شرکت فناوری اطلاعات ابری آکو
تامین تجهیزات و راهکار های IT
تامین تجهیزات و راهکار های IT
HPE ProLiant Compute DL384 Gen12 یک سرور رکمونت 2U مبتنی بر معماری NVIDIA Grace Hopper است که برخلاف سرورهای عمومی ProLiant، برای بارهای کاری شتابیافته و حافظهمحور طراحی شده است. این پلتفرم از یک NVIDIA GH200 یا پیکربندی دو Superchip با NVIDIA GH200 NVL2 پشتیبانی میکند و در کانفیگ دوگانه تا 1248GB حافظه Coherent در اختیار بارهای کاری AI، استنتاج مدلهای زبانی بزرگ، RAG، شبیهسازی علمی و HPC قرار میدهد. بنابراین DL384 Gen12 را نباید یک سرور Xeon عمومی در نظر گرفت؛ مزیت اصلی آن یکپارچگی نزدیک CPU مبتنی بر Arm و GPU Hopper، پهنای باند بالای حافظه و معماری مخصوص Accelerated Computing است.
HPE ProLiant Compute DL384 Gen12 یک سرور Accelerated Computing از خانواده ProLiant است که HPE آن را بهطور مشخص برای پردازشهای AI و HPC طراحی کرده است. تفاوت بنیادی این مدل با بسیاری از سرورهای رکمونت متداول در این است که معماری محاسباتی آن حول NVIDIA GH200 Grace Hopper Superchip شکل گرفته و CPU و GPU را با اتصال پرسرعت NVIDIA NVLink-C2C در یک معماری منسجم قرار میدهد.
در نتیجه، ارزش DL384 Gen12 صرفاً در تعداد هسته CPU یا تعداد اسلاتهای توسعه خلاصه نمیشود. هدف اصلی این سیستم کاهش گلوگاه انتقال داده میان CPU و GPU و فراهم کردن فضای حافظه بزرگ برای Workloadهایی است که مدل یا Dataset آنها به حافظه و پهنای باند قابل توجهی نیاز دارد.
NVIDIA GH200 Grace Hopper Superchip یک معماری Accelerated Computing است که Grace CPU مبتنی بر Arm و Hopper GPU را از طریق NVLink-C2C به یکدیگر متصل میکند. این طراحی برای Workloadهایی ساخته شده که تعامل سریع میان CPU، GPU و حافظه اهمیت بالایی دارد.
اگر هدف شما بررسی کلیتر پلتفرمهای این برند است، صفحه محصولات HPE ProLiant Servers مسیر مناسبی برای مقایسه DL384 با سایر سرورهای HPE است.
مهمترین ویژگی DL384 Gen12 معماری محاسباتی آن است. این سرور میتواند با یک NVIDIA GH200 یا با دو Superchip در معماری NVIDIA GH200 NVL2 عرضه شود. در حالت دوگانه، دو Grace CPU و دو Hopper GPU در اختیار سیستم قرار میگیرند و ارتباط پرسرعت میان اجزای محاسباتی، اجرای Workloadهای حافظهمحور را تسهیل میکند.
هر NVIDIA GH200 از یک Grace CPU با 72 هسته Arm Neoverse V2 استفاده میکند. در پیکربندی GH200 NVL2، مجموع تعداد هستههای CPU به 144 هسته میرسد. بنابراین اطلاعاتی که DL384 Gen12 را به پردازندههای Intel Xeon Scalable نسل پنجم نسبت میدهند، با معماری رسمی این محصول مطابقت ندارند.
بخش GPU بر پایه معماری NVIDIA Hopper ساخته شده است. هر Superchip میتواند تا 144GB حافظه HBM3e ارائه دهد و پهنای باند حافظه GPU در مشخصات رسمی تا حدود 4.9TB/s برای یک GH200 اعلام شده است. در پیکربندی دوگانه، ظرفیت HBM3e به 288GB و پهنای باند تجمیعی آن تا 9.8TB/s میرسد.
