作為最早的電子設計自動化軟件，我們的EDA云實證系列從SPICE開始，再合適不過。

在它出現之前，人們分析電路，用的是紙筆或者搭電路板。隨著電路規模增大，手工明顯跟不上。

于是，1971年，SPICE誕生了。全稱“Simulation Program with Integrates Circuit Emphasis"。

H-SPICE是隨著產業環境及電路設計技術的發展與升級，以“SPICE2”為基礎加以改進而成的商業軟件產品，現在屬于Synopsys。

既然有了新的計算機輔助工具，那問題就來了：

怎么才能跑得更快一點？

怎么才能運行更大規模的集成電路？

第一個答案是算法改進。這屬于數學領域，很難。

第二個答案是摩爾定律。從上世紀70年代初到如今，SPICE從只能仿真十幾個元器件到今天可以仿真上千萬個元器件的電路。但已經幾十年沒有太大的變化了。

第三個答案是計算架構升級，從單核到多核，單線程到多線程。

第四個答案是Cloud HPC云端高性能計算。談概念過于抽象，我們今天拿實證說話。

實證背景信息

用戶需求

作為一家純IC設計公司，C社成立已超過十年。

公司在本地部署了由十多臺機器組成的計算集群，但目前面臨的最大問題依然是算力不足。特別是面對每年十次左右的算力高峰期時，基本上沒有太好的辦法。

對云的認知

C社相關負責人表示：算力不足是目前IC設計行業普遍面臨的問題。對于EDA上云，公司之前沒有嘗試過，對云模式和架構也并不了解，在數據安全性方面也存在一定的顧慮。

不過該負責人對于EDA上云早有耳聞，也頗感興趣，愿意進行一定的嘗試。畢竟上云若真的能夠加快運算速度，就意味著可以更早展開研究，從而提升項目的整體進度。

實證目標

1、HSPICE任務能否在云端運行？

2、云端資源是否能適配HSPICE任務需求？

3、fastone平臺能否有效解決目前業務問題？

4、相比傳統手動模式，云端計算集群的自動化部署，有哪些好處？

實證參數

平臺：

fastone企業版產品

應用：

HSPICE

適用場景：

仿真模擬電路、混合信號電路、精確數字電路、建立SoC的時序及功耗單元庫、分析系統級的信號完整性等

技術架構圖：

用戶登錄VDI，使用fastone算力運營平臺根據實際計算需求自動創建、銷毀集群，完成計算任務。

License配置:

