شاید تا همین چند سال پیش، شنیدن نام معماری ARM در دنیای ابررایانه‌ها و دیتاسنترهای غول‌پیکر، شبیه به شوخی بود. اما امروز، معادله کاملا تغییر کرده است. اگر شما هم از هزینه‌های سرسام‌آور نگهداری سرورهای سنتی، مصرف برق بالا و سیستم‌های خنک‌کننده پرهزینه خسته شده‌اید، یا به دنبال راهی برای افزایش بهره‌وری دیتاسنتر خود هستید، جای درستی آمده‌اید. دنیای محاسبات سنگین (HPC) در حال گذار از انحصار x86 به سمت کلاستر HPC مبتنی بر ARM است.

این مقاله یک راهنمای تئوری صرف نیست؛ بلکه نقشه‌ای برای تصمیم‌گیری است. باهم بررسی می‌کنیم که چرا غول‌های فناوری و حتی برترین ابررایانه‌های جهان به سمت پردازنده‌های ARM حرکت کرده‌اند. آیا راه‌اندازی کلاستر ARM برای سازمان شما مناسب است؟ چالش‌های واقعی آن چیست و چگونه می‌توان یک کلاستر HPC مبتنی بر ARM را با کمترین ریسک پیاده‌سازی کرد؟ توجه داشته باشید که عبارات محاسبات با کارایی بالا، محاسبات سنگین و پردازش سنگین همگی معادل‌های فارسی HPC (High Performance Computing) است. با آرتیان همراه باشید.

چرا معماری ARM انتخاب اول نسل جدید HPC است؟

دلیل استقبال جهانی از سرورهای ARM برای محاسبات سنگین (HPC) تنها یک موج زودگذر نیست؛ بلکه ریشه در فیزیک و اقتصاد دارد. معماری RISC (که ARM بر پایه آن است) با دستورالعمل‌های ساده‌تر، اجازه می‌دهد تا ترانزیستورهای بیشتری صرف هسته‌های پردازشی شوند تا پیچیدگی‌های کنترلی برای هماهنگی بین سخت‌افزار و نرم‌افزار. این موضوع در مقیاس‌های بزرگ، تفاوت‌های چشمگیری ایجاد می‌کند.

بهره‌وری انرژی بالا و معماری سبز: خداحافظی با قبض‌های سنگین برق

در دنیای دیتاسنتر و سرورها، هزینه برق و خنک‌سازی گاهی از هزینه خرید سخت‌افزار پیشی می‌گیرد. مزایای معماری ARM در دیتاسنتر دقیقا اینجا می‌درخشد. تمرکز اصلی این پردازنده‌ها بر شاخص مصرف انرژی به ازای فلاپس (Performance/Watt) است. سرورهای ARM می‌توانند همان بار کاری را با مصرف انرژی به مراتب کمتری نسبت به همتایان x86 خود انجام دهند.

پردازنده‌های ARM با TDP (Thermal Design Power) کمتر طراحی شده‌اند. TDP به زبان ساده یعنی “حداکثر گرمایی که پردازنده تولید می‌کند”. پردازنده A64FX فوگاکو با 160 وات TDP، عملکرد مشابهی با پردازنده‌های x86 با 250-300 وات TDP ارائه می‌دهد. این یعنی شما برای همان میزان محاسبات، تقریباً 40% کمتر برق مصرف می‌کنید.

تراکم هسته (Core Density) و مدیریت موازی‌سازی: قدرت بیشتر در فضای کمتر

برای انجام محاسبات سنگین، همیشه فرکانس بالاتر جوابگو نیست؛ گاهی تعداد “کارگران” یا همان پردازنده‌ها اهمیت بیشتری دارد. پردازنده‌های مدرن ARM مانند سری‌های Ampere Altra یا Graviton، تعداد هسته‌های فیزیکی بسیار بالایی (مثلاً ۱۲۸ هسته در یک سوکت) ارائه می‌دهند.