هر Superchip میتواند تا 480GB حافظه LPDDR5X در بخش CPU و تا 144GB HBM3e در بخش GPU داشته باشد؛ یعنی حداکثر 624GB حافظه سریع در هر Superchip. پیکربندی دوگانه DL384 Gen12 در مجموع تا 1248GB حافظه Coherent ارائه میدهد.
در Workloadهای AI و HPC، فقط قدرت خام GPU تعیینکننده نیست. اندازه مدل، Dataset، الگوی دسترسی به حافظه و حجم جابهجایی داده میان CPU و GPU میتواند به گلوگاه تبدیل شود. معماری Grace Hopper با ایجاد ارتباط بسیار پرسرعت میان CPU و GPU برای کاهش این محدودیت طراحی شده است.
مزیتهای DL384 Gen12 زمانی معنا پیدا میکنند که آن را بهعنوان یک سرور تخصصی Accelerated Computing ارزیابی کنیم. این مدل برای جایگزینی هر سرور رکمونت عمومی ساخته نشده است؛ بلکه برای مجموعه مشخصی از Workloadهای سنگین و حافظهمحور ارزش بالاتری ایجاد میکند.
مشخصات دقیق DL384 Gen12 به پیکربندی انتخابی وابسته است. جدول زیر مهمترین مشخصات قابل اتکا برای ارزیابی اولیه این سرور را نشان میدهد؛ در مرحله سفارش باید SKU، تعداد Superchip، Drive Configuration، کارتهای شبکه و Power Configuration بهصورت جداگانه Sizing شوند.
| مشخصه | جزئیات |
|---|---|
| فرم فاکتور | سرور رکمونت 2U با خنکسازی Air-Cooled |
| Superchip | NVIDIA GH200 Grace Hopper Superchip |
| تعداد Superchip | یک GH200 یا دو GH200 در پیکربندی NVIDIA GH200 NVL2 |
| CPU هر Superchip | NVIDIA Grace CPU با 72 هسته Arm Neoverse V2 |
| GPU هر Superchip | NVIDIA Hopper GPU |
| حافظه CPU | تا 480GB LPDDR5X برای هر Superchip |
| حافظه GPU | تا 144GB HBM3e برای هر Superchip |
| حافظه کل هر Superchip | تا 624GB حافظه سریع |
| حداکثر حافظه Coherent سیستم | تا 1248GB در پیکربندی دو Superchip |
| پهنای باند HBM | تا 4.9TB/s برای یک GH200 و تا 9.8TB/s در پیکربندی دوگانه |
| ارتباط CPU و GPU | NVIDIA NVLink-C2C؛ تا 900GB/s برای هر Superchip |
| اسلات توسعه | بسته به کانفیگ، تا چهار دستگاه پرسرعت PCIe Gen5 x16 |
| OCP | پشتیبانی از OCP 3.0 در کانفیگهای منتخب |
| ذخیرهسازی داخلی | تا 8 درایو EDSFF NVMe Gen5 |
| حداکثر ظرفیت داخلی اعلامشده | تا 122.8TB با 8× 15.36TB NVMe، بسته به Drive Configuration |
| RAID سختافزاری | HW RAID Controller برای درایوهای M.2 و EDSFF NVMe در این نسل پشتیبانی نمیشود |
| مدیریت | HPE iLO 6 / HPE iLO Standard و گزینه HPE iLO Advanced |
| منبع تغذیه | تا چهار HPE Flex Slot Titanium Hot Plug PSU با توان 1800W تا 2200W؛ آرایش دقیق وابسته به کانفیگ |
این مدل یک سرور Intel Xeon با DIMMهای DDR5 و ذخیرهسازی ترکیبی SAS/SATA/NVMe نیست. معماری رسمی DL384 Gen12 بر NVIDIA Grace Hopper، حافظه LPDDR5X و HBM3e و ذخیرهسازی NVMe استوار است. هنگام مقایسه یا سفارش، این تفاوت بنیادی باید مبنای تصمیمگیری قرار گیرد.
