top of page

Pilotaż współdzielonej pamięci ETRI mierzy się z ograniczeniami serwerów

12 minut temu
10 minut(y) czytania
Image from the source report. Source: m.dongascience.com.

Oprogramowanie współdzielonej pamięci ETRI miało pozwolić serwerowi z 448 GB zainstalowanej pamięci uruchomić zadanie analizy genomu wymagające około 1,8 TB. Brakująca pojemność pochodziła z innych serwerów, a nie z kompresji ani nowo zainstalowanej pamięci. To rozróżnienie sprawia, że wynik ma znaczenie dla operatorów, których sprzęt dysponuje wolną pojemnością w niewłaściwych miejscach.

Materiał opublikowany 19 listopada 2026 r. opisuje trwający pilotaż na University of Southern California, a nie nowo uruchomioną instalację. Kluczowe pytanie brzmi, czy pożyczanie nieużywanej pamięci może pomóc istniejącym serwerom realizować użyteczne zadania, zanim operatorzy rozbudują sprzęt.

Podejście to ma precedensy, w tym badania Infiniswap University of Michigan. Wkład ETRI dotyczy tutaj wdrożenia i zarządzania zasobami w działającym środowisku badawczym. Główna alternatywa pozostaje prosta: wyposażyć poszczególne serwery w wystarczającą ilość lokalnej pamięci dla wymagających zadań. Współdzielenie podważa to założenie zakupowe, wprowadzając jednocześnie inny zestaw ograniczeń wydajnościowych i operacyjnych.

Współdzielona pamięć ETRI trafia do działającego klastra

Zgłoszony postęp to działający pilotaż, który łączy wolną pamięć z zadaniami przekraczającymi lokalną pojemność serwera.

ETRI, południowokoreański Electronics and Telecommunications Research Institute, nazywa swoje oprogramowanie EMP, od Elastic Memory Platform. Według relacji DongA Science o współdzieleniu pamięci serwerów, pilotaż działa od września 2026 r. w Center for Advanced Research Computing na USC.

Raport opisuje wdrożenie w 500-węzłowym klastrze obliczeń wysokiej wydajności, czyli grupie połączonych serwerów wykorzystywanych do wymagających obliczeń. Ujawnienie z listopada dotyczy zatem doświadczeń z istniejącą instalacją. Nie należy go odczytywać jako twierdzenia, że system po raz pierwszy stał się dostępny 19 listopada.

Przykład analizy genomu stanowi najwyraźniejszą ilustrację. Maszyna z 448 GB lokalnej pamięci miała ukończyć zadanie wymagające około 1,8 TB. EMP zapewnił dostęp do niewykorzystanej w inny sposób pamięci na połączonych maszynach.

Wynik ten rozwiązuje problem rozmieszczenia zasobów. Obciążenie potrzebowało więcej pamięci, niż zawierał serwer wykonujący zadanie, choć inne maszyny miały dostępną pojemność. Współdzielenie umożliwiło wykorzystanie tej zdalnej pojemności przez zadanie.

Nie sprawiło ono, że zapotrzebowanie zadania na pamięć zniknęło. Nie zamieniło też 448 GB pamięci fizycznej w 1,8 TB za pomocą kompresji. Dodatkowa pamięć nadal znajdowała się gdzieś w klastrze i pozostawała częścią zasobów wspierających wykonanie.

To rozróżnienie ma znaczenie, ponieważ najbardziej uderzająca liczba zachęca do prostego błędnego odczytania. Mniejszy serwer wykonujący zadanie nie musi oznaczać proporcjonalnie mniejszego całkowitego zapotrzebowania na sprzęt. Istotne pytanie brzmi, czy pożyczone zasoby pozostałyby w przeciwnym razie bezczynne.

Relacja opisuje również przygotowania do dostępu do nawet 384 TB zasobów pamięci w klastrze USC. To potencjalna baza zasobów, a nie dowód, że jedna aplikacja wykorzystała taką ilość. Dostępna pojemność i równoczesne użycie przez aplikacje są odrębnymi miarami.