• مزیت: این تراکم بالا اجازه می‌دهد در یک فضای فیزیکی محدود (Rack Unit)، قدرت پردازشی بسیار بیشتری داشته باشید.
• کاربرد: ایده‌آل برای کانتینرها (Containers) و مجازی‌سازی که نیاز به ایزولاسیون کامل هسته‌ها دارند.

پهنای باند حافظه و تکنولوژی‌های نوین (نقش HBM و SVE در محاسبات برداری)

در محاسبات HPC، سرعت پردازنده تنها نیمی از داستان است. نیمی دیگر سرعت دسترسی به حافظه است. اگر پردازنده منتظر بماند تا داده‌ها از RAM بیاید، هر چقدر هم سریع باشد بی‌فایده است.

ARM با استفاده از HBM (High Bandwidth Memory) این مشکل را حل کرده است. HBM نوع خاصی از حافظه است که به‌جای قرارگیری روی مادربورد، مستقیماً در کنار یا روی پردازنده نصب می‌شود. این یعنی داده‌ها مسیر کوتاه‌تری برای رسیدن به پردازنده دارند و سرعت انتقال چندین برابر می‌شود.

علاوه بر این، ARM از دستورات برداری مقیاس‌پذیر یا SVE (Scalable Vector Extension) استفاده می‌کند. SVE به پردازنده اجازه می‌دهد که یک عملیات را روی چندین داده به‌طور همزمان انجام دهد—مانند جمع کردن 512 عدد در یک دستور واحد. این برای محاسبات علمی که شامل ماتریس‌های بزرگ و محاسبات برداری هستند، بسیار کارآمد است.

مطالعه موردی: از فوگاکو و Nvidia Grace تا سرورهای تجاری

برای درک قدرت واقعی سرورهای ARM، باید به سراغ شرکت‌هایی برویم که این مسیر را با موفقیت طی کرده‌اند.

ابررایانه Fugaku و پردازنده A64FX؛ اثبات قدرت در مقیاس پتافلاپس

ابررایانه فوگاکو (Fugaku) در ژاپن، نقطه عطفی در تاریخ بود. این سیستم که از پردازنده‌های A64FX فوجیتسو (بر پایه ARM) استفاده می‌کند، توانست برای مدت طولانی رتبه اول تمام بنچمارک‌های اصلی جهان را بدست آورد. اگرچه اکنون ابررایانه‌های اگزاسکیل (Exascale) جدیدتر جایگاه نخست سرعت خام را گرفته‌اند، اما فوگاکو همچنان در بنچمارک‌های “بهره‌وری واقعی” و “سرعت در کاربردهای صنعتی” (HPCG) یکی از کارآمدترین و پراستفاده‌ترین ماشین‌های جهان باقی مانده است.

انقلاب هوش مصنوعی: ورود قدرتمند NVIDIA Grace

نمی‌توان از HPC و هوش مصنوعی صحبت کرد و نامی از انویدیا نبرد. جدیدترین بازیگر این عرصه، «سوپرچیپ Grace» است. انویدیا با ترکیب هسته‌های ARM و پردازنده‌های گرافیکی قدرتمند خود (H100) از طریق رابط پرسرعت NVLink-C2C گلوگاه قدیمی بین CPU و GPU را حذف کرده است.

این معماری برای مدل‌های زبانی بزرگ (LLMs) و شبیه‌سازی‌های دیجیتال دوقلو (Digital Twins)، کارایی را تا ۱۰ برابر افزایش داده و نشان می‌دهد که آینده‌ی سنگین‌ترین پردازش‌های جهان، ترکیبی از ARM و شتاب‌دهنده‌های گرافیکی است.

کلادهای مدرن و سرورهای اختصاصی: تجربه موفق AWS Graviton

در حالی که فوگاکو ثابت کرد ARM می‌تواند در سطح پتافلاپس کار کند، سؤال باقی می‌ماند: آیا ARM برای کسب‌وکارهای عادی هم مناسب است؟ AWS و Ampere این سؤال را با “بله” پاسخ دادند.

