شرکت فناوری اطلاعات ابری آکو
تامین تجهیزات و راهکار های IT
تامین تجهیزات و راهکار های IT
HPE ProLiant Compute XD685 یک پلتفرم تخصصی GPU Server برای آموزش، Fine-tuning و Inference مدلهای بزرگ هوش مصنوعی است که با دو پردازنده 5th Generation AMD EPYC و انتخابی از هشت شتابدهنده NVIDIA یا AMD Instinct عرضه میشود. پشتیبانی از NVIDIA H200، B200 و B300 و AMD Instinct MI355X، حافظه DDR5، ذخیرهسازی NVMe و مدیریت HPE iLO 6، این مدل را برای AI Service Providerها، سازمانهای بزرگ و زیرساختهای Sovereign AI مناسب میکند. با این حال، انتخاب XD685 باید همراه با بررسی دقیق GPU، توان رک، شبکه پرسرعت و بهخصوص معماری خنکسازی Air یا Direct Liquid Cooling انجام شود.
HPE ProLiant Compute XD685 را بهتر است نه بهعنوان یک Rack Server عمومی، بلکه بهعنوان یک پلتفرم محاسباتی تخصصی برای زیرساختهای شتابیافته AI در نظر گرفت. معماری این سرور حول ترکیب دو CPU قدرتمند AMD EPYC، هشت GPU Accelerator، حافظه DDR5، ارتباطات PCIe Gen5 و شبکههای پرسرعت شکل گرفته است تا گرههای محاسباتی متراکم برای آموزش و اجرای مدلهای بزرگ ایجاد شوند.
HPE ProLiant Compute XD685 یک سرور 8-GPU از خانواده Compute شرکت HPE است که برای Large AI Model Training، Deep Learning، Natural Language Processing، Multimodal Training و دیگر بارهای کاری GPU-Accelerated در مقیاس بالا طراحی شده است.
در یک سرور عمومی، CPU، حافظه، ظرفیت ذخیرهسازی و اجرای طیف گستردهای از Workloadها معمولاً اولویت اصلی هستند. در XD685، معماری سیستم برای فراهمکردن توان محاسباتی شتابیافته و اتصال هشت GPU به زیرساخت شبکه و ذخیرهسازی پرسرعت بهینه شده است. به همین دلیل مقایسه آن با سرورهای استاندارد تنها بر اساس تعداد Core یا ظرفیت RAM تصویر کاملی از جایگاه محصول ارائه نمیدهد.
برای مشاهده سایر گزینههای این برند میتوانید خانواده سرورهای HPE ProLiant را بررسی کنید. XD685 در این خانواده برای سناریوهایی قرار میگیرد که تراکم GPU و پردازش AI اهمیت بسیار بیشتری از یک زیرساخت Compute عمومی دارد.
XD685 از دو پردازنده 5th Generation AMD EPYC استفاده میکند و در سمت شتابدهنده میتواند با هشت GPU سازگار در یک سیستم پیکربندی شود. این معماری برای سازمانی اهمیت دارد که بهجای استقرار چند سرور GPU کوچکتر، به Nodeهای قدرتمند و متراکم برای ساخت AI Cluster نیاز دارد.
مزیت اصلی XD685 تنها «قدرت پردازش بالا» نیست؛ بلکه هماهنگی CPU، GPU، حافظه، PCIe، شبکه، مدیریت و Cooling در یک پلتفرم متراکم است. این ویژگی برای AI Clusterهایی که Bottleneck در هرکدام از این اجزا میتواند کارایی کل سامانه را محدود کند، اهمیت زیادی دارد.
در پروژههای AI بزرگ، مقیاسپذیری فقط به اضافهکردن RAM یا Drive محدود نیست. مسئله اصلی نحوه اتصال Nodeهای GPU، Fabric، Storage و شبکه است. XD685 برای قرار گرفتن در چنین معماریهایی طراحی شده و میتواند بهعنوان واحد محاسباتی یک Cluster بزرگتر مورد استفاده قرار گیرد.
اگر هنوز در مرحله تعیین نوع GPU Server و معماری مناسب پروژه هستید، مطالعه راهنمای انتخاب GPU Server برای هوش مصنوعی میتواند پیش از تعیین کانفیگ نهایی، معیارهای تصمیمگیری را روشنتر کند.