Usługi research computing USC wspierają badaczy z wielu dziedzin. To środowisko nadaje pilotażowi praktyczne znaczenie wykraczające poza wąsko skonfigurowaną demonstrację. Ogólne informacje centrum o usługach nie potwierdzają jednak niezależnie zgłoszonych przez ETRI wyników wydajności.

Najmocniej uzasadniona interpretacja pozostaje konkretna: ETRI podaje, że EMP może pomóc niektórym obciążeniom badawczym przekroczyć zainstalowaną pamięć pojedynczej maszyny. Szersze twierdzenia dotyczące wydajności produkcyjnej AI wymagają dodatkowych dowodów.

Presja dotyczy kupowania na szczytowe potrzeby każdego serwera

Współdzielenie pamięci podważa założenie, że każdy serwer musi mieć wystarczającą lokalną pojemność dla swojego największego oczekiwanego obciążenia.

Operatorzy stają przed trudnym wyborem, gdy niektóre zadania przekraczają typowe konfiguracje serwerów. Mogą zapewnić większe maszyny, ograniczyć miejsca uruchamiania określonych zadań albo zmienić aplikacje. Każda opcja wpływa na sposób, w jaki istniejąca flota obsługuje użytkowników.

Zakup większej ilości lokalnej pamięci daje bezpośrednią odpowiedź. Serwer może utrzymać większą część wymagającego obciążenia blisko swoich procesorów. Jednak dobieranie rozmiaru każdej maszyny pod wyjątkowe zapotrzebowanie grozi pozostawianiem pojemności niewykorzystanej w mniej wymagających okresach.

Alternatywa ETRI zaczyna się od innego pytania. Zanim sprzęt zostanie dodany wszędzie, czy klaster może lepiej wykorzystywać pamięć zainstalowaną już gdzie indziej? Odpowiedź zależy od relacji między zapotrzebowaniem na pożyczanie a wolną pojemnością.

Klaster o nierównomiernym popycie stwarza taką możliwość. Jedno zadanie może wymagać znacznej pamięci, podczas gdy inny serwer wykorzystuje tylko część przydziału. Współdzielenie tworzy sposób na połączenie tych warunków.

Klaster o równomiernie wysokim wykorzystaniu pamięci stanowi trudniejszy przypadek. Jeśli większość maszyn potrzebuje jednocześnie swojej zainstalowanej pojemności, niewiele pozostaje do pożyczenia. Oprogramowanie może redystrybuować zasoby, ale nie może zapewnić fizycznej pojemności, która nie istnieje.

To sprawia, że wpływ puli pamięci ETRI jest pytaniem operacyjnym, zanim stanie się wnioskiem zakupowym. Operatorzy muszą zrozumieć, kiedy pamięć pozostaje bezczynna, gdzie się znajduje oraz czy wymagające zadania pojawiają się w tych okresach.

Presja spada najpierw na zespoły infrastruktury odpowiedzialne za konfigurację i alokację. Pilotaż daje im powód, by zbadać, czy granice między serwerami tworzą możliwe do uniknięcia ograniczenia. Nie dowodzi, że każdą planowaną modernizację należy odłożyć.

Użytkownicy badawczy mają inną troskę. Ich bezpośrednim celem jest ukończenie obliczenia bez gruntownego przerabiania aplikacji. Jeśli pożyczenie pamięci pozwala uruchomić istniejący program, dostępność może mieć znaczenie obok szybkości wykonania.

Nabywcy korporacyjni powinni rozdzielać te korzyści. Uczynienie wcześniej niepraktycznego zadania wykonalnym różni się od przyspieszenia zadania, które już można wykonać. Obie korzyści mogą być cenne, lecz wspierają różne decyzje inwestycyjne.

To samo rozróżnienie dotyczy jakości usług. Zadanie wykonywane dłużej może nadal dobrze służyć badaczowi, jeśli pozwala uniknąć długiego oczekiwania na wyspecjalizowany sprzęt. To możliwa korzyść operacyjna, a nie zgłoszony wynik USC dotyczący czasu oczekiwania w kolejce.

Pilotaż wywiera więc presję na kupowanie pod szczytowe zapotrzebowanie jako domyślną odpowiedź. Zachęca operatorów do mierzenia nierównowagi zasobów, zanim potraktują każdy lokalny niedobór jako niedobór całej floty.