AWS Graviton خانواده‌ای از پردازنده‌های ARM است که آمازون خودش طراحی کرده و در سرویس EC2 ارائه می‌دهد. نسل سوم Graviton (Graviton3) بر پایه هسته‌های Arm Neoverse V1 ساخته شده و Graviton4 با هسته‌های Neoverse V2 تا 30% سریع‌تر از نسل قبل است.

نمونه‌های Hpc7g که از Graviton3E استفاده می‌کنند، برای محاسبات HPC بهینه شده‌اند. این نمونه‌ها تا 70% عملکرد بهتر و تقریباً 3 برابر کارایی قیمتی بهتر نسبت به نمونه‌های مبتنی بر Graviton2 ارائه می‌دهند. The Water Institute از Hpc7g برای مدلسازی سیل استفاده کرد و 18-25% در هزینه نسبت به نمونه‌های AMD x86 صرفه‌جویی کرد—بدون اینکه کدشان را تغییر دهند.

مزایای ARM در محاسبات HPC

استفاده از ARM در محیط‌های عملیاتی مزایای ملموسی دارد که باید با زبان داده و ارقام بیان شود.

• مدیریت حرارتی بهتر (TDP پایین‌تر): به معنی “حداکثر گرمایی است که پردازنده تولید می‌کند” و سیستم خنک‌کننده باید آن را دفع کند. TDP پایین‌تر در ARM یعنی نیاز کمتر به فن‌های پرقدرت و نویز کمتر در دیتاسنتر.
• قدرت محاسباتی خالص (FLOPS بالا): FLOP مخفف Floating Point Operations Per Second است، یعنی “تعداد عملیات اعشاری که سیستم می‌تواند در هر ثانیه انجام دهد”. ARM در عملیات ممیز شناور (Floating Point) که قلب تپنده شبیه‌سازی‌های علمی است، عملکرد خیره‌کننده‌ای دارد.
• پهنای باند حافظه عظیم:  در معماری ARM استراتژی دسترسی به حافظه هوشمندانه‌تر است. در مدل‌های خاص (مانند پردازنده A64FX یا Grace)، از حافظه‌های گران‌قیمت HBM (مخفف High Memory Bandwidth) چسبیده به پردازنده استفاده می‌شود. اما در سرورهای استاندارد (مانند Ampere Altra)، این پهنای باند از طریق افزایش تعداد کانال‌های حافظه (DDR5 8 یا ۱۲ کانال) تامین می‌شود. این یعنی شما می‌توانید بدون پرداخت هزینه نجومی HBM، به پهنای باندی بسیار بیشتر از سرورهای معمولی x86 دست پیدا کنید که برای برنامه‌های Memory-bound حیاتی است.
• انعطاف‌پذیری در کلود: با Kubernetes و Docker که کاملا از ARM پشتیبانی می‌کنند، می‌توانید کانتینرهای خود را بین x86 و ARM جابجا کنید. این به شما اجازه می‌دهد که از ترکیبی از هر دو استفاده کنید؛ x86 برای برنامه‌های قدیمی و ARM برای بارهای کاری جدید.

چالش‌های فنی و محدودیت‌های ARM در HPC

یک متخصص حرفه‌ای همیشه نیمه خالی لیوان را هم می‌بیند. مهاجرت به کلاستر HPC مبتنی بر ARM بدون چالش نیست و باید با چشمان باز انجام شود.

