LS-DYNA求解效率深度测评 │ 六种规模，本地VS云端5种不同硬件配置

3年前浏览5286

以下文章来源于速石科技，作者灵魂工作室

LS-DYNA是一个以显式求解为主，隐式求解为辅的通用非线性动力有限元分析程序，核心是求解器。

用户主要是高校/科研机构和航空航天、汽车、电子/高科技、船舶、土木工程、制造和生物工程等行业，包括汽车碰撞、爆炸反应，甚至主动脉人工心脏瓣膜在血液泵送通过时的复杂启闭行为。

1976年，LS-DYNA由美国Lawrence Livermore国家实验室的J.O.Hallquist博士主持开发。1988年，LSTC（Livermore Software Technology Corp.）公司成立，LS-DYNA开始商业化。

1996年，LSTC与ANSYS合作推出ANSYS/LS-DYNA，结合了ANSYS的前、后处理工具和LS-DYNA求解器。2019年，Ansys收购LSTC。

如何提高求解器的计算效率？
本地和云上仿真并行计算是一回事吗？
什么类型的云端资源更适合跑LS-DYNA?
LS-DYNA大规模并行计算效率优化明显吗？
在云上运行会改变用户本地的使用习惯吗？

今天我们通过一个实证来解答用户在使用LS-DYNA上云过程中的这些关键问题。

用户需求

某车企CAE部门建设有本地机房，日常工作使用单机计算，不仅算得慢，且由于资源未得到统一管理，经常出现高性能机器排队、低配机器空闲的情况，严重拖慢生产设计进度。

随着公司业务的发展，CAE部门将在不久的将来面临更大的业务压力，部门负责人有意将部分LS-DYNA任务扩展到云端，但由于没有接触过云，有很多疑问。

实证目标

1、LS-DYNA任务能否在云端有效运行？计算效率能否优化？

2、LS-DYNA应用最适合的云端资源是哪种类型？

3、LS-DYNA大规模并行场景是否依然能保持线性？

4、fastone能否进行资源统一管理，同时保持用户本地的使用习惯？

实证参数

平台：

fastone企业版产品

应用：

LS-DYNA MPP版本

操作系统：

Linux CentOS 7.4

调度器：

SLURM

适用场景：

仿真材料在承受短时高强度载荷时的响应，如碰撞、跌落以及金属成型过程中发生的情况

云端硬件配置：

计算优化型实例

通用型实例

内存优化型实例

网络加强型实例

技术架构图：

LS-DYNA支持基于Linux、Windows和UNIX的大规模集群的并行仿真计算，分为MPP（Massively Parallel Processing）版本和SMP（Symmetric Multi-Processing）版本。

SMP版本是多个CPU之间共享相同的内存总线等资源，一般只能在单机上运行，受单机CPU性能及CPU核数限制。

MPP版本是每个CPU有独享的内存总线等资源，CPU之间通过网络通信交换信息，可以在计算机集群上进行计算，大幅提升计算速度。

单机和多机计算背后的详细原理和意义在《EDA云实证Vol.7：揭秘20000个VCS任务背后的“搬桌子”系列故事》里解释得非常清楚。

虽然应用不同，原理是一样的。

和Fluent一样，随着计算节点规模地增加，LS-DYNA有很明显的节点之间数据交换造成的通信开销，造成信息延时。可以回顾一下《CAE云实证Vol.5：怎么把需要45天的突发性Fluent仿真计算缩短到4天之内？》

下图这张PingPong测试（顾名思义就是找一个数据包不断地在两个节点之间丢来丢去，像打乒乓球一样。）能看出从16 cores到240 cores，随着核数增加，信息延时显著高出一个数量级。而随着通信数据增加到一定程度，信息延时会出现爆发性增长。

为了充分解答用户的疑惑，我们选择了不同类型，不同代际与不同规模的云资源，分别做了以下场景的验证。

实证场景一：不同类型配置

本地 VS 云端计算优化型实例 VS 云端通用型实例 VS 云端内存优化型实例

结论：

1、同等核数下，云端计算优化型实例的表现优于通用型实例、内存优化型实例和本地计算资源；

2、随着核数的上升，由于节点间通信开销指数级上升，性能的提升随着线程数增长逐渐变缓。当核数增加到128核后，云端计算优化型实例与本地资源运行相同LS-DYNA所需的时间相差无几。

实证过程：

1、本地使用64核计算资源运算一组LS-DYNA任务，耗时439分钟；

2、云端调度64核计算优化型实例运算一组LS-DYNA任务，耗时375分钟；

3、云端调度64核通用型实例运算一组LS-DYNA任务，耗时506分钟；

4、云端调度64核内存优化型实例运算一组LS-DYNA任务，耗时533分钟；

5、本地分别使用16、32、48、64、96、128核计算资源运算同一组LS-DYNA任务，耗时分别为1404、821、566、439、321、255分钟；

6、云端分别调度16、32、48、64、96、128核计算优化型实例运算同一组LS-DYNA任务，耗时分别为1269、662、458、375、299、252分钟。

可以看到当核数较少时，计算优化型实例的耗时要明显少于本地资源，但随着核数的增加，两者的耗时逐渐接近，尤其是在128核时，计算优化型实例几乎已经丧失了所有的优势。

实证场景二：不同代际，同样类型配置

本地 VS 云端计算优化型实例 VS 新一代云端计算优化型实例

结论：

新款计算优化型实例运算效率相比旧款提升约15%，且价格更便宜，但同样存在线性不足的问题。

实证过程：

1、本地分别使用16、32、48、64、96、128核计算资源运算同一组LS-DYNA任务，耗时分别为1404、821、566、439、321、255分钟；

2、云端分别调度16、32、48、64、96、128核计算优化型实例运算同一组LS-DYNA任务，耗时分别为1269、662、458、375、299、252分钟；

