- 中文名
- 高性能计算
- 外文名
- High performance computing
- 所属学科
- 计算机科学
- 缩 写
- HPC
在实际应用中，有一些负载（例如 DNA 测序）对于任何一台计算机来说都过于庞大。对此，HPC 或超级计算环境可以使多个节点（计算机）以集群（互联组）的形式协同作业，在短时间内执行海量计算，从容应对这些规模庞大而又极其复杂的负载挑战。此外，由于支持在云端自动创建和删除集群，HPC 还能有效降低负载成本。
HPC 支持多种类型的负载，其中常见的两种负载是并行负载和紧密耦合负载。 [9]
指被细分为多个小型、简单、独立任务的计算问题，这些任务可以同时运行，通常相互之间几乎没有通信。例如，一家企业可能向某节点集群中的各个处理器核心提交了 1 亿条信用卡记录。其中，处理一条信用卡记录即是一项小任务，当 1 亿条记录分布在整个集群上时，1 亿个小任务就能以惊人的速度同时（并行）执行。并行负载的常见使用场景包括风险模拟、分子建模、上下文搜索和物流模拟。 [9]
通常占用较多的共享资源，并分解为相互之间持续通信的小任务。换言之，集群中的各个节点在执行处理时会相互通信。紧密耦合负载的常见使用场景包括计算流体动力学、天气预报建模、材料模拟、汽车碰撞仿真、地理空间模拟和交通管理。 [9]
HPC 系统使用的是专门的操作系统，这些操作系统被设计为看起来像是单个计算资源。正如从图1和图2中可以看到的，其中有一个控制节点，该节点形成了 HPC 系统和客户机之间的接口。该控制节点还管理着计算节点的工作分配。
图1.HPC 网状网络拓扑不管是使用 SIMD 还是 MIMD，典型 HPC 的基本原理仍然是相同的：整个HPC 单元的操作和行为像是单个计算资源，它将实际请求的加载展开到各个节点。HPC 解决方案也是专用的单元，被专门设计和部署为能够充当（并且只充当）大型计算资源。
网格对于高性能计算系统而言是相对较新的新增内容，它有自己的历史，并在不同的环境中有它自己的应用。网格计算系统的关键元素是网格中的各个节点，它们不是专门的专用组件。在网格中，各种系统常常基于标准机器或操作系统，而不是基于大多数并行计算解决方案中使用的严格受控制的环境。位于这种标准环境顶部的是应用软件，它们支持网格功能。
网格可能由一系列同样的专用硬件、多种具有相同基础架构的机器或者由多个平台和环境组成的完全异构的环境组成。专用计算资源在网格中并不是必需的。许多网格是通过重用现有基础设施组件产生新的统一计算资源来创建的。
图2.网格网络架构作为执行模型和环境，网格还被设计成在操作和执行方面更具灵活性。尽管可以使用网格解决诸如HPC解决方案之类的计算任务，但网格可以更灵活，可以使用各种节点执行不同的计算、表达式和操作。网格并不只是一种没有任何特点的计算资源，可将它分布到各种节点中使用，并且一直运行到作业和操作都已完成。这使得网格在不同计算和组件的执行顺序对于剩余任务的连续执行不那么重要的地方变得更加实用。
利用这种可变长度灵活性和较孤立任务的网格解决方案的一个好例子是计算机合成电影和特技效果中的表演。在这里，生成的顺序并不重要。单帧或更大的多秒的片段可以彼此单独呈现。尽管最终目标是让电影以正确的顺序播放，但最后五分钟是否在最初的五分钟之前完成是无关紧要的；稍后可以用正确的顺序将它们衔接在一起。
网格与传统HPC解决方案之间的其他主要不同是：HPC解决方案设计用于提供特定资源解决方案，比如强大的计算能力以及在内存中保存大量数据以便处理它们的能力,另一方面，网格是一种分布式计算资源，这意味着网格可以根据需要共享任何组件，包括内存、CPU电源，甚至是磁盘空间。