• سازگاری نرم‌افزاری: بزرگ‌ترین چالش اکوسیستم ARM: بسیاری از نرم‌افزارهای قدیمی پردازش سنگین طی دهه‌های گذشته برای معماری x86 اینتل نوشته و بهینه شده‌اند.
  • نیاز به کامپایل مجدد: کدهای باینری x86 روی ARM اجرا نمی‌شوند. شما نیاز به Recompilation دارید. کامپایل یعنی “تبدیل کد برنامه (مثل C++ یا Fortran) به زبان ماشینی که پردازنده آن را می‌فهمد”.
  • وضعیت کامپایلرها: اگرچه کامپایلرهای GCC و LLVM پیشرفت زیادی کرده‌اند، اما در برخی موارد خاص، بهینه‌سازی‌های خودکار برای دستورات برداری (AVX در اینتل) هنوز کمی بلوغ‌یافته‌تر از SVE در ARM است.
• محدودیت‌های اکوسیستم و ابزارهای توسعه: هنوز تمام کتابخانه‌های علمی به‌طور کامل برای ARM پورت نشده‌اند.
  • برخی ISVها (فروشندگان مستقل نرم‌افزار) ممکن است نسخه رسمی ARM برای نرم‌افزارهای تجاری خود ارائه ندهند.
• پیچیدگی‌های سخت‌افزاری: شبکه، ذخیره‌سازی و اینترکانکت: یک کلاستر فقط پردازنده نیست.
  • اینترکانکت (Interconnect): انتخاب شبکه مناسب بسیار حیاتی است. InfiniBand “نوع خاصی از شبکه بسیار پرسرعت و با تاخیر کم است که برای ارتباط بین نودهای کلاستر HPC استفاده می‌شود”. اطمینان از وجود درایورهای پایدار InfiniBand برای معماری ARM ضروری است.
  • GPU و PCIe: اگر کلاستر شما هیبریدی است، باید مطمئن شوید که GPUهای مدنظر (مثلاً مدل‌های خاص انویدیا) درایورهای پایدار برای لینوکس ARM داشته باشند.

چه زمانی ARM را برای کلاستر HPC انتخاب کنیم؟

برای تصمیم‌گیری نهایی در خصوص خرید راهنمای خرید سرور محاسبات با کارایی بالا (HPC)، چک‌لیست زیر را مرور کنید.

سناریوهای مناسب برای انتخاب ARM

1. برنامه‌های Memory-bound: اگر برنامه شما بیشتر منتظر دریافت داده از حافظه است تا پردازش آن، پهنای باند بالای ARM معجزه می‌کند.
2. محاسبات برداری: برنامه‌های علمی که نیاز به عملیات SIMD زیاد دارند.SIMD (Single Instruction, Multiple Data) یعنی “انجام یک عملیات واحد روی چندین داده به‌طور همزمان”، که سرعت پردازش ماتریس‌ها را به‌شدت بالا می‌برد.
3. پروژه‌های جدید: اگر کد را از صفر می‌نویسید یا سورس کد را دارید و می‌توانید مجدد کامپایل کنید.
4. محدودیت انرژی: زمانی که بودجه برق دیتاسنتر محدود است یا به دنبال تراکم بالا در رک هستید.

زمانی که x86 انتخاب بهتری است

1. نرم‌افزارهای تجاری بسته: اگر لایسنس نرم‌افزاری دارید که فقط باینری ویندوز یا x86 لینوکس دارد.
2. وابستگی شدید به ابزارهای اینتل: اگر کد شما به شدت به کتابخانه‌های MKL اینتل یا دستورات خاص AVX-512 وابسته است و پورت کردن آن زمان‌بر است.
3. تیم فنی کم‌تجربه: اگر تیم شما تجربه کافی در لینوکس و کامپایل کد ندارد.

بررسی و مقایسه هزینه کل مالکیت (TCO)

برای محاسبه هزینه کل مالکیت نباید فقط به قیمت خرید سرور نگاه کنید.

هزینه کل مالکیت یا TCO (Total Cost of Ownership) یعنی “جمع تمام هزینه‌ها در طول عمر سیستم، نه فقط قیمت خرید”. این هزینه‌ شامل هزینه برق مصرفی، هزینه سیستم‌های سرمایشی، هزینه فضای فیزیکی و تعمیرات است. در یک مقایسه ۵ ساله، سرورهای ARM معمولا به دلیل مصرف برق کمتر، TCO بسیار بهتری نسبت به x86 ارائه می‌دهند، حتی اگر قیمت اولیه سخت‌افزار مشابه باشد.