Jednak współdzielenie uzależnia także pożyczający serwer od zasobów poza jego własną obudową. Decyzja zakupowa staje się kompromisem między dedykowaną lokalną pojemnością a skoordynowanym dostępem do szerszej puli.

Pożyczanie pamięci zmienia rozmieszczenie, nie prawa fizyki

Zgłaszana wartość EMP wynika z przenoszenia użytecznej pojemności ponad granicami serwerów, przy akceptacji kosztu zdalnego dostępu.

W praktycznym wyjaśnieniu ETRI EMP oprogramowanie pozwala serwerowi ograniczonemu pamięcią używać wolnej pamięci na innych maszynach. Zgłoszone połączenie wykorzystuje InfiniBand, technologię szybkiej sieci powszechną w środowiskach obliczeń badawczych.

Istotna zmiana dotyczy miejsca, w którym mogą znajdować się dane aplikacji. Zamiast wymagać, aby cała potrzebna pamięć znajdowała się na serwerze wykonującym zadanie, system może korzystać z połączonych maszyn. Rozszerza to zasoby dostępne dla kwalifikujących się obciążeń.

Raport podaje, że aplikacje mogą korzystać z EMP bez zmian w swoim kodzie źródłowym. Jeśli potwierdzi się to w szerszych testach, obniży to istotną barierę wdrożeniową. Badacze nie musieliby przeprojektowywać każdego programu wokół nowego modelu pamięci.

Niezmieniony kod aplikacji nie oznacza jednak niezmienionych warunków działania. Administratorzy muszą instalować, konfigurować, monitorować i wspierać system. Zgodność aplikacji jest jedną częścią wdrożenia, a nie pełną miarą nakładu operacyjnego.

ETRI miało również zintegrować EMP ze Slurm, oprogramowaniem planującym zadania i przydzielającym zasoby klastra. Łączy to współdzielenie pamięci z mechanizmami, których badacze już używają podczas zgłaszania obliczeń.

Dokumentacja planowania obciążeń Slurm opisuje alokację zasobów, wykonywanie zadań, monitorowanie i zarządzanie konkurującymi żądaniami. Funkcje te wyjaśniają, dlaczego integracja z harmonogramem ma znaczenie. Współdzielony zasób staje się bardziej użyteczny, gdy jego alokacja przestrzega istniejących zasad klastra.

Zgłoszona integracja nie określa każdego szczegółu zasad EMP. Publiczne relacje nie wyjaśniają wszystkich decyzji dotyczących pożyczania, odzyskiwania pamięci ani rozstrzygania konkurujących żądań. Szczegóły te mają znaczenie, gdy kilka obciążeń jednocześnie potrzebuje pomocy.

Podejście ma także historię badawczą. Badania Infiniswap University of Michigan, przedstawione w 2017 r., opisywały udostępnianie niewykorzystanej zdalnej pamięci niezmodyfikowanym aplikacjom.

Ten precedens pomaga umiejscowić pilotaż USC. Zdalna pamięć nie jest nowo odkrytą koncepcją. Obecna historia dotyczy tego, czy określona implementacja może użytecznie działać w ramach ustanowionej usługi obliczeniowej.

Inna ścieżka branżowa obejmuje Compute Express Link, czyli CXL, standard połączeń obsługujący procesory, rozszerzanie pamięci i akceleratory. Konsorcjum opisuje rozszerzanie pamięci CXL jako część swojego podejścia do współdzielenia zasobów.

CXL i EMP nie powinny być traktowane jako wymienne produkty. Relacja z USC opisuje programowe pożyczanie pamięci serwerów przez InfiniBand. CXL zajmuje się współdzieleniem za pośrednictwem innej architektury połączeń.

Oba rozwiązania zapewniają kontekst dla szerszego wyzwania: użyteczna pojemność nie musi pozostawać ograniczona do tradycyjnych konfiguracji serwerów. Ich wspólny cel nie dowodzi jednak równoważnych opóźnień, zgodności, nakładu wdrożeniowego ani ekonomiki.