最流行的解决方案之一是消息传递接口(MPI)。MPI提供了一个创建工作的简化方法，使用消息传递在各个节点之间交换工作请求。作为开发过程的一部分，可能知道想要使用的处理器（在这里指单独节点，而非单独CPU）的数量。HPC环境中的劳动分工取决于应用程序，并且很显然还取决于HPC环境的规模。如果将进行的工作分配依赖于多个步骤和计算，那么HPC环境的并行和顺序特性将在网格的速度和灵活性方面起到重要作用。
图3.HPC功能图执行模型通常是固定的，并且连续到完成某个单个应用程序。例如，如果将一项任务分配给256 个单元，而HPC系统中有64个节点，那么需要4个过程迭代来完成工作。工作通常是并行完成的，在整个应用程序完成之前，所有64个节点都仍将保持忙碌。在整个过程中，HPC系统充当一台机器。尽管消息已经被用来在多个计算节点中分配工作，但整个应用程序被有效地操作为一个单独的应用程序。
其他HPC库和接口的工作方式类似，具体的方式取决于开发用于HPC环境中的应用程序。无论什么时候，都可以将工作分配和执行看作一个单独的过程。尽管应用程序的执行可能要排队等候，但一旦应用程序开始运行，将立即在HPC系统的所有节点上执行该工作的各个组件。
为了处理多个同时发生的应用程序，多数HPC系统使用了一个不同应用程序在其中可以使用不同处理器/节点设置的系统。例如256个节点的HPC系统可以同时执行两个应用程序，如果每个应用程序都使用整个计算资源的一个子集的话。
网格的分布式（常常是非专用的）结构需要为工作的执行准备一个不同的模型。因为网格的这种特性，无法期望同时执行各种工作单元。有许多因素影响了工作的执行时间，其中包括工作分配时间以及每个网格节点的资源的有效功率。
因为各个节点中存在的不同之处和工作被处理的方式，网格使用了一个将网格节点的监视与工作单元的排队系统相结合的系统。该监视支持网格管理器确定各个节点上的当前负载。然后在分配工作时使用该信息，把要分配的工作单元分配给没有（或有少量）当前资源负载的节点。
网格模型允许使用各种级别的资源、工作单元规模和分配级别，而不只是HPC解决方案使用的执行模型提供的那些。大多数网格支持使用每个将被排队和分配的应用程序的各种工作单元同时执行多个工作请求。例如，可以在一些节点仍然在完成Job1上的工作时开始Job2上的工作，为了完成工作，两项作业以某种动态的方式使用相同数量的可用节点。
此过程的灵活特性不但允许以更动态更适应的方式执行工作，还允许网格与各种硬件和平台一起使用。即使网格中的某些节点比其他一些节点更快或更慢一些，也不再有任何关系；它们可以在自己（比较）空闲的时间完成工作，并且结果将被排队。其间，更快的系统可能被分配更多的工作并完成更多的工作单元。
出现这种不利现象是因为需要更繁重的管理费用来观察和监视各个节点，以便能够在节点间有效分配工作。在异构环境中，还必须考虑不同的平台，并开发跨支持环境兼容的应用程序。但在网格空间中，Web服务已简化了该过程，使分配工作变得更容易，不必担心这些不同。
HPC 和网格环境之间存在一些类似之处，在许多方面，这二者都出现了一些会合和分歧，不同的团体利用了这两个系统的各自优点。许多网格环境已从HPC解决方案的扩展中产生，基于HPC环境中的工作，网格中使用的许多技术得到了优化和采用。
一些显而易见的类似之处是工作被分配到更小的单元和组件中的方式，以及各个工作节点之间的工作分配方式。在HPC环境中，这种劳动分配通常受到严格控制，并且是根据您的可用资源进行的。网格使用了一种更灵活的模型，该模型允许将工作分配给大小不标准的单元，因此可以在截然不同的网格节点数组之间分配工作。
尽管工作的分配方式上存在不同，但分配的基本原则仍然是相同的：先确定工作及其分配方式，然后相应地创建工作单元。例如，如果遇到计算问题，可以通过创建不同的参数集，利用将应用于每个节点的每个集合的变量来分配工作。