مشخصات XD685 به کانفیگ، GPU، نوع Cooling و گزینههای انتخابی وابسته است. بنابراین جدول زیر مشخصات معماری و ظرفیتهای کلیدی پلتفرم را نشان میدهد و نباید بهعنوان مشخصات ثابت تمام SKUها تلقی شود.
| بخش | مشخصات | نکته انتخاب |
|---|---|---|
| پردازنده | 2× 5th Generation AMD EPYC | سیستم بهصورت Dual Processor پیکربندی میشود و مدل دو CPU باید یکسان باشد. |
| حافظه | 24 DIMM Slot، دوازده کانال برای هر CPU، DDR5 تا 6400 MT/s در پیکربندیهای پشتیبانیشده | سرعت عملی حافظه به CPU و نوع و نحوه Population ماژولها وابسته است. |
| GPU | 8× NVIDIA یا AMD Instinct Accelerator بر اساس کانفیگ | نوع GPU مستقیماً روی Cooling، Power و SKU مورد نیاز اثر میگذارد. |
| GPUهای شاخص | NVIDIA H200، B200، B300 و AMD Instinct MI355X | پشتیبانی دقیق باید با QuickSpecs و کانفیگ روز محصول کنترل شود. |
| فرمفکتور | 5U در نسخه DLC و 6U در نسخه Air-Cooled | فضای رک تنها معیار نیست؛ ظرفیت برق و Cooling نیز باید محاسبه شود. |
| ذخیرهسازی اصلی | 8× Hot-Plug EDSFF NVMe E3.S بهصورت پایه | با Storage Controller، اسلاتهای E3.S بیشتری در کانفیگهای پشتیبانیشده قابل استفاده است. |
| ظرفیت NVMe داخلی | تا 12× E3.S NVMe SSD در کانفیگ دارای Storage Controller | ظرفیت واقعی به Driveهای قابل سفارش و BOM نهایی وابسته است. |
| Boot | گزینههای M.2 Boot Drive با امکان RAID 1 در کانفیگهای پشتیبانیشده | تفکیک Boot Media از Data Storage برای مدیریت بهتر Node توصیه میشود. |
| PCIe | PCIe Gen5 x16 برای GPU-Attached و Fabric/NIC/DPU Expansion | تعداد و نوع اسلات قابل استفاده باید با GPU و Adapterهای انتخابی تطبیق داده شود. |
| مدیریت سرور | HPE iLO 6، BMC و Redfish API | برای مدیریت کلاستر میتوان از HPE Performance Cluster Manager استفاده کرد. |
| خنکسازی | Air Cooling یا Direct Liquid Cooling | همه GPUها الزاماً با هر دو روش Cooling قابل سفارش نیستند. |
XD685 بر پایه مادربرد دو پردازندهای AMD طراحی شده است. خانواده 5th Generation AMD EPYC گزینههایی با تعداد Core و فرکانس متفاوت ارائه میکند؛ بنابراین انتخاب CPU باید بر اساس نسبت بار CPU به GPU، نیاز Data Preprocessing، تعداد Threadهای مورد نیاز و الگوی نرمافزار انجام شود.
در بخش حافظه، سیستم 24 اسلات DIMM دارد؛ یعنی 12 اسلات و 12 کانال حافظه برای هر پردازنده. پلتفرم از DDR5 با ECC استفاده میکند و در کانفیگهای سازگار میتواند به سرعت 6400 MT/s برسد. ظرفیت و سرعت نهایی RAM باید بر اساس Processor SKU و Memory Population معتبر تعیین شود.
در یک AI Server، Storage داخلی معمولاً محل اصلی نگهداری کل Dataset سازمان نیست؛ بااینحال سرعت Local Storage برای Cache، Staging، Scratch Data، Checkpoint و عملیات محلی میتواند بسیار مهم باشد. XD685 بهصورت پایه از هشت درایو Hot-Plug EDSFF NVMe E3.S پشتیبانی میکند و در کانفیگ دارای Storage Controller امکان افزایش تعداد درایوهای E3.S وجود دارد.
ظرفیت نهایی Storage را صرفاً از روی تعداد Bayها محاسبه نکنید. نوع SSDهای قابل سفارش، Endurance، RAID، نیاز Checkpoint و معماری Shared Storage کلاستر باید همزمان در Sizing بررسی شوند.
