能手机等移动设备产生的数据流量。将网络分割成“片”的能力将会是确保对不同类型的流量保证正常服务水平的关键。这将对高速传输通道的分类和能见度产生要求。
Gartner预测到2019年，80%的网络流量将被加密。关键的相关技术是安全套接字层(SSL)和传输层安全(TLS)，用于保护web流量。当使用这些技术对流量进行加密时，就不可能获得所需的可见性。NSS实验室的一项研究报告说，解密防火墙设备上的SSL通信(为了获得流量的可见性)意味着对吞吐量的损失是74%，每秒的事务损失是87.8%。为了处理SSL解密引擎所需要的工作负载，需要更长的密钥来处理复杂的通信量。对延迟和相关服务级别的影响也很重要。最理想的解决方案是，在数据中心网络的外围设备中不实现这些功能，在这些设备中流量是聚合的，然后在所有服务器上分发SSL解密引擎工作负载。
使用SmartNICs扩展安全应用程序
为了在数据中心服务器上实现网络安全应用的规模、性能和效率，SmartNIC平台使用了优化的协处理器、NFP或网络流处理器。与GPU类似，NFP是多线程的，在一个芯片上有多达960个线程。类似于基于CUDA的GPU多线程编程，SmartNICs中的NFP支持使用C或更高级别的、与供应商无关的编程方法，如P4和eBPF，支持多线程编程。像GPU一样，NFP可以并行执行多个任务。与可以并行执行类似任务的GPU不同，NFP可以并行执行多个不同的任务——这是网络安全所需要的特性。
NFP支持使用多线程内存访问引擎，快速且低延迟地访问大量内存，使其能够并行处理大量复杂的信息流。最后，在人工智能领域，像Caffe这样的深度学习框架正在加速使用运行在GPU上的代码库。同样，在网络安全的世界中，分布式虚拟交换、路由、防火墙、DOS、负载平衡、其他安全性和可见性框架都使用NFPs上运行的代码库来加速。
总之，安全性和可见性的需求正在变得越来越普遍，DDoS保护和SSL或TLS解密等技术需要用COTS和数据中心服务器来实现。在这种模式下，使用协处理器的并行处理对于确保网络性能相关的服务水平和服务器的效率至关重要。类似于对人工智能的GPU等优化的协处理器的使用，对网络安全的优化协处理器将是一个主要的力量，因为第四波计算浪潮将使物联网世界得以实现。
为了实现可重新配置的架构，我们相信数据中心服务器的未来将有两个共同处理的位面——一个用于机器学习和人工智能，一个用于网络和安全。这些联合处理位面将支持创新的多线程编程环境，这些环境使用在联合处理中的硅片设计的应用程序优化特性，为服务器提供非常好的的价格性能指标。