尽管平台独立 HPC 系统非常常见（比如 MPI，它支持多个平台和架构），但 HPC 解决方案并不能直接使用，并且许多使用仍然依赖于架构的统一。
典型网格的不同特性导致工作分配方式发生了变化。因为网格节点可能基于不同平台和架构，所以在不同公用和私用网络上，需要某种以平台为核心的交换工作和请求的方法，该方法使分配工作变得更容易，不必担心目标环境。
Web 服务基于开放标准，使用XML来分配和交换信息。该效果实质上将消除在平台和架构间共享信息的复杂性。可以编写一系列支持不同操作的Web服务，而不是编写跨网格执行的二进制应用程序，这些 Web 服务是为各种节点和平台量身订做的。部署Web服务的费用也比较低，这使得它们对于不使用专用计算节点的网格中的操作比较理想。
通过消除兼容性问题并简化信息分配方法，Web服务使网格的扩展变得更轻松。使用HPC解决方案，通常必须使用基于相同硬件的节点来扩展HPC环境的功能。而使用网格，特别是在使用Web服务时，系统几乎可以在任何平台上扩展。
网格和Web服务的其他问题是由于不再应用关闭的HPC系统和内部HPC系统而导致的常见分配和安全考虑事项。在WAN或公用网络上使用网络节点时尤为如此。对于HPC 解决方案，系统的安全可通过硬件的统一特性得到控制；对于某一位置上的所有机器，安全性更容易控制。
为了提高Web服务的互操作性，特别是在网格环境中，OASIS 团队开发了许多Web服务标准。这些标准都是通过其WS前缀来标识的。通用规范包含一些顶级 Web服务支持和全面保护规范，用于发现Web服务和选项以及信息交换（通过WS-Security）。
更深一层的标准提供了用来共享资源和信息的标准化方法（WS-Resource 和 WS-Resource Framework）、用来可靠地交换消息的标准化方法（WS-Reliable Messaging）、用于事件通知的标准化方法（WS-Notification），甚至是用于 Web 服务管理的标准化方法（WS-Distributed Management）。
通过将Web服务标准支持、安全规范和您自己的定制Web 服务组件结合在一起，可以构建一个使用多个平台和环境的高效网格。然后可以在LAN环境中使用应用程序，或者安全地通过公用网络提供与典型HPC解决方案同样强大的计算资源，但具有扩展的灵活性和对网格技术的标准支持。
网格计算从技术上说是一种高性能计算机，但它在许多方面不同于传统的HPC 环境。大多数传统HPC技术都是基于固定的和专用的硬件，并结合了一些专门的操作系统和环境来产生高性能的环境。相比较而言，网格可以使用日用硬件、不同平台，甚至被配置成可以使用现有基础设施中的多余容量。
尽管存在一些不同，但两个系统也有许多相似之处，特别是查看跨节点的工作分工和分配时。在两种情况下，都可以使用Web服务来帮助支持系统操作。通过使用开放标准并允许支持更广范围的操作系统和环境，Web 服务和网格技术可能在高性能计算解决方案的功效和灵活性方面带来很大的不同。 [1]
有三种DIMM内存可用：UDIMM内存、RDIMM内存和LRDIMM内存。在处理较大型工作负载时，无缓冲DIMM(UDIMM)速度快、廉价但不稳定。寄存器式DIMM(RDIMM)内存稳定、扩展性好、昂贵，而且对内存控制器的电气压力小。它们同样在许多传统服务器上使用。降载DIMM(LRDIMM)内存是寄存器式内存的替代品，它们能提供高内存速度，降低服务器内存总线的负载，而且功耗更低。
HPC系统设计与传统数据中心基础设施设计的一大区别就是选择现成工具或定制系统。现成的系统只能在很小的范围内进行扩展，限制了未来增长。定制可以保持一个开放式的设计，让企业在将来获得更好的扩展功能。然而，