HPE iLO 6 مدیریت سطح سرور را برای XD685 فراهم میکند و امکان پایش سلامت سیستم، مدیریت Remote و انجام بخشی از عملیات Lifecycle را در اختیار تیم زیرساخت قرار میدهد. پشتیبانی از Redfish API نیز برای Automation و یکپارچهسازی مدیریت سختافزار با ابزارهای عملیاتی اهمیت دارد.
مهمترین تصمیم هنگام طراحی HPE ProLiant Compute XD685 انتخاب Accelerator است. نسخههای فعلی این پلتفرم از گزینههای مختلف NVIDIA و AMD پشتیبانی میکنند، اما انتخاب GPU فقط تعیینکننده توان پردازش نیست؛ Cooling، مصرف برق، Fabric، نرمافزار و حتی طراحی رک نیز از آن تأثیر میپذیرند.
برای بررسی مستقل یکی از گزینههای GPU این پلتفرم، صفحه NVIDIA H200 Tensor Core GPU اطلاعات تکمیلی درباره این شتابدهنده ارائه میدهد.
انتخاب B200، B300، H200 یا MI355X باید همزمان با بررسی توان الکتریکی، نوع Cooling، Network Fabric، نرمافزار AI، ظرفیت Storage و BOM معتبر HPE انجام شود. بهخصوص در کانفیگهای Direct Liquid Cooling، آمادگی Facility بخشی از طراحی سرور است، نه یک موضوع جانبی پس از خرید.
XD685 برای هر Workload سازمانی طراحی نشده است. ارزش این سیستم در پروژههایی نمایان میشود که GPU بخش اصلی محاسبات است و حجم مدل، Dataset یا Parallel Processing استفاده از یک زیرساخت شتابیافته متراکم را توجیه میکند.
برای پروژههایی که میان HPC Cluster و GPU Cluster در حال تصمیمگیری هستند، مقاله تفاوت HPC Cluster با GPU Cluster میتواند به مشخصشدن معماری مناسبتر کمک کند.
این محصول بیشترین تناسب را با سازمانهایی دارد که Workload مشخص GPU-Accelerated دارند و میتوانند هزینه و پیچیدگی یک Node هشت-GPU را از طریق Utilization مناسب توجیه کنند. خرید XD685 صرفاً با هدف «آماده بودن برای AI» بدون تخمین بار کاری و ظرفیت مورد نیاز، رویکرد مناسبی نیست.
Enterpriseهایی که مدلهای اختصاصی توسعه میدهند، حجم بالایی از داده را پردازش میکنند یا به Fine-Tuning و Training مستمر نیاز دارند، از مخاطبان اصلی این پلتفرم هستند. در این محیطها XD685 میتواند بخشی از یک AI Factory یا Private AI Infrastructure باشد.
ارائهدهندگان سرویس GPU و AI میتوانند با استفاده از Nodeهای متراکم، منابع محاسباتی لازم برای کاربران و پروژههای مختلف را در سطح Cluster فراهم کنند. در این سناریو، علاوه بر سرور، Scheduler، شبکه، Storage و مدل تخصیص GPU اهمیت زیادی دارد.
پروژههای علمی، تحقیقاتی و مهندسی که نرمافزار آنها قابلیت استفاده مؤثر از GPU را دارد نیز میتوانند از XD685 بهره ببرند. البته پیش از خرید باید مشخص شود Workload واقعاً از معماری GPU و Multi-GPU Scale-Up/Scale-Out منتفع میشود.
برای File Server، سرویسهای عمومی سازمانی، مجازیسازی متداول، Domain Services یا Workloadهایی که استفاده مؤثری از هشت GPU ندارند، معمولاً سرورهای عمومیتر هزینه و پیچیدگی کمتری خواهند داشت. XD685 یک پلتفرم تخصصی است و باید بر اساس نیاز واقعی AI/HPC انتخاب شود.
یکی از مهمترین تفاوتهای خرید XD685 با یک سرور رکمونت معمولی، اهمیت Facility Planning است. تراکم هشت GPU و توان مصرفی بالای اجزای سیستم باعث میشود ظرفیت برق، PDU، رک، Cooling و شبکه از همان ابتدای طراحی بررسی شوند.
