云端CFD
本周，M-Star 软件开发总监 凯文・史密斯 做客节目，与约翰一同探讨云端 CFD。
“我们只想让客户专注于运行仿真，为企业创造价值，做好科学研究。”—— 凯文・史密斯
本期节目中，约翰与凯文讨论：
- 云端 CFD 的发展历程与崛起
- 在云端使用 GPU 实例的难点
- 如何快速、零门槛使用云端 GPU 资源运行 CFD
- 如需咨询云端 GPU 与 CFD 部署问题，欢迎联系我们参与交流。
约翰・托马斯：今天我们邀请到 M-Star CFD 软件开发总监 凯文・史密斯，和我们聊聊云计算，以及它在计算物理与 CFD 中的优缺点。凯文，非常感谢你来到这里。
凯文・史密斯：我的荣幸。
约翰・托马斯：凯文，先简单介绍一下你的经历吧。你是如何走到今天的？如何接触到计算物理，又如何成为云计算专家的？从高中到现在，给我们讲讲你的成长路径。
凯文・史密斯：我大学学的是机械工程，在课程里接触过一些编程。后来去了宾州州立大学，主攻流体力学，特别是计算流体力学（CFD）。硕士期间，我开始自己编写流体力学代码。
毕业后，我进入船舶工程领域，开始真正做软件开发，并把流体力学知识用在工作中。这份工作做了四年，之后去了约翰・霍普金斯大学应用物理实验室，在那里重新拾起硕士期间的研究方向，使用开源 CFD 工具 OpenFOAM。它是一款开源软件，可以修改源码，做一些商业软件还无法实现的定制化功能。
在那里工作了一段时间后，我和你相识，然后一起创立了 M-Star。从那以后，我的工作重心更多转向软件开发，而不再是流体力学本身。我在 M-Star 负责图形界面、产品部署、公司运维等工作。
也正是在这个过程中，我熟悉了各种云技术 ——AWS、Azure、谷歌云，以及让 M-Star 高效运行在 GPU 上所需的各种架构。
约翰・托马斯：先科普一下：到底什么是云？
凯文・史密斯：（笑）云，本质上就是别人的数据中心。你只是租用或预留一段时间的远程资源。大家平常理解的 “云”，可能是指数据存在上面，比如 Dropbox、OneDrive 这种。
但对 M-Star 来说，我们说的云一般指 AWS、谷歌云 这类平台。在这些环境里，你可以按需开启、用完释放资源，本质就是租用别人的计算机，用一段时间再还回去。
约翰・托马斯：明白了。所以云不只是存照片、文件，还能直接租机器来跑软件、做计算。
凯文・史密斯：没错。
约翰・托马斯：云计算大概是什么时候开始进入企业视野的？你读研的时候就在云上跑仿真了吗？科学计算领域是什么时候开始兴起云端计算的？
凯文・史密斯：我 2009 年读研的时候，据我所知几乎没人这么干。真正爆发是在过去 5～10 年，大家对科学计算上云越来越感兴趣。大概十年前，大家主要还在用 CPU 计算。用 CPU 需要大量节点、大内存、高速互联，在云上搭建这类基础设施当时还不太现实。
但现在完全不一样了。现在所有云厂商都提供 GPU 实例，一台机器可以配 4 块、8 块甚至 16 块 GPU，显存最高可达 1TB。所以过去五年，科学计算上云 是非常明显的趋势。
约翰・托马斯：背后的驱动力是什么？是企业想提高资本支出效率，还是项目规模波动大？为什么企业都在转向云端高性能计算（HPC）？
凯文・史密斯：每个人理由不太一样，但硬件成本肯定是重要原因。一块 V100 GPU 可能就要 1 万美元，如果在专业计算服务器里装 8 块，成本非常高。
如果只是一个 5～10 人的小团队，要采购、进场、运维、专人管理…… 难度很大。而用云，你随时开机、成本更低，这是大家转向云端的一个核心原因。
约翰・托马斯：有道理。听起来非常顺畅，开机即用。但直接登录 AWS、GCP 之类的平台，启动 8 卡或 4 卡 GPU 实例跑仿真，真的一帆风顺吗？有没有坑？
凯文・史密斯：当然有。一个很现实的问题：GPU 资源紧缺。最近尤其明显，太多人抢资源，有时候你在 AWS 或谷歌云上想用的时候根本开不起来。
有些人干脆一直开着不关机，避免抢不到。
另一个大痛点是企业 IT 安全策略。云资源不在企业内部防火墙里，安全架构本身更复杂，需要 VPN、额外的数据安全措施。小公司限制少，可能开机就用；大公司安全要求高，流程就会变得很麻烦。
约翰・托马斯：我搜索云服务商时，会看到一些裸金属云厂商，比如 AWS、GCP、Azure，还有一些像 Nimbix、Rescale 这样的平台，把云和前端软件打包好，方便用户直接使用软件、开实例。直接用裸金属云，和用这类中间平台，各有什么优缺点？