DL384 Gen12 از حداکثر 8 درایو EDSFF NVMe Gen5 پشتیبانی میکند. در QuickSpecs رسمی، حداکثر ظرفیت داخلی با استفاده از هشت SSD با ظرفیت 15.36TB حدود 122.8TB اعلام شده است. این طراحی با ماهیت AI/HPC سرور همخوان است؛ جایی که Latency و Throughput ذخیرهسازی میتوانند مستقیماً بر Pipeline داده اثر بگذارند.
برخلاف متنهای عمومی درباره سرورهای سازمانی، نباید برای این مدل پشتیبانی SAS و SATA را بدون توجه به QuickSpecs فرض کرد. همچنین Hardware RAID Controller برای M.2 و EDSFF NVMe در این نسل پشتیبانی نمیشود؛ بنابراین معماری حفاظت داده و Storage باید متناسب با نرمافزار، سیستمعامل و زیرساخت بیرونی طراحی شود.
بسته به Factory Configuration، سیستم میتواند از اسلاتهای PCIe Gen5 x16 و در برخی ترکیبها OCP 3.0 استفاده کند. این ظرفیت توسعه برای نصب آداپتورهای شبکه پرسرعت و اتصال سرور به AI Fabric اهمیت دارد.
HPE برای DL384 Gen12 گزینههای NVIDIA InfiniBand، Ethernet و BlueField را در نظر گرفته است. در کلاسترهای AI، انتخاب میان Ethernet و InfiniBand نباید صرفاً بر اساس سرعت اسمی انجام شود؛ Topology، تعداد Nodeها، الگوی ارتباط GPUها، Latency و معماری Scale-Out نیز باید در Sizing بررسی شوند.
قرار گرفتن DL384 در خانواده HPE ProLiant باعث میشود تیم زیرساخت در کنار معماری NVIDIA، به قابلیتهای مدیریتی شناختهشده HPE نیز دسترسی داشته باشد. این موضوع در محیط Enterprise اهمیت دارد؛ زیرا سرور AI علاوه بر Performance باید از منظر Firmware، Monitoring، Remote Management و Lifecycle نیز قابل کنترل باشد.
DL384 Gen12 از HPE iLO 6 برای مدیریت سیستم استفاده میکند. iLO امکان دسترسی مدیریتی، پایش وضعیت سختافزار و مدیریت Lifecycle را در اختیار تیم IT قرار میدهد. برخی قابلیتهای تکمیلی نیز به سطح لایسنس iLO وابسته هستند و باید هنگام سفارش بررسی شوند.
HPE در این پلتفرم از Silicon Root of Trust در معماری امنیتی ProLiant استفاده میکند. TPM 2.0 نیز روی System Board تعبیه شده است و میتواند در سناریوهای مرتبط با حفاظت کلیدها و قابلیتهای امنیتی سیستمعامل مورد استفاده قرار گیرد.
در یک AI Infrastructure واقعی، امنیت Firmware و Boot Chain تنها بخشی از طراحی است. کنترل دسترسی مدیریتی، جداسازی شبکه، امنیت Dataset، مدیریت Credentialها، Patch Management و سیاستهای امنیتی سیستمعامل و AI Stack نیز باید همزمان طراحی شوند.
این سرور زمانی ارزش بیشتری ایجاد میکند که Workload واقعاً بتواند از GPU Hopper، فضای حافظه بزرگ و ارتباط سریع CPU/GPU بهره ببرد. برای بسیاری از Workloadهای عمومی Enterprise، سرورهای CPU-centric متداول میتوانند انتخاب اقتصادیتر و انعطافپذیرتری باشند.
برای بررسی معیارهای عمومی انتخاب زیرساخت GPU میتوانید راهنمای انتخاب GPU Server برای هوش مصنوعی را نیز مطالعه کنید.