XD685 در پلتفرم 6U Air-Cooled و 5U Direct Liquid Cooling ارائه میشود. با این حال تمام Acceleratorها الزاماً در هر دو معماری Cooling قابل استفاده نیستند. برای نمونه، کانفیگهای جدید B200، B300 و MI355X دارای الزامات مشخص DLC هستند، در حالی که H200 در گزینههای Air یا DLC نیز دیده میشود.
کانفیگهای XD685 میتوانند از چندین منبع تغذیه پرتوان استفاده کنند و در نتیجه طراحی Rack Power باید بر اساس BOM واقعی انجام شود. جمع ساده توان اسمی PSUها نیز الزاماً معادل مصرف واقعی سرور نیست؛ برای طراحی Facility باید Maximum Power، Redundancy، نوع GPU، Utilization و محدودیتهای مدار برق بررسی شوند.
در Training توزیعشده، تنها افزایش تعداد GPU کافی نیست. اگر ارتباط Nodeها پهنای باند یا Latency مناسبی نداشته باشد، GPUهای گرانقیمت بخشی از زمان خود را منتظر تبادل داده میمانند. به همین دلیل XD685 امکان استفاده از Adapterهای پرسرعت Ethernet، InfiniBand و گزینههای DPU/Fabric را بر اساس طراحی Cluster فراهم میکند.
XD685 را باید با پلتفرمهایی مقایسه کرد که برای GPU Compute و AI طراحی شدهاند. مقایسه مستقیم آن با سرورهای CPU-Centric یا سرورهای عمومی تنها زمانی مفید است که هدف، تشخیص نیاز به یک GPU Server تخصصی در برابر یک سرور Enterprise استاندارد باشد.
HPE ProLiant Compute DL380 Gen12 یک پلتفرم عمومیتر برای طیف وسیعی از Workloadهای سازمانی است، در حالی که XD685 حول تراکم هشت GPU و AI Training در مقیاس بالا طراحی شده است. اگر اولویت اصلی مجازیسازی، Application Server یا بارهای CPU-Centric باشد، DL380 Gen12 معمولاً نقطه شروع منطقیتری است؛ اما برای AI Training متراکم، معماری XD685 تخصصیتر است.
در سبد HPE، مدلهای GPU-Optimized دیگری نیز وجود دارند و انتخاب نباید تنها بر اساس جدیدتر بودن یا تعداد GPU انجام شود. تعداد و نوع Accelerator، CPU Architecture، Cooling، Rack Density، Fabric و نرمافزار هدف باید با یکدیگر مقایسه شوند.
برای بررسی گزینههای نزدیک میتوانید مشخصات HPE ProLiant Compute DL380a Gen12 و HPE ProLiant Compute DL384 Gen12 را نیز در فرآیند انتخاب قرار دهید.
| سناریو | جهتگیری مناسب | دلیل |
|---|---|---|
| Large AI Model Training | XD685 | معماری تخصصی هشت-GPU و طراحی برای Training و Tuning در مقیاس بالا |
| Enterprise Compute عمومی | سرورهای عمومی HPE ProLiant | هزینه و انعطاف مناسبتر برای Workloadهایی که به تراکم 8-GPU نیاز ندارند |
| Private AI / AI Factory | XD685 یا پلتفرم GPU متناسب با Sizing | نیازمند بررسی مدل AI، GPU Memory، Cluster Scale و Network Fabric |
| Virtualization عمومی | سرور General-Purpose | XD685 زمانی توجیه بیشتری دارد که VMها یا Containerها واقعاً GPU-Accelerated باشند |
| GPU Cluster بزرگ | XD685 در صورت تطابق با معماری Cluster | تراکم GPU بالا همراه با قابلیت اتصال به Fabric و مدیریت کلاستر |
قیمت و کانفیگ XD685 را نمیتوان مستقل از Workload تعیین کرد. این سرور یک محصول B2B و Configuration-Driven است و تفاوت در GPU، CPU، RAM، Network Adapter، Cooling و Storage میتواند BOM نهایی و الزامات دیتاسنتر را بهطور اساسی تغییر دهد.
GPU قویتر همیشه به معنی کانفیگ بهتر نیست. Framework، کتابخانهها، Precision مورد استفاده، اندازه مدل، GPU Memory و Scale-Out Strategy باید در انتخاب لحاظ شوند. همچنین مهاجرت میان اکوسیستمهای NVIDIA و AMD میتواند ملاحظات نرمافزاری خاص خود را داشته باشد.
