Los planificadores de trabajos actuales, tales como Slurm, por ejemplo, son capaces de planificar el uso de las GPUs existentes en un clúster de computadores. No obstante, esta planificación se lleva a cabo asignando en exclusiva una o más GPUs a la aplicación cuya ejecución se está planificando. Además, las GPUs asignadas a la aplicación cuya ejecución se está planificando deben estar en el mismo nodo (o en los mismos nodos, en el caso de aplicaciones distribuidas) en el que se ejecuta la aplicación.
Estos requisitos hacen que la planificación del uso de las GPUs de un clúster no sea eficiente. De hecho, en general se consigue una baja utilización de las mismas.
Una solución alternativa es el uso de GPUs virtuales. De esta manera se podrían mapear diversas GPUs virtuales sobre la misma GPU real, aumentando así su utilización. Sin embargo, los planificadores de trabajos actuales no permiten esta asignación compartida de una GPU a más de una aplicación. Por otra parte, hay otros escenarios en los que un planificador de trabajos tradicional, como Slurm, no es adecuado para planificar el uso de las GPUs. Por ejemplo, en un escenario de cloud computing, basado en el uso de máquinas virtuales, la asignación de GPUs a máquinas virtuales no se puede hacer de forma sencilla con un planificador de trabajos clásico. Además, estos planificadores de trabajos asignarían las GPUs en exclusiva a una máquina virtual, cuando lo realmente interesante es asignarlas en forma compartida para aumentar su utilización y así reducir costes de infraestructura. Otros entornos, como oficinas y despachos de ingeniería, tampoco son apropiados para planificadores de trabajos clásicos como Slurm. Debido a todo ello, se ha desarrollado un planificador de trabajos que es capaz de planificar el uso compartido de GPUs virtuales en los diferentes escenarios descritos.
Más información:
