666
技術社區[雲棲]
阿裏雲競價實例發布，GPU雲服務器低至1折
阿裏雲競價實例發布，GPU雲服務器低至1折
深度學習，多媒體處理，科學計算“ 成為當前紅眼的熱門領域。大量的公司開始進行自己的人工智能業務，但是由於GPU實例硬件成本偏高，在大規模普惠開發者。阿裏雲想開發者所想，推出競價型GPU雲服務器，在維持甚至提升計算能力的基礎上，降低了GPU雲服務器的使用成本，助力人工智能。
公共雲計算以靈活彈性，穩定安全，降低成本的優勢，已經成為各行業的計算資源主流。作為國內最大的雲計算服務商，阿裏雲ECS產品在提供性能穩定、產品豐富、高性價比的雲主機產品的同時，基於海量資源運維調度能力在現有的付費模式基礎上於，推出了“競價型實例”，通過充分利用雲上計算資源，進一步的降低用戶雲計算資源的使用成本，使用戶有機會利用競價付費模式，按照實例成本價格的一折使用目標競價實例。
新的付費方式：競價
競價實例通過競價成功一旦創建就擁有一小時保護期提供給客戶使用，即在競價實例創建後第一個小時內，阿裏雲不會因為市場供需關係而釋放您的實例，您可以在該競價實例上正常運行業務。超過這個保護期（一小時後），如果某一時刻的市場成交價高於您的出價或供需資源發生變化，阿裏雲將自動釋放您的競價實例。
競價實例適合於各種不同工作負載情況下，如可彈性伸縮的 Web 站點服務、圖像渲染、大數據分析和大規模並行計算等，您的應用程序的分布度、可擴展性和容錯能力越高，就越能節省成本和提升吞吐量。
不同購買方式將產生10倍的價格差距：
同時間周期不同購買方式價格對比（價格按小時計算）：
實例規格： ecs.gn5i-c2g1.large
時間周期：不同購買路徑的一小時計費
注明：網絡跟存儲相關內容隨著按量計算未記入
不同場景下的具體表現
視頻渲染/轉碼的場景
通常的渲染場景架構計算與存儲是分離的，並且計算采用分布式部署而渲染素材數據和渲染結果采用集中存儲；任何一個渲染項目，其中很大一部分的成本來自分布式的計算所需要大量GPU；但是在渲染場景下，每路GPU之間的計算相互獨立無交互，通過加入簡單的GPU計算節點容錯機製，可以通過“競價付費”獲取GPU實例+NAS/OSS集中存儲的方式，把計算資源的成本大大降低，進而大幅降低總的渲染成本。
以常用的ecs.ga1.4xlarge（16vCPU/40GB內存/1*AMD S7150 GPU卡）為例，其包月小時價格為： 8.35元/小時，當采用10個實例組成集群時，渲染8小時的總花費為668元（8.35X10X8=668）。當使用競價性方式，可以最低一折起隻要不到百元花費即可完成，大幅降低計算費用。
AI深度學習場景
深度學習Training訓練場景中模型中間數據可通過checkpoint機製存放於雲盤或NAS/OSS等持久存儲中，利用相似的計算存儲分離的架構，也可利用競價實例來顯著降低GPU實例成本；深度學習Inference在線推理場景，充分利用各推理節點間的無狀態特征，部署多個競價性實例，且通過前端接入SLB負載均衡，將推理請求引流到不同的GPU競價實例，達到更高的性價比。
以推理計算型實例gn5i-c8g1.2xlarge（8vCPU/32GB內存/1*Nvidia P4 GPU卡）為例，其包月小時價位4.67元，當采用10個實例組成AI深度學習推理服務時，其每小時的GPU成本46.7元。考慮業務波峰和穀，可采用包月+競價組合方式，保留少量包月實例滿足最低要求，並通過競價實例來滿足波動的請求，總體費用上可以降低到原包月的40%~70%。
科學計算
利用科學計算模型的容錯機製，多個競價性GPU卡之間分別計算，而數據存放在NAS/OSS等持久共享存儲中，這種方式在提升整體擴展性的同時，顯著降低計算成本。
以常用的gn5-c28g1.7xlarge（28vCPU/112GB內存/1*Nvidia P100 GPU卡）為例，其包月小時價為28.09元，當采用10個實例組成HPC集群時，計算8小時的總花費為2247.2元。當使用競價性方式，可以最低一折起，最低隻要不到三百元即可完成，大幅降低計算費用。
總而言之，計算的能力不僅在於計算性能的強大穩定，作為雲計算服務商從計算雲產品基本能力出發並且通過產品紅利廣大開發者，降低成本通過雲計算改變世界。
相關詳情鏈接：https://promotion.aliyun.com/ntms/act/spotgpu.html
最後更新：2017-11-15 18:34:01