搭載自研處理器Amazon Graviton2的Amazon EC2 X2gd全面可用

日前，亞馬遜云科技宣布，新一代內(nèi)存優(yōu)化實例Amazon Elastic Compute Cloud(Amazon EC2)X2gd實例已全面可用，它由亞馬遜云科技自研的基于Arm構(gòu)架的 Graviton2處理器提供支持。新的X2gd實例與當前基于x86的X1實例相比，性價比提升可高達55%；而與其它基于Graviton2的實例相比，每個vCPU配置的內(nèi)存容量更大。X2gd實例兼具更高的性能和更大的內(nèi)存，使客戶能夠更高效地運行內(nèi)存密集型工作負載，例如內(nèi)存數(shù)據(jù)庫、關(guān)系型數(shù)據(jù)庫、電子設(shè)計自動化（EDA）工作負載、實時分析和實時緩存服務(wù)器等。使用X2gd實例沒有最低承諾消費或預(yù)付費用，客戶只需按使用量支付費用。

由亞馬遜云科技設(shè)計的、基于Arm架構(gòu)的Amazon Graviton2處理器自2020年5月上市以來，提供支持的Amazon EC2實例已經(jīng)廣泛應(yīng)用于各種工作負載，比當前基于x86的實例提高了多達40%的性價比。眾多已經(jīng)使用基于Amazon Graviton2實例的客戶，包括Domo、F1方程式賽車、Honeycomb.io、Intuit、LexisNexis Risk Solutions、尼爾森、NextRoll、Redbox、SmugMug、Snap和Twitter等，均獲得了顯著的性能提升和成本節(jié)約。此外，亞馬遜云科技的熱門服務(wù)，包括Amazon Elastic Container Service、Amazon Elastic Container Registry、Amazon Elastic Kubernetes Service、Amazon CodeBuild、Amazon CodeCommit、Amazon CodePipeline、Amazon CodeDeploy、Amazon CloudWatch、Amazon ElastiCache和Amazon Elastic Map Reduce，現(xiàn)在都支持基于Amazon Graviton2的實例，Amazon EC2實例方面可以獲得40%的性價比提升。隨著操作系統(tǒng)廠商、獨立軟件廠商對Arm處理器的支持力度不斷加大，Arm處理器已經(jīng)成為主流?？蛻粝Ｍ肎raviton2處理器的性能和成本節(jié)約優(yōu)勢，將其應(yīng)用到更多的工作負載中，包括對每vCPU配置內(nèi)存要求更高的、更苛刻的工作負載。此外，還有一些客戶想利用更大的內(nèi)存來增加他們在Amazon EC2實例上運行的容器數(shù)量，以減少計算方面的整體支出。

當前，客戶使用內(nèi)存優(yōu)化的、由Amazon Graviton2支持的R6g實例（與當前基于x86的R5實例相比，其性價比可提高多達40%），來優(yōu)化如關(guān)系型數(shù)據(jù)庫和大數(shù)據(jù)分析等工作負載的性能和成本。對于內(nèi)存數(shù)據(jù)庫這樣需要占用更大內(nèi)存的工作負載，客戶通常會使用基于x86的X1實例，與R6g實例相比，X1實例為每個vCPU提供2倍內(nèi)存。新的X2gd實例每vCPU提供的內(nèi)存容量與X1實例相同，但與基于x86的X1實例相比，性價比最多可提高55%。X2gd實例每GB內(nèi)存成本是所有Amazon EC2實例中最低的，能支持內(nèi)存數(shù)據(jù)庫（如Redis、Memcached等）、關(guān)系型數(shù)據(jù)庫（如MySQL、PostGreSQL等）、數(shù)據(jù)倉庫應(yīng)用（如Amazon Redshift）和電子設(shè)計自動化(EDA)等工作負載。此外，為提高應(yīng)用的可移植性和基礎(chǔ)設(shè)施效率，越來越多的客戶在亞馬遜云科技上運行容器，X2gd實例使他們有可能在單個實例上捆綁更多的內(nèi)存密集型容器化應(yīng)用，從而降低其總擁有成本。

亞馬遜云科技負責(zé)Amazon EC2的副總裁David Brown表示，“事實證明，Graviton2處理器非常受客戶歡迎，因為它們在性能上有很大提升，同時還能顯著降低各種工作負載的成本。新的X2gd實例與當前X1相比，性價比最多可提升55%；與最新的Graviton2 R6g實例相比，每個vCPU的內(nèi)存增加了一倍。同時X2gd實例每GB內(nèi)存成本是我們以往Amazon EC2中最低的。X2gd實例使客戶能夠?qū)⑵鋬?nèi)存密集型工作負載整合到vCPU更少的實例上，實現(xiàn)革命性的性能提升和成本節(jié)約?！?/p>