凯文・史密斯：看你的需求。如果你的工作流刚好适配 Rescale、Nimbix 这类平台，它们非常好用。但如果你需要更高自由度，或者自己有能力管理资源，那 AWS、谷歌云也可以很简单，只是取决于你对资源启停的控制权限。有些企业的安全策略，不允许员工随便开新机器。
所以选哪种，主要看公司制度和你需要的灵活度。
约翰・托马斯：我们聊了云，最近还有一个趋势是容器技术。你能简单解释一下吗？
凯文・史密斯：容器和云的思路很像：你不需要懂怎么组装电脑，只要说 “我要一台 4 卡 GPU 机器”，直接开机就行，不用懂 NVLink、NVSwitch 这些底层技术。
容器也是一样：你不用懂怎么安装 M-Star，直接 “开机” 就能用。它是一种极度简化的部署方式。
我们最近一直在和 NVIDIA 合作，把 M-Star 上架到 NVIDIA 容器目录，很快就会正式上线。这样一来，不管是企业本地还是云端，都能用容器一键部署，开箱即用。
约翰・托马斯：硬件好配置，但软件安装一直是痛点。现在看来，云端高效获取 HPC 资源 + 容器快速部署软件，两者结合才能真正提升效率。
凯文・史密斯：完全正确。
约翰・托马斯：M-Star 现在已经能从 NVIDIA 容器目录下载了吗？
凯文・史密斯：我今天刚点完发布按钮。目前还没完全公开，但已经在他们系统里，很快就会上线。只要有授权，用户在任何支持 Docker 的机器上都能直接运行 M-Star。
约翰・托马斯：太棒了，这样门槛又低了一截。
凯文・史密斯：我们的理念一直是：让用户专注于仿真，而不是折腾工具。不想让用户纠结用什么湍流模型，不想让用户折腾安装、部署、开机、环境配置。我们希望整个过程简单、易用，让工程师专注工程，而不是技术细节。
约翰・托马斯：大家如果想学习更多，有什么推荐资源吗？
凯文・史密斯：我首推我们自己的文档。关于 AWS、谷歌云上如何运行 M-Star，我们写了非常清晰的教程。另外，AWS 和谷歌云官方文档也非常详尽。
约翰・托马斯：我们会把文档链接放在播客简介里。
假设我已经在云端开好一台很强的 HPC 机器，面前光标在闪，下一步怎么装软件，怎么开始计算？
凯文・史密斯：你可以手动安装，也可以直接用容器 / Docker。用容器几乎可以秒级运行程序，完全不用管安装细节、依赖、环境配置。想快速上手，强烈推荐用容器。
约翰・托马斯：也就是说，我开好云端多卡 GPU 机器，拉一个容器，就能直接跑，不用管网络架构、CUDA、MPI 之类的东西？
凯文・史密斯：没错，就是这个思路。
约翰・托马斯：这正是我们想要的。我们不希望用户去纠结 MPI 怎么编译、GPU 内部怎么工作。我们希望他们关注：仿真结果告诉我什么？如何做出正确的工程决策？
凯文・史密斯：完全正确。
约翰・托马斯：云计算有没有影响 M-Star 的开发方向？还是说云只是一个事后附加的选项？它对你们日常开发、部署决策影响有多大？
凯文・史密斯：绝对不是事后附加。我自己大量测试都在云上完成。从定义上说，云已经深度整合进我们的开发流程。
我们有极简安装文档，几行代码就能从零部署 M-Star。我们认为云计算是长期趋势，甚至可能成为主流。M-Star 支持远程前后处理可视化，我们也写了在 AWS 上搭建相关架构的文档。
可以说，M-Star 是一款天生友好、全面支持云端的 CFD 软件。
约翰・托马斯：硬件、软件都搞定了，还有一个很头疼的问题：授权。很多软件在云上用授权很麻烦，厂商限制很多。M-Star 是怎么做的？
凯文・史密斯：我们使用 Reprise License Manager，支持浮动授权。你可以自己搭建授权服务器，也可以让我们托管，甚至把授权服务器放在云上，稍微配置一下就能用。
我们的授权方式非常简单：一个仿真，占用一个授权。不按核数算，不按 GPU 数量算，只算并行任务数。在云端使用非常轻松。
约翰・托马斯：这太友好了。很多软件还要按 CPU、按 GPU 额外收费。你们这种策略，让用户可以在任何地方、用任意数量 GPU 跑仿真，不用额外付费。
凯文・史密斯：我们不想让客户被授权问题困扰。我们坚持简单的授权策略。我们只想让客户专注于运行仿真、为企业创造价值、做好科学研究。
约翰・托马斯：太棒了。凯文，今天非常感谢你的分享。
凯文・史密斯：不客气，谢谢大家。
