容器的整合推動了服務器的挑選

虛擬化容器代表了一種相對較新的虛擬化辦法，其答應企業的開發人員和IT團隊將應用程序創建和布置為打包的代碼和依賴在一起聯系的實例——但容器同享相同的底層操作體系內核。容器關于高度可擴展的根據云的應用程序的開發和布置非常有吸引力。

與虛擬機整合一樣，核算資源將對服務器可能承載的容器數量發生直接的影響，因而用于容器的服務器應供給滿足數量的RAM和處理器內核。更多的核算資源一般會答應更多的容器。

可是很多的同步容器會給服務器帶來嚴峻的內部I/O挑戰難題。每個容器有必要同享一個通用的OS內核。這意味著可能稀有十個乃至數百個容器企圖與同一個內核進行通訊，導致操作體系推遲過大，從而可能影響容器的功能。同樣，容器一般作為應用程序組件布置，而不是完好的應用程序。這些組件容器有必要相互通訊，并根據需要進行擴展，以進步全體作業負載的功能。這會在容器之間發生巨大的——有時是不可猜測的 ——API流量。在這兩種情況下，服務器本身的I/O帶寬約束以及應用程序的架構規劃功率都會約束服務器可能成功保管的容器的數量。

當許多集裝箱化的作業負載有必要經過局域網或廣域網與服務器之外進行通訊時，網絡I / O也可能形成潛在的瓶頸。網絡瓶頸可能會下降對同享存儲的訪問速度，推遲對用戶的呼應，乃至導致作業負載過錯。考慮容器和作業負載的網絡需求，并為服務器配置滿足的網絡容量——既可所以一個快速的10 GbE端口，也可所以多個1 GbE端口，這些端口可以會集在一起，以進步速度和彈性。

大多數類型的服務器均可以保管容器，可是選用大容量容器的企業安排往往會挑選選用刀片服務器來將核算容量與丈量的I/O容量結合起來，將容器渙散到多臺刀片上以分配I/O負載。企業公司(HPE)的ProLiant BL460c Gen10服務器刀片便是這類服務器的一個比如：其擁有多達26個處理器內核和2 TB DDR4內存。

可視化和科學核算會影響企業怎么挑選服務器

圖形處理單元(GPU)越來越多地出現在服務器等級，以協助履行從大數據處理和科學核算到更多與圖形相關的使命(如建模和可視化)在內的數學密集型使命。GPU還使IT可以在遭到更好維護的數據中心中保存和處理靈敏、有價值的數據集，而不是讓數據流向簡單復制或被盜的事務終端。

一般來說，對GPU的支撐只需要在服務器中添加一款合適的GPU卡——對服務器的傳統處理器、內存、I/O、存儲、網絡或其他硬件細節幾乎沒有影響。可是，企業級服務器中包含的GPU適配器一般比可用于桌面臺式機或作業站的GPU適配器雜亂得多。事實上，GPU越來越成為刀片體系的高度專業化模塊。

例如，企業公司的圖形服務器刀片運用具有兩個GPU的Nvidia Tesla M60高速外設組件互連顯卡，4096個一致核算設備架構內核和16 GB的圖形DDR5獨立視頻RAM。圖形體系經過運用多個圖形服務器刀片來支撐多達48個GPU。很多受支撐的GPU硬件(特別是在GPU硬件也被虛擬化時)答應許多用戶和作業負載同享圖形子體系。

注：文章內容和圖片均來源于網絡，只起到信息的傳遞，不是用于商業，如有侵權請聯系刪除！