PUE逼近1.0,阿里的这个服务器集群达到世界领先水平!

4月5日,阿里巴巴技术在官方微博发布了一组照片,以此回应在4月1日愚人节提及的“麒麟”计划。据证实,该麒麟计划实为业界首批浸没液冷服务器集群,通过液冷而不是常见风冷的方式为服务器集群降温,最终其PUE值可接近1.0,达到了世界领先水平。

d4658164789578ec5556a7ab724d106d6ff1da8c

阿里巴巴技术官方微博

9dd2081d6d77c5835ece7e70a535f4ed69113cfd

阿里巴巴浸没液冷服务器集装箱

阿里技术的微博这样写道,“这是阿里巴巴又一黑科技产品,将创造多个业界记录,支撑阿里巴巴‘NASA’行动计划”。照片显示,放置在楼顶的集装箱里摆满了印有阿里LOGO的黑色金属箱,以及在透明玻璃下箱体内部的线缆、铜管和高密服务器节点。

4b66873c4a8caf19e057608b571bf0ea275e0895

阿里巴巴浸没液冷服务器集群

d845ae02a6c2f705e2fdc76f4e7af2e7e127b3db

阿里巴巴浸没液冷服务器集群内部结构

经官方正式确认,4月1日愚人节提及的“麒麟”计划是技术研发成功后的一个小插曲。该项目负责人阿里巴巴服务器产品高级专家炽平表示,这些照片背后是浸没液冷服务器集群,PUE(能源使用效率)逼近1.0。


阿里巴巴重构液冷服务器  透过阿里云推广为普惠技术

浸没液冷是最近几年备受业界关注的新型散热技术,尤其在SC14全球超级计算大会上,来自国内外的多家服务器企业均展示了在浸没液冷散热上的产品,大幅提高了业界对液冷的关注度。但遗憾的是,受限于技术实现的难度,目前参与浸没液冷服务器设计的企业,对浸没液冷的应用也仅局限于单机测试、单机展示阶段,从目前公开的信息看,并无服务器集群部署先例。

浸没液冷服务器集群部署一直未实现的主要原因,在于浸没液冷解决方案相比风冷是一种全新的变革,需要具备从服务器到数据中心整套解决方案的架构创新和重构设计的能力。“阿里巴巴进行了浸没液冷的新材料技术研究,液冷服务器架构设计以及液冷数据中心整体方案重构”。炽平表示,目前阿里巴巴已经在整机柜服务器技术规范上形成了原创设计思想积累,在结合自身需求以及在自研数据中心的积累后,快速设计出符合自己需求的浸没液冷服务器整套解决方案,并进行集群化实践。

据悉,阿里巴巴对于液冷方案贯彻了系统化设计思路,除了硬件外,同期还设计了一套适合浸没液冷的监控管理系统。除了应用于自身业务场景外,浸没液冷的成套先进技术也将率先应用于阿里云数据中心,通过阿里云对外服务来实现技术的普惠应用。据了解,浸没液冷服务器将在高主频计算领域发挥重要价值,也将因此大大节约能源,实现绿色计算。


PUE无限逼近1.0 可达理论极限值

对于行业内最关心的液冷服务器PUE数值,阿里巴巴给出了一个疯狂的数字——逼近1.0。PUE值是指数据中心消耗的所有能源与IT设备负载消耗的能源之比。PUE值越接近1.0,表示数据中心的能效越好,绿色化程度越高,也就是越节约能源。阿里巴巴浸没液冷服务器采用了3M氟化液液体,全环境无风扇无振动设计,达到卓越散热冷却效果。同时由于没有空气,水汽,灰尘,风扇振动等环境影响,元器件可靠性也大幅提升。

近年来阿里巴巴一直致力于绿色数据中心的技术创新,实现对能源的节约。2015年投入运营的华东某数据中心采用深层湖水制冷,年均PUE低于1.3。近日由阿里云对外开放服务的华北3数据中心则充分利用环境优势,大面积采用新风自然冷和水侧自然冷技术,年均PUE低于1.25。此次的浸没液冷,更是将PUE推向理论极限值1.0。技术的进步,一直在不断激发行业对未来绿色数据中心建设的想象力

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值