Dla operatorów rozważających współdzieloną pamięć ETRI bezpośrednim porównaniem pozostaje lokalne provisionowanie. Utrzymywanie pamięci lokalnie pozwala uniknąć podróży przez sieć wymaganej do dotarcia do innej maszyny. Pożyczanie staje się atrakcyjne, gdy dostęp do wolnej pojemności przewyższa ten dodatkowy koszt.

Najlepszy rezultat zależy więc od obciążenia. Sposób dostępu programu do danych może wpływać na to, jak dobrze służy mu zdalna pojemność. Zgłoszony wynik analizy genomu potwierdza konkretny przypadek użycia, a nie uniwersalną przydatność.

W tym miejscu mechanizm ponownie łączy się z pytaniem biznesowym. Oprogramowanie zmienia dostęp do zainstalowanych zasobów. Nie eliminuje potrzeby decydowania, które obciążenia zasługują na dedykowaną lokalną pojemność.

Zgłoszone korzyści wymagają właściwych mianowników

Zgłoszony współczynnik 2,3 raza dotyczy wydajności na jednostkę zainstalowanej pamięci, a nie uniwersalnej poprawy szybkości aplikacji.

DongA Science opisuje osobny test obejmujący aplikację biologiczną zgłoszoną przez USC. Według tej relacji wydajność na jednostkę zainstalowanej pamięci serwera osiągnęła do 2,3 raza wynik istniejącego systemu.

Stwierdzenie to powinno pozostać powiązane z jego miarą. Nie oznacza, że każda aplikacja zakończyła działanie 2,3 raza szybciej. Nie potwierdza również takiej samej poprawy dla trenowania AI, obsługi modeli ani każdej konfiguracji serwera.

Współczynnik może się poprawić dzięki różnym kombinacjom wydajności obciążeń i alokacji zasobów. Zrozumienie wyniku wymaga dokładnej wiedzy o tym, która pojemność znajduje się w mianowniku. Bez tego szczegółu przełożenie tej wartości na prognozę zakupową staje się niewiarygodne.

Przykład analizy genomu i test aplikacji biologicznej również należy traktować odrębnie. Pierwszy ilustruje wykonanie zadania wykraczające poza pojemność lokalnej pamięci. Drugi przedstawia znormalizowany wynik wydajności.

Połączenie ich w jedno twierdzenie zawyżałoby to, co potwierdza opis. Czytelnicy nie powinni zakładać, że zadanie analizy genomu osiągnęło zgłoszony wynik 2,3 raza wyższy. Źródło opisuje odrębne testy o różnych celach.

Granica zasobów ma równie duże znaczenie. Serwer pożyczający korzysta z pamięci lokalnej oraz pojemności dostarczanej z innych miejsc. Pełna ocena efektywności powinna uwzględniać maszyny udostępniające zasoby oraz sieć zapewniającą dostęp.

Nie unieważnia to pomiaru per serwer. Ogranicza jednak wnioski, jakie mogą z niego wyciągnąć czytelnicy. Użyteczny wskaźnik nagłówkowy może nadal pozostawiać ważne pytania na poziomie całego systemu bez odpowiedzi.

Wpływ ETRI memory pooling zależy również od tego, co dzieje się z innymi zadaniami. Pożyczanie niewykorzystanej pojemności brzmi prosto, gdy maszyny udostępniające zasoby pozostają lekko obciążone. Trudniejszy przypadek pojawia się, gdy te maszyny potrzebują odzyskać swoje zasoby.

Dostępne relacje nie przedstawiają pełnego obrazu tego zachowania. Nie ustalają, jak każde konkurujące obciążenie działa podczas odzyskiwania zasobów lub zmiennego popytu. Są to otwarte kwestie operacyjne, a nie dowody konkretnej awarii.

Niezawodność zasługuje na podobną uwagę. Program korzystający ze zdalnych zasobów zależy od ich nieprzerwanej dostępności oraz od ich połączeń. Nabywcy muszą zrozumieć zachowanie systemu podczas odzyskiwania po awarii, zanim potraktują takie rozwiązanie jak dedykowaną pamięć lokalną.