3、云端分别调度16、32、48、64、96、128核新款计算优化型实例运算同一组LS-DYNA任务，耗时分别为1088、569、391、320、255、216分钟。

新款计算优化型实例无论是在低核数还是高核数下相比老款均有约15%的性能提升。

那么价格又如何呢？

我们来感受一下不同云厂商多款计算优化型实例的价格差异：

在同等规格下，新款的价格普遍要比旧款便宜，最低甚至接近六折。

当然，并不是所有的云端新款实例都比旧款又快又便宜。

比如我们之前在运算Amber任务时，NVIDIA Tesla K80（2014年上市）的耗时是V100（2017年上市）的约5-6倍，价格却只有后者的三分之一。

这种时候，我们必须在时间和金钱之间做出一些取舍。详细可以看这里《生信云实证Vol.6：155个GPU！多云场景下的Amber自由能计算》

我们有一份六大公有云厂商云服务器资源价格全方位对比报告，帮助你对主流厂商的资源价格了如指掌：《六家云厂商价格比较：AWS/阿里云/Azure/Google Cloud/华为云/腾讯云》

同为计算优化型实例，不管新款旧款，都没有解决LS-DYNA任务大规模并行计算不线性问题。

这个问题的解决方案在哪里？

我们看下一个场景：

实证场景三：不同规模云端扩展性验证

本地 VS 云端计算优化型实例 VS 云端网络加强型实例

结论：

1、在云端使用网络加强型实例，调度128核计算资源，最多可将运算一组LS-DYNA任务的耗时缩短到135分钟，只有本地资源和云端计算优化型实例耗时的约二分之一；

2、网络加强型实例有效解决了LS-DYNA任务并行计算节点间通信问题，在云上展现了良好的线性扩展性。

实证过程：

1、本地分别使用16、32、48、64、96、128核计算资源运算同一组LS-DYNA任务，耗时分别为1404、821、566、439、321、255分钟；

2、云端分别调度16、32、48、64、96、128核计算优化型实例运算同一组LS-DYNA任务，耗时分别为1269、662、458、375、299、252分钟；

3、云端分别调度16、32、48、64、96、128核新款计算优化型实例运算同一组LS-DYNA任务，耗时分别为1088、569、391、320、255、216分钟；

4、云端分别调度16、32、48、64、96、128核网络加强型实例运算同一组LS-DYNA任务，耗时分别为1202、603、404、307、209、163分钟。

从上表中可以明显地观察到，网络加强型实例虽然在低核数下的表现并不起眼，但随着核数的增加，性能提升幅度相当大，在128核的环境下相比本地资源的性能提升将近一倍，线性表现堪称完美。

在之前的Fluent实证中，我们也验证了这一点。

用户的原有使用习惯需不需要改变呢？

在Fluent实证里，我们的切入角度是任务提交方法：

通过journal标准流程化 VS Fluent应用图形界面两种模式，适配不同基础的用户类型。

这次我们换一个角度——数据传输方法和习惯。

用户在本地：

不论是单机模式还是使用服务器集群，用户只需要把数据传到本地机器或服务器上，便可以直接跑任务，当然后面可能有IT部门会完成服务器端数据管理工作。

用户自己使用云：

用户将数据传到本地机器或服务器之后，还需要在云端开启资源、搭建环境，手动进行数据的上传和下载。

用户使用我们平台：

和本地一样，用户只需要把数据上传到我们的DM（Data Manager）工具上，就可以直接使用数据来跑任务了。

手动模式和自动模式的巨大差异，可以见这篇《EDA云实证Vol.1：从30天到17小时，如何让HSPICE仿真效率提升42倍？》

对于用户而言，使用我们的DM工具至少有三大优势：

1、自动关联集群，不改变操作习惯

用户无需在多套认证系统之间切换，使用统一的身份认证即可传输数据，并自动关联云端集群进行计算，不改变其原有的使用习惯。

2、一次上传，多次使用
数据只需上传一次即可多次使用，其他用户在经过统一认证后也可随时共享，极大提升团队协同能力。

3、大幅提升传输效率

关于这点，我们在这篇《CAE云实证Vol.2：从4天到1.75小时，如何让Bladed仿真效率提升55倍？》里有提到，用户在跑Bladed任务之前需要上传多达数百GiB的风文件。

而且，随着任务的调整，有大量小文件需要增量上传。在这个实证中，用户需要上传9600个任务文件，每个几十MiB不等。

我们的DM工具能很好地满足用户需求，支持全自动化数据上传，可充分利用带宽，帮助用户快速上传、下载海量数据。

同时，利用fastone自主研发的分段上传、高并发、断点续传等数据传输技术，优化海量数据的传输效率。

实证小结

1、LS-DYNA任务能够在云端有效运行，大幅提升求解效率；

2、匹配合适类型云资源，LS-DYNA应用的高效率并行性在云端同样适用；

3、fastone的DM工具为用户提供了简单有效的云端数据传输方案，同时无需改变用户本地使用习惯；

4、fastone能有效进行资源的统一管理和监控。

本次CAE行业云实证系列Vol.8就到这里了。

下一期的CAE云实证，我们聊COMSOL。

请保持关注哦！

最近，Ansys发了一个行业报告，说了几个结论：

1、缩短设计周期是一半以上用户在工作中面临的最大挑战；

2、超过五分之一的人表示，他们最重要、最频繁的仿真必须通宵运行至少9至48个小时以上（2014年为近四分之一）；

3、由于周转时间的限制，大约三分之一的人降低了几乎所有模型的大小或精确度；

……

理论科普仿真体系求解技术 LS-DYNA

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2021-07-15

ABAQUS经典例题讲解(精选)

¥199

还没有评论