نام DL384 ممکن است این تصور را ایجاد کند که این مدل صرفاً نسخهای قدرتمندتر از DL380 است، اما تفاوت معماری بسیار بنیادیتر است. DL384 Gen12 یک پلتفرم تخصصی Grace Hopper برای Accelerated Computing است، در حالی که مدلهای عمومیتر خانواده ProLiant برای طیف وسیعتری از Workloadهای Enterprise طراحی شدهاند.
اگر اولویت سازمان مجازیسازی عمومی، Application Server، سرویسهای سازمانی یا Workloadهای متداول CPU محور باشد، HPE ProLiant Compute DL380 Gen12 معمولاً نقطه مقایسه منطقیتری است. DL384 زمانی اهمیت پیدا میکند که AI Acceleration، GPU Memory و معماری Grace Hopper جزو نیازهای اصلی پروژه باشند.
سازمانهایی که در حال انتخاب یک پلتفرم GPU-centric هستند، بهتر است HPE ProLiant Compute DL380a Gen12 را نیز در Shortlist قرار دهند. تفاوت معماری GPU، نوع شتابدهنده، ظرفیت حافظه، Software Stack و نوع Workload باید مبنای انتخاب باشد؛ نه صرفاً تعداد GPU یا نسل سرور.
| نیاز اصلی | رویکرد مناسبتر برای بررسی |
|---|---|
| مجازیسازی و Workload عمومی سازمانی | بررسی سرورهای عمومی HPE ProLiant مانند DL380 Gen12 |
| AI Inference حافظهمحور و LLM | DL384 Gen12 یکی از گزینههای تخصصی قابل بررسی است |
| RAG و مدلهای نیازمند فضای حافظه بزرگ | مزیت معماری GH200 و حافظه Coherent اهمیت بیشتری پیدا میکند |
| HPC و Simulation شتابیافته | DL384 Gen12 میتواند متناسب با Software Stack ارزیابی شود |
| AI Training در مقیاس بزرگ | نیازمند مقایسه دقیق با سایر GPU Serverها و معماری Cluster است |
خرید DL384 Gen12 بیش از انتخاب یک Part Number است. نوع Workload، اندازه مدل، تعداد کاربر، معماری Cluster، ظرفیت Storage، شبکه و حتی شرایط محیطی دیتاسنتر میتوانند کانفیگ مناسب را تغییر دهند.
ابتدا باید مشخص شود سرور برای LLM Inference، RAG، HPC، Simulation یا Workload دیگری استفاده خواهد شد. اندازه مدل، Precision، Batch Size، تعداد Concurrent Userها و Dataset روی Sizing اثر مستقیم دارند.
دو Superchip همیشه به معنای انتخاب اقتصادیتر نیست. اگر Workload از ظرفیت حافظه و توان پیکربندی دوگانه استفاده نکند، هزینه، مصرف انرژی و الزامات زیرساختی بالاتر ممکن است توجیه نداشته باشد. Benchmark یا PoC نزدیک به Workload واقعی، تصمیم دقیقتری ایجاد میکند.
در استقرار چند Node، عملکرد سرورها بدون Fabric مناسب قابل ارزیابی نیست. سرعت Adapter، InfiniBand یا Ethernet، نوع کابل، Switch Architecture، Oversubscription و الگوی ارتباط Nodeها باید بهصورت یکپارچه طراحی شوند.
یک سیستم دو GH200 میتواند بار حرارتی و مصرف توان قابل توجهی داشته باشد. HPE برای سیستم کاملاً پیکربندیشده GH200 NVL2 حداکثر Heat Dissipation حدود 3048 وات را در مشخصات فنی ذکر میکند. بنابراین ظرفیت PDU، Rack Power، تهویه و دمای ورودی باید پیش از استقرار بررسی شوند.