Te kwestie są wymogami analitycznymi, a nie twierdzeniami, że pilotaż USC doświadczył awarii lub utraty danych. Publicznie dostępne dowody nie potwierdzają żadnego z tych zarzutów. Po prostu opisują zachowanie produkcyjne w sposób niepełny.

Powiązanie z AI również wymaga ostrożności. Cytowane przykłady dotyczą analizy genomu i obliczeń biologicznych. Nie potwierdzają bezpośrednio poprawy dla konkretnego modelu językowego ani komercyjnej usługi AI.

Pamięć akceleratorów wyznacza kolejną granicę. Procesory graficzne, czyli GPU, mają własne układy pamięci i wymagania dotyczące dostępu. Opisany eksperyment z serwerem hosta nie dowodzi, że zastępuje pamięć podłączoną do GPU.

Podobnie ukończenie wymagającego dużej ilości pamięci zadania badawczego nie dowodzi, że usługa interaktywna spełni wymagania dotyczące czasu odpowiedzi. Różne aplikacje mogą inaczej cenić pojemność, przepustowość i spójność odpowiedzi.

Według relacji zdalny dostęp wiąże się z kompromisami wydajnościowymi w porównaniu z pamięcią lokalną. Nie ustalono tu ogólnego procentu spowolnienia. Czytelnicy powinni powstrzymać się od dodawania takiej wartości lub zakładania, że kara wydajnościowa jest pomijalna.

Uzasadniony wniosek jest węższy i bardziej użyteczny. EMP ma podobno umożliwiać dostęp do istniejącej pamięci w sytuacjach, w których granice serwerów w przeciwnym razie uniemożliwiłyby użyteczną pracę. Jego wartość należy mierzyć względem pełnego zestawu zaangażowanych zasobów i wymagań usługowych.

Trzy sygnały zdecydują o kolejnym etapie pilotażu

Szersze dowody dotyczące obciążeń, zachowanie współdzielonego klastra oraz konkretne warunki wdrożenia zdecydują, czy pilotaż stanie się opcją operacyjną.

Pierwszym sygnałem jest wyjście poza początkowe przykłady. ETRI podobno planuje dalsze prace z USC obejmujące składanie genomu, analizę metagenomiczną, analizę białek oraz prognozowanie pogody.

Te zastosowania dają możliwość przetestowania różnych wzorców zapotrzebowania na pamięć. Wyniki dla nich pomogłyby pokazać, czy obecne korzyści wykraczają poza wybrane przypadki. Same nazwy aplikacji nie potwierdzają takiego rozszerzenia.

Użyteczne dalsze relacje wskazywałyby obciążenie, jego lokalną konfigurację, pożyczoną pojemność, czas wykonania oraz system porównawczy. Te szczegóły ułatwiłyby interpretację wyników bez polegania na jednej znormalizowanej wartości.

Spójne korzyści w przypadku różnorodnych obciążeń wzmocniłyby argument za szerszym wdrożeniem. Bardzo nierówne wyniki przemawiałyby za bardziej selektywną rolą. Każdy z tych rezultatów pomógłby operatorom zdecydować, gdzie pożyczanie zasobów ma zastosowanie.

Drugim sygnałem są dowody z równoczesnego użytkowania. System współdzielonej pamięci staje przed innym wyzwaniem, gdy kilka zadań jednocześnie zgłasza zapotrzebowanie na pojemność. Rywalizacja może ujawnić ograniczenia, których nie wychwytują odizolowane testy.

Operatorzy powinni szukać dowodów pokazujących zapotrzebowanie na pożyczanie wraz z dostępnością zasobów udostępnianych przez inne maszyny. Muszą także zrozumieć, jak system zachowuje się, gdy ta dostępność się zmienia. Sama średnia utylizacja nie odpowie na te pytania.

Zachowanie kolejek zapewniłoby kolejną użyteczną perspektywę. Jeśli współdzielenie pomaga wymagającym zadaniom rozpocząć się wcześniej, może to mieć znaczenie nawet wtedy, gdy zdalny dostęp zwiększa narzut wykonania. Obecne relacje nie potwierdzają jednak takiej poprawy czasu oczekiwania w kolejce.