در یک Cluster، اگر Dataset با سرعت کافی به Nodeها نرسد یا Collective Communication میان GPUها محدود شود، افزایش تعداد Accelerator الزاماً به افزایش خطی Performance منجر نمیشود. به همین دلیل Sizing باید End-to-End باشد.
برای چنین پلتفرمی، Firmware Compatibility، Driver Stack، GPU Software، قطعات، سرویس و برنامه Lifecycle اهمیت زیادی دارند. در زمان خرید باید سطح پشتیبانی مورد نیاز سازمان و فرآیند نگهداری کلاستر نیز در کنار سختافزار مشخص شود.
در پروژههایی که نیاز به طراحی BOM، بررسی سازگاری و Sizing دقیق دارند، خدمات پردازشی و زیرساخت محاسباتی آکو میتواند برای انتخاب معماری و کانفیگ متناسب با Workload مورد استفاده قرار گیرد.
تعیین کانفیگ فقط بر اساس تعداد GPU یا بودجه اولیه میتواند به انتخاب نامتوازن منجر شود. در XD685 باید Accelerator، CPU، RAM، Local NVMe، Network Fabric، توان و Cooling بهصورت یک معماری واحد بررسی شوند.
HPE ProLiant Compute XD685 یک سرور عمومی برای تمام سازمانها نیست؛ این مدل یک پلتفرم تخصصی 8-GPU برای سازمانهایی است که Large-Scale AI Training، Fine-Tuning، Deep Learning و دیگر بارهای محاسباتی شتابیافته را در مقیاس جدی اجرا میکنند. دو پردازنده AMD EPYC نسل پنجم، حافظه DDR5، NVMe E3.S، PCIe Gen5، گزینههای NVIDIA و AMD و امکان انتخاب Air یا Direct Liquid Cooling، پایه فنی این معماری را تشکیل میدهند.
برای خرید صحیح XD685، مهمترین مرحله قبل از استعلام قیمت، مشخصکردن Workload و Sizing زیرساخت است. نوع GPU، تعداد Nodeها، شبکه، Storage، برق و Cooling باید همزمان تعیین شوند تا منابع گرانقیمت GPU با Utilization مناسب کار کنند و مسیر توسعه Cluster نیز از ابتدا قابل پیشبینی باشد.
XD685 یک سرور 8-GPU برای بارهای کاری AI در مقیاس بالا است و بهطور ویژه برای سناریوهایی مانند Large AI Model Training، Tuning، Deep Learning، NLP، Multimodal Training و دیگر محاسبات GPU-Accelerated مناسب است.
معماری XD685 برای استفاده از هشت شتابدهنده GPU طراحی شده است. نوع دقیق Accelerator به کانفیگ و نسخه محصول وابسته است و گزینههای فعلی شامل NVIDIA H200، B200، B300 و AMD Instinct MI355X میشوند.
این سرور از دو پردازنده 5th Generation AMD EPYC استفاده میکند. مدل دقیق CPU بر اساس نیاز Workload انتخاب میشود و پیکربندی XD685 بهصورت Dual Processor انجام میشود.
XD685 دارای 24 اسلات DIMM و 12 کانال حافظه برای هر پردازنده است و از حافظه DDR5 ECC پشتیبانی میکند. در کانفیگهای سازگار، سرعت حافظه میتواند تا 6400 MT/s باشد؛ سرعت و ظرفیت نهایی به CPU و Memory Population بستگی دارد.
این موضوع به GPU و کانفیگ بستگی دارد. XD685 هم در نسخه Air-Cooled و هم Direct Liquid Cooling عرضه میشود، اما برخی شتابدهندههای پرتوان مانند کانفیگهای B200، B300 و MI355X دارای الزامات مشخص DLC هستند. بنابراین Cooling باید قبل از سفارش نهایی با BOM بررسی شود.
از نظر فنی میتوان سناریوهای مختلفی روی زیرساخت قدرتمند اجرا کرد، اما XD685 برای مجازیسازی عمومی طراحی نشده است. اگر VMها به GPU Compute متراکم نیاز ندارند، معمولاً یک HPE ProLiant عمومی انتخاب اقتصادیتر و سادهتری خواهد بود.
محصولات آکو
HPE
DELL
Broadcom
خدمات آکو
بلاگ
دانلود
HPE
DELL
Broadcom
Vmware
درباره ما
ارتباط با ما