X2gd進一步豐富了Amazon Graviton2支持的Amazon EC2實例組合，之前的實例包括M6g/M6gd、C6g/C6gd/C6gn、R6g/R6gd和T4g。X2gd實例也得益于使用亞馬遜云科技Nitro系統(tǒng)。該系統(tǒng)集合了亞馬遜云科技的硬件和軟件設(shè)計創(chuàng)新，可簡化多租戶隔離、私有網(wǎng)絡(luò)和快速本地存儲的交付。X2gd實例有按需、Savings Plans、預(yù)留實例或Spot實例幾種定價方式。X2gd實例最先在美國東部（弗吉尼亞北部）區(qū)域、美國東部（俄亥俄）區(qū)域、美國西部（俄勒岡）區(qū)域和歐洲（愛爾蘭）區(qū)域可用，今年晚些時候?qū)⒃谄渌鼌^(qū)域提供。

SmugMug是一個提供付費圖片分享服務(wù)、圖片托管服務(wù)和在線視頻的平臺，用戶可以在上面上傳照片和視頻。該公司為業(yè)余和專業(yè)攝影師提供數(shù)字和印刷媒體的銷售便利。SmugMug運營總監(jiān)Andrew Shieh說，“SmugMug運營著SmugMug和Flickr兩大在線照片平臺，讓超過1億的會員安全地存儲、搜索、分享和銷售數(shù)百億張照片。去年，我們通過簡單的重新編譯，將緩存服務(wù)器過渡到了r6gd.8xlarge實例，獲得了33%的成本優(yōu)化，并且降低了延遲。X2gd實例的大容量內(nèi)存讓我們能夠在實例上整合緩存，緊密匹配工作負載，每個實例的成本和每GB內(nèi)存的成本進一步降低了28%?！?/p>

新思科技(Synopsys)是一家標準普爾500強企業(yè)，長期以來一直是電子設(shè)計自動化(EDA)和半導(dǎo)體IP的全球領(lǐng)導(dǎo)者，并提供廣泛的應(yīng)用安全測試工具和服務(wù)組合。新思科技首席安全官Deirdre Hanford說，“新思科技的客戶正越來越多地利用云計算來擴展和加速應(yīng)用我們的產(chǎn)品組合，應(yīng)用于SoC設(shè)計流程，包括驗證、K庫、仿真及數(shù)字設(shè)計實現(xiàn)流程。我們的主力產(chǎn)品，例如Synopsys VCS功能驗證解決方案，經(jīng)過優(yōu)化以后，引入Amazon Graviton2支持的X2gd實例，利用其硬件性能和內(nèi)存方面的優(yōu)勢，使我們的客戶能夠加速SoC的驗證和設(shè)計?！?/p>

Cadence是電子設(shè)計領(lǐng)域舉足輕重的領(lǐng)導(dǎo)者，擁有30多年的計算軟件專業(yè)經(jīng)驗。Cadence營銷與業(yè)務(wù)發(fā)展高級副總裁Nimish Modi表示，“Cadence的計算軟件讓客戶能夠在各種終端市場上將電子設(shè)計概念加以實現(xiàn)，包括超大規(guī)模計算、移動和5G通信。我們已經(jīng)在Amazon Graviton2的R6g內(nèi)存優(yōu)化實例上成功運行了驗證類和特征參數(shù)提取類產(chǎn)品，獲得了突出的性價比優(yōu)勢?；贕raviton2的X2g實例具有更大的內(nèi)存容量，可以更高效地運行、支持更多內(nèi)存密集型EDA工作負載?！?/p>

ARM公司是全球領(lǐng)先的半導(dǎo)體知識產(chǎn)權(quán)(IP)開發(fā)與授權(quán)提供商。ARM公司生產(chǎn)力工程主管Mark Galbraith說，“技術(shù)已經(jīng)在所有行業(yè)變得無所不及，需要在更短的時間內(nèi)提供更多計算產(chǎn)品，同時使用更少的資源，以保持低成本。半導(dǎo)體IP的設(shè)計、驗證和實現(xiàn)是從想法到量產(chǎn)成品之間最關(guān)鍵的階段，我們的應(yīng)用實踐顯示，與上一代X1實例相比，在基于Arm的Graviton2支持的X2gd云實例上運行EDA工作負載，性能提升了45%?！?/p>

亞馬遜旗下子公司Annapurna Labs是亞馬遜云科技的芯片開發(fā)部門，負責(zé)設(shè)計亞馬遜云科技 Nitro系統(tǒng)、亞馬遜云科技 Graviton處理器、亞馬遜云科技Inferentia芯片和亞馬遜云科技Trainium芯片。Annapurna實驗室副總裁、杰出工程師Nafea Bshara說?！霸贏nnapurna實驗室，我們之前幾乎所有的芯片模擬和驗證都在基于Graviton2的R6g實例上運行。有了新的X2gd實例，我們能夠在相同實例大小的情況下，將全芯片和集群級仿真的數(shù)量增加一倍，使我們能夠在降低成本的同時完成兩倍的產(chǎn)出?！?/p>