طبق QuickSpecs، برای DL384 Gen12 کیت Field Upgrade جهت تغییر تعداد Superchip، Drive، PCIe یا OCP Slot ارائه نشده و HPE تغییر این موارد خارج از محیط کنترلشده کارخانه را پشتیبانی نمیکند. در نتیجه انتخاب Configuration اولیه اهمیت بیشتری از یک سرور عمومی با قابلیت ارتقای گسترده در محل دارد.
DL384 Gen12 را صرفاً بر اساس عبارتهایی مانند «سرور AI» یا «دو GPU» انتخاب نکنید. اندازه مدل، نیاز حافظه، Software Compatibility، Network Fabric، Storage Throughput، توان الکتریکی و مسیر توسعه آینده باید همزمان بررسی شوند.
برای پروژههایی که به طراحی یا Sizing تخصصی نیاز دارند، خدمات پردازشی و زیرساخت محاسباتی آکو میتواند برای بررسی معماری، انتخاب کانفیگ و تطبیق زیرساخت با Workload مورد استفاده قرار گیرد.
HPE ProLiant Compute DL384 Gen12 یک سرور عمومی برای تمام سناریوهای دیتاسنتر نیست و دقیقاً همین موضوع جایگاه آن را روشن میکند. این سیستم برای سازمانهایی طراحی شده است که به NVIDIA GH200 Grace Hopper، حافظه Coherent بزرگ، پهنای باند بالای HBM3e و یک پلتفرم متراکم 2U برای AI یا HPC نیاز دارند.
پشتیبانی از یک یا دو GH200، حداکثر 1248GB حافظه Coherent، NVMe Gen5، PCIe Gen5، شبکههای پرسرعت و مدیریت HPE iLO 6، آن را به گزینهای جدی برای AI Inference، RAG، شبیهسازی و محاسبات حافظهمحور تبدیل میکند. در مقابل، برای مجازیسازی عمومی یا Workloadهای CPU-centric، بهتر است ابتدا مدلهای عمومیتر خانواده ProLiant بررسی شوند.
DL384 Gen12 از NVIDIA Grace CPU در قالب GH200 Grace Hopper Superchip استفاده میکند. هر Grace CPU دارای 72 هسته Arm Neoverse V2 است. این مدل بر پایه Intel Xeon Scalable ساخته نشده است.
هر NVIDIA GH200 شامل یک Hopper GPU است. سرور میتواند با یک GH200 یا دو GH200 در پیکربندی NVIDIA GH200 NVL2 عرضه شود؛ بنابراین بسته به کانفیگ، یک یا دو Hopper GPU در اختیار سیستم قرار میگیرد.
هر GH200 میتواند تا 480GB LPDDR5X و 144GB HBM3e داشته باشد. در پیکربندی دو Superchip، مجموع حافظه Coherent سیستم میتواند به 1248GB برسد.
معماری ذخیرهسازی داخلی این مدل بر NVMe متمرکز است و HPE برای آن حداکثر 8 درایو EDSFF NVMe Gen5 را مشخص کرده است. نباید قابلیتهای SAS/SATA سرورهای عمومی ProLiant را بهصورت خودکار به DL384 تعمیم داد.
این سرور میتواند در برخی سناریوهای Training و Fine-tuning مورد استفاده قرار گیرد، اما یکی از نقاط قوت اصلی آن Workloadهای حافظهمحور، AI Inference، RAG و HPC است. برای Training در مقیاس بزرگ باید تعداد Nodeها، نوع مدل، Fabric و سایر GPU Serverهای قابل انتخاب نیز مقایسه شوند.
نوع Workload، اندازه مدل، ظرفیت حافظه مورد نیاز، تعداد Superchip، Storage، Network Fabric، سیستمعامل و Software Stack، توان و خنکسازی رک و همچنین مسیر Scale-Out باید پیش از نهایی کردن Configuration بررسی شوند.
محصولات آکو
HPE
DELL
Broadcom
خدمات آکو
بلاگ
دانلود
HPE
DELL
Broadcom
Vmware
درباره ما
ارتباط با ما