EDA License Server設置在本地。

步驟一：硬件選擇

選擇適合HSPICE應用的配置

云端可以選擇的機型有幾百種，配置、價格差異極大。

我們首先需要挑選出既能滿足HSPICE應用需求，又具備性價比的機型。

已知用戶的本地硬件配置：

Xeon(R) Gold 6244 CPU @ 3.60GHz，512GB Memory

本地配置不僅主頻高，內存也相當大。

我們推薦的云端硬件配置：

96 vCPU, 3.6GHz, 2nd Gen Intel Xeon Platinum 8275CL, 192 GiB Memory

推薦理由：

1、該應用對CPU主頻要求較高，但內存要求并不大；

2、我們選擇了計算優化型云端實例，即具備高性價比的高主頻機器。

C社的本地硬件在HSPICE以外，還需處理一些需要大內存的后端任務，所以需要在配置上兼顧各種資源需求，在當前項目不可避免會造成一定的資源浪費。

步驟二：云端部署

手動模式 VS 自動部署

我們先看手動模式：

第一步：不管你需要用哪朵云，你都得先熟悉那家云的操作界面，掌握正確的使用方法；

第二步：構建大規模算力集群：

配置計算節點，存儲節點，VPC，安全組等等

安裝應用，把HSPICE安裝在集群環境

配置集群調度器，比如slurm

第三步：上傳任務數據，開啟計算；

第四步：任務完成后及時下載結果并關機。

不要笑，這一點很重要。我們在切換七種視角，我們給各位CXO大佬算算上云這筆賬有講到原因。

此外，還有一個需要考慮的點，時間。

第一步，需要多少時間說不好；

第二步，大概需要專業IT人員平均3-5天；

第三步/第四步，如果數據量較大，需要考慮斷點續傳和自動重傳；

第四步，任務完成時間很可能難以預測。

即使是可測的，我們可以想象一個場景——有個任務預計在凌晨跑完，用戶此時有兩個選擇：

1、調一個鬧鐘，半夜起來關機——有人遭罪；

2、睡到自然醒，次日上班關機——成本浪費。

在手動模式下，通常都是先構建一個固定規模的集群，然后提交任務，全部任務結束后，關閉集群。

想一下一個幾千core的集群拉起來之后，第二、三、四步手動配置的時間里，所有機器一直都是開啟狀態，也就是說，燒錢中。

再看看我們的自動化部署：

第一步，不需要；

第二步，只需要點擊幾個按鈕，5-10分鐘即可開啟集群；

第三步，我們有Auto-Scale功能，自動開關機。

另外，我們還自帶資源的管理和監控功能。

fastone的Auto-Scale功能可以自動監控用戶提交的任務數量和資源的需求，動態按需地開啟所需算力資源，在提升效率的同時有效降低成本。

所有操作都是自動化完成，無需用戶干預；

在實際開機過程中，可能遇到云在某個可用區資源不足的情況，fastone會自動嘗試從別的區域開啟資源；

如果需要的資源確實不夠，又急需算力完成任務，用戶還可以從fastone界面選擇配置接近的實例類型來補充。

跨區域，跨機型使用，在本次實證場景沒有用到。

我們還可以根據GPU的需求來實現自動伸縮，下次單獨聊。

實證場景一：云端驗證

本地40核 VS 云端40核 VS云端80核

結論：

1、當計算資源與任務拆分方式均為5*8核時，本地和云端的計算周期基本一致；

2、在云端將任務拆分為10*4核后，比5*8核的拆分方式計算周期減少三分之一;

3、當任務拆分方式不變，計算資源從40核增加到80核，計算周期減半；

4、當計算資源翻倍，且任務拆分方式從5*8核變更為10*4核后，計算周期減少三分之二;

5、fastone自動化部署可大幅節省用戶的時間和人力成本。

實證過程：

1、本地使用40核計算資源，拆分為5*8核，運行編號為1的HSPICE任務，耗時42小時；

2、云端調度40核計算資源，拆分為5*8核，運行編號為1的HSPICE任務，耗時42小時；

3、云端調度40核計算資源，拆分為10*4核，運行編號為1的HSPICE任務，耗時28小時;

4、云端調度80核計算資源，拆分為10*8核，運行編號為1的HSPICE任務，耗時21小時；

5、云端調度80核計算資源，拆分為20*4核，運行編號為1的HSPICE任務，耗時14小時。

實證場景二：大規模業務驗證

超大規模計算任務

結論：

1、增加計算資源并優化任務拆分方式后，云端調度1920核計算資源，將一組超大規模計算任務（共計24個HSPICE任務）的計算周期從原有的30天縮短至17小時即可完成，云端最優計算周期與本地計算周期相比，效率提升42倍；

2、由fastone平臺自研的Auto-Scale功能，使平臺可根據HSPICE任務狀態在云端自動化構建計算集群，并根據實際需求自動伸縮，計算完成后自動銷毀，在提升效率的同時有效降低成本；

3、隨著計算周期的縮短，設備斷電、應用崩潰等風險也相應降低，作業中斷的風險也大大降低。在本實例中未發生作業中斷。

實證過程：

1、本地使用40核計算資源，拆分為5*8核，運行編號從0到23共計24個HSPICE任務，耗時約30天;

2、云端調度1920核計算資源，拆分為24組，每組為20*4核，運行編號從0到23共計24個HSPICE任務，耗時17個小時。

實證小結

我們回顧一下實證目標：

1、HSPICE任務在云端能高效運行；

2、異構的云端資源能更好適配HSPICE任務需求，避免資源浪費；

3、fastone平臺有效解決了算力不足問題，效率提升42倍；

4、相比手動模式，fastone平臺自研的Auto-Scale功能，既能有效提升部署效率，降低部署門檻，又能大大縮短整個計算周期資源占用率，節約成本。

至于本次實證場景沒用到的跨區域，跨機型使用，還有根據GPU的需求來實現自動伸縮，我們下次再聊。

本次半導體行業Cloud HPC實證系列Vol.1就到這里了。

審核編輯 ：李倩