نقشه راه عملی راه‌اندازی کلاستر HPC با سرورهای ARM

مهاجرت به ARM دیگر یک قمار نیست، بلکه یک انتخاب هوشمندانه است که می‌تواند شما را از رقبا جلو بیندازد. اگر تصمیم به راه‌اندازی کلاستر ARM گرفته‌اید، این مراحل گام‌به‌گام و فنی را دنبال کنید تا از حداکثر توان سخت‌افزار خود بهره‌مند شوید.

گام اول: معماری سخت‌افزار و انتخاب قطعات سخت‌افزاری

یک کلاستر HPC فقط پردازنده نیست؛ توازن بین قطعات حیاتی است. برای داشتن یک کلاستر کارآمد، باید معماری نودها را تفکیک کنید:

• انتخاب پردازنده مناسب: به دنبال پردازنده‎هایی با معماری Neoverse مانند سری‌های Ampere Altra یا Graviton باشید. برخلاف سرورهای عمومی، در HPC ما به “تعداد هسته بالا” (High Core Count) برای موازی‌سازی و “کش بزرگ” (L3 Cache) نیاز داریم.
• حافظه و پهنای باند: گلوگاه اصلی در پردازنده‌های پرهسته، نرسیدن داده است. حتما تمام کانال‌های حافظه (Memory Channels) را پر کنید. اگر پردازنده ۸ کانال رم دارد، نصب تنها ۴ ماژول رم باعث افت ۵۰ درصدی پهنای باند می‌شود. استفاده از رم‌های  ECC با فرکانس بالا (4800MHz+) برای کلاسترهای ARM حیاتی است.
• اینترکانکت و شبکه: برای کلاستر HPC، تاخیر (Latency) مهم‌تر از پهنای باند است. استفاده از کارت‌های شبکه Mellanox ConnectX یا مدل‌های مشابه که درایورهای پایدار لینوکس ARM (AArch64) دارند، توصیه می‌شود. همچنین پشتیبانی از RDMA (دسترسی مستقیم به حافظه از راه دور) برای کاهش بار CPU در انتقال داده‌ها الزامی است.

گام دوم: سیستم‌عامل و تیونینگ کرنل (OS & Kernel Tuning)

نصب لینوکس روی ARM ساده است، اما بهینه‌سازی آن برای HPC هنر است.

• انتخاب توزیع (Distro): بهترین گزینه‌ها Ubuntu Server LTS  به دلیل مخازن غنی ARM64 و Rocky Linux/AlmaLinux به عنوان جایگزین‌های RHEL در محیط‌های سازمانی هستند.
• تنظیم Page Size  (برگ برنده ARM): برخلاف x86 که معمولا روی 4KB قفل شده است، پردازنده‌های ARM64 عملکرد فوق‌العاده‌ای با 64KB Page Size دارند.
  • چرا؟ این کار باعث کاهش TLB Miss در برنامه‌های با حافظه سنگین می‌شود و کارایی را تا ۱۵٪ افزایش می‌دهد. هنگام نصب OS یا کامپایل کرنل، گزینه 64k Pages را فعال کنید.
• کتابخانه‌های ریاضی: به جای کتابخانه‌های عمومی، حتما ARM Performance Libraries (ARMPL) را نصب کنید. این کتابخانه‌ها توابع ریاضی BLAS، LAPACK و FFT را مشخصا برای دستورات برداری SVE بهینه کرده‌اند.