Opublikowane wyniki z długotrwałych, mieszanych obciążeń wzmocniłyby argument operacyjny. Dowody, że korzyści znikają w okresach dużego obciążenia, zawęziłyby sytuacje, w których współdzielenie ma sens. Oba rezultaty wyjaśniłyby praktyczne granice technologii.

W przypadku ETRI EMP wyjaśnianego przez pryzmat rzeczywistych operacji decydującą kwestią jest przewidywalne zachowanie przy zmiennym zapotrzebowaniu. Administrator klastra potrzebuje czegoś więcej niż udanego obliczenia. Potrzebuje pewności, jak usługa zachowuje się w zwykłych warunkach pracy.

Trzecim sygnałem jest konkretna ścieżka wykraczająca poza USC. ETRI podobno planuje zastosowania w południowokoreańskich centrach obliczeniowych, na uniwersytetach i w instytucjach badawczych, a także komercjalizację dla centrów danych AI.

Są to plany, a nie dowody ogólnej dostępności. Opis nie potwierdza kompletnego publicznego modelu wsparcia, harmonogramu wdrożenia ani pakietu komercyjnego. Potencjalni użytkownicy nadal potrzebują tych szczegółów.

Praktyczna oferta wymagałaby jasnych wymagań dotyczących kompatybilności i zrozumiałego modelu operacyjnego. Nabywcy musieliby również wiedzieć, kto zajmuje się awariami, aktualizacjami i problemami integracyjnymi. Te obowiązki wpływają na wdrożenie nawet wtedy, gdy bazowe oprogramowanie działa.

Dodatkowe wdrożenia wzmocniłyby zaufanie, gdyby odtworzyły użyteczne rezultaty w różnych środowiskach. Zapowiedzi bez porównywalnych dowodów operacyjnych dawałyby słabsze podstawy. Ekspansja ma największe znaczenie, gdy przynosi obserwowalne wyniki.

W ciągu najbliższych kilku miesięcy te sygnały będą lepszym przewodnikiem niż szerokie twierdzenia o rozwiązaniu problemu niedoborów pamięci. Szerokość obciążeń testuje możliwość zastosowania. Wyniki współdzielonego klastra testują przewidywalność. Warunki wdrożenia sprawdzają, czy inny operator może realistycznie przyjąć system.

Żadne z nich nie wymaga założenia, że pamięć lokalna stanie się zbędna. Zamiast tego testują, czy współdzielenie zasobów zasługuje na określone miejsce obok konwencjonalnego provisioning. To konkretny standard, do którego mogą odnieść się kolejne ujawnione informacje.

Dla zespołów infrastruktury punktem wyjścia powinno być ustalenie, które zadania przekraczają lokalną pojemność oraz kiedy inne maszyny mają dostępną pamięć. Porównajcie czas ukończenia, czas oczekiwania i całkowite wykorzystanie zasobów, zanim potraktujecie wynik współdzielenia jako decyzję zakupową. Omawiając zastosowania AI, wyraźnie rozróżniajcie pamięć hosta i pamięć akceleratora.

Dla wszystkich śledzących współdzieloną pamięć ETRI kolejne użyteczne pytanie jest praktyczne: czy pożyczanie pomaga większej liczbie obciążeń kończyć się niezawodnie przy zwykłym zapotrzebowaniu klastra? Szukajcie odtwarzalnych konfiguracji, jasno zdefiniowanych wskaźników oraz dowodów uwzględniających maszyny udostępniające zasoby. Te szczegóły pokażą, czy EMP stanie się selektywnym narzędziem dla trudnych zadań, czy szerszą opcją zarządzania zasobami. Śledźcie dowody operacyjne, zamiast odczytywać pilotaż jako obietnicę, że centra danych nie potrzebują już więcej pamięci.

 
 

Zacznij bezpłatnie

Asystent AI działający przede wszystkim lokalnie, z funkcją zarządzania wiedzą osobistą

Aby zapewnić lepsze działanie AI,

remio obsługuje obecnie wyłącznie Windows 10+ (x64) i M-Chip Macs.

Twój partner AI w pracy
Zrób więcej z remio

Planuj. Twórz. Dostarczaj.
Wszystko w jednym miejscu.

bottom of page