计算资源池概述

AI DataLake计算资源池类型

AI DataLake提供的计算资源分为预留资源池和弹性资源两种，满足不同业务场景的算力需求。

• 预留资源池：用户提前购买实例资源，资源类型覆盖CPU、NPU、GPU三种类型的算力，您可根据业务负载特点选择合适的计算资源组合。

  预留资源池为核心业务提供独占资源保障，性能稳定可预测，适用于长期稳定运行的批处理任务、AI计算场景。

• 弹性资源：无需提前购买，按实际使用量计费，自动响应业务需求。

  如果在配置端点时您选择的资源模式是“混合模式”，那么系统将为您开通弹性资源，在预留资源不足时自动调度资源进行补充。

  混合资源调配既保障了业务平稳运行，又兼顾了资源的成本优化。

图1 AI DataLake计算资源类型与混合资源调配

AI DataLake计算资源池使用模式

预留资源池

• 资源类型：

  预留资源池支持三种异构计算资源，用户可根据业务负载特点灵活选择：

  资源类型	说明	典型应用场景
  CPU	通用计算处理器，适合数据处理、ETL、批处理等任务。	通用计算增强型：适合于CPU密集型作业，例如实时流作业处理等。 通用计算标准型：适合于大多数作业类型。 通用计算内存增强型：内存密集型作业，例如离线批处理作业等。
  GPU	GPU实例适用于图形渲染和大规模并行计算场景，适合深度学习训练和科学计算。GPU 拥有成百上千个计算核心，可以同时处理大量简单计算任务。	深度学习，例如神经网络训练、模型调优场景；图形处理场景，例如图像识别、目标检测；视频处理场景，例如视频分析、转码、视频渲染场景，等其他AI科学计算场景。
  NPU	NPU适用于AI计算场景，NPU资源采用架构优化和指令集，专门加速AI推理任务。	AI计算场景、图像识别场景，推荐系统等AI计算设计场景。是当前人工智能训练与推理的重要基础设施。

• 计费模式：
  预留资源池支持按需和包年/包月两种计费模式：

  • 按需计费：按实际使用量计费，在购买周期内资源独享。资源稳定，周期短。相比包年包月，无需承诺使用时长，灵活度高。
  • 包年/包月：固定周期付费，在购买周期内资源独享。对比按需购买的方式，一次性购买较长周期的资源成本更优。
    

    AI DataLake公测期间不支持使用包年/包月计费模式购买资源。

• 适用场景

  预留资源池适用于对稳定性要求高、负载可预测的业务场景，这些场景通常需要资源使用过程不被中断，具备充足的资源保证任务按时完成，因此可以通过预留资源获取更优的单位算力和成本。

弹性资源

• 资源特点：

  弹性资源无需购买，按需使用，按实际使用的资源量和运行时长计费，采用后付费模式。

  弹性资源适用小规模或临时的数据处理需求。对于重要的或需要保证资源的作业，建议购买预留资源池来执行作业。

• 适用场景：

  弹性资源池适用于临时算力需求场景，例如在开发测试阶段不确定的资源需求，新业务上线初期，负载规模尚不明确。

  还可以用于“混合模式”与预留资源搭配使用，应对业务负载有明显波峰波谷的业务场景。

混合资源调配

混合资源调配是将预留资源池与弹性资源池结合，实现成本与性能的平衡。

混合资源调配基本原理如图2所示：优先使用预留资源，预留资源不足时自动切换至弹性资源补充，

系统按以下优先级调度计算资源：

• 第一优先级：预留资源池中的空闲资源
• 第二优先级：弹性资源池中按需创建的资源

混合资源调配模式下，系统会优先计算预留资源的可用容量是否满足新增Job的需求：

• Job所需资源小于等于预留资源池当前可用容量，完全由预留资源池支撑，不会触发调度弹性资源池，也无需支付额外费用。
• Job所需资源大于预留资源池当前可用容量，系统自动触发调度弹性资源，作业将使用弹性资源池来执行，此时您需要按需支付按需弹性资源池的使用费用 。

这种混合资源调配模式兼具预留资源的稳定性与按需资源的灵活性，有效应对业务变化。

图2 混合资源调配原理图