گام سوم: اکوسیستم نرم‌افزاری و مدیریت بار کاری (Workload Management)

چگونه هزاران هسته پردازشی را مدیریت کنیم؟

• کانتینرها (Docker vs Apptainer):
  • برای سرویس‌های وب، داکر عالی است و با دستور docker buildx می‌توانید ایمیج‌های Multi-arch بسازید.
  • اما برای HPC: استاندارد صنعتی Apptainer  (که قبلا Singularity نام داشت) است. این ابزار به کاربران اجازه می‌دهد کانتینرها را بدون دسترسی Root اجرا کنند (امنیت بالاتر) و مستقیما به فایل‌سیستم‌های موازی و شبکه پرسرعت (InfiniBand) دسترسی داشته باشند.
• مدیریت کلاستر (Slurm Workload Manager): قلب تپنده اکثر کلاسترهای HPC دنیا Slurm است.
  • حتماً افزونه cons_tres را پیکربندی کنید تا منابع پردازشی (CPU, Memory, GPU) را دقیقا بین کارها تقسیم کند.
  • نسخه‌های جدید Slurm پشتیبانی کاملی از توپولوژی ARM دارند و می‌دانند کدام هسته‌ها به کدام حافظه نزدیک‌ترند (NUMA Awareness).

گام چهارم: بنچمارک‌گیری، تست فشار و پروفایلینگ

قبل از اینکه کلاستر را به کاربران تحویل دهید، باید از پایداری آن زیر بار ۱۰۰٪ مطمئن شوید.

• ۱. تست پایداری (Burn-in Test): از ابزار stress-ng استفاده کنید و سیستم را برای ۲۴ ساعت زیر بار کامل قرار دهید تا از عملکرد سیستم خنک‌کننده و پایداری منبع تغذیه (PSU) اطمینان حاصل کنید.
• ۲. بنچمارک‌های واقعی:
  • HPL (High Performance Linpack): برای محاسبه فلاپس نهایی (Rmax).
  • HPCG: این بنچمارک به الگوهای واقعی برنامه‌های مهندسی نزدیک‌تر است و ضعف‌های سیستم حافظه را بهتر نشان می‌دهد.
  • Stream Benchmark: برای اندازه‌گیری پهنای باند واقعی حافظه (بسیار مهم برای اطمینان از چیدمان صحیح رم‌ها).
• ۳. ابزارهای پروفایلینگ: ابزارهایی مثل ARM Forge یا Linux perf را نصب کنید تا گلوگاه‌های نرم‌افزاری را شناسایی کنید.

جمع‌بندی

معماری ARM دیگر در سطح آزمایشات آکادمیک نیست؛ بلکه یک گزینه جدی قدرتمند، اثبات‌شده و اقتصادی برای انجام محاسبات با کارایی بالا (HPC) است. جهان محاسبات سنگین به سمت بهره‌وری انرژی و موازی‌سازی انبوه حرکت می‌کند و ARM دقیقا در مرکز این تحول قرار دارد. اگر پروژه جدیدی دارید، دغدغه هزینه انرژی دارید، کلاستر HPC مبتنی بر ARM می‌تواند برگ برنده شما باشد.

با بررسی تحولاتی که از ابررایانه فوگاکو آغاز شد و اکنون با ورود قدرتمند NVIDIA Grace و هسته‌های پرقدرت Ampere به تکامل رسیده، دریافتیم که این معماری برای بارهای کاری وابسته به حافظه (Memory-bound) و هوش مصنوعی، بی‌رقیب است.

با این حال، موفقیت در راه‌اندازی این کلاسترها تنها به خرید سخت‌افزار محدود نمی‌شود؛ بلکه نیازمند یک مهندسی دقیق در لایه‌های نرم‌افزاری است. از تنظیم Page Size و استفاده از کتابخانه‌های ریاضی ARMPL گرفته تا مدیریت کانتینری با Apptainer و زمان‌بندی دقیق با Slurm، همگی قطعات پازلی هستند که خروجی نهایی به آن‌ها وابسته است. برای دریافت مشاوره، با همکاران ما در آرتیان تماس بگیرید.

سوالات متداول