高性能计算HPC运维服务方案

一、HPC运维的4个痛点

痛点一：架构设计

     标准规范的顶层架构设计对HPC集群的工作及后期运维至关重要。没有标准规范的顶层设计，HPC集群后期的应用拓展、系统扩容、日常使用、运维会遇到巨大的困扰，往往会事半功倍。

痛点二：对运维人员技术全面性要求极高

      HPC集群系统复杂，涉及硬件、软件，有服务器、交换机、存储，涉及操作系统、作业调度系统、应用环境、应用软件等等，对运维人员技术全面性要求极高。

痛点三：从全局角度解决局部问题

      HPC集群各个模块及应用之前关联度极高，变量依赖到模块依赖到运维依赖，运维人员必须具备搭建集群系统能力，才能从全局角度解决局部问题。

痛点四：不断增加的应用与客户使用习惯

      HPC集群是多用户、多应用的集中使用跟管理的系统，不断会有新的应用需要部署，新应用或者老应用新版本与平台兼容性问题，不断新增的用户群体使用习惯的持续培养等等这些都是HPC运维日常遇到的挑战。

 

智能运维架构图

二、湾博智能运维方案

在线运维：

      依托互联网在线工具为客户提供远程运维服务，具有强大知识库，能够自我学习分析，能够实时发送运维报警信息，并在客户授权下远程解决集群系统问题。主要特点是快速、低成本、高效率。

驻场运维：

      驻场运维是交钥匙式运维，主要针对大型HPC集群，规模大、系统复杂、客户缺少专业运维人员或者运维人员技术不够全面的场景。驻场运维能够给客户带来全方位、实时、专业的系统健康管理以、应急故障处理以及客户成长培训。

巡检运维：

      定期对系统进行远程及现场检查，为用户提供详细的运维报告，报告包含用户管理、资源 使用、HPC集群组件(如作业调度系统、并行文件系统)运行状态等方面内容，并给出可行性建议，帮助用户更好地了解集群、使用集群。

应急运维：

      提供全天候线上线下客户响应通道，随时响应客户系统突发事件，第一时间搜集系统故障信息并给出报表信息，提供解决方案，在经过客户授权并保证数据安全前提下快速对系统进行恢复，测试验证无误后第一时间交付客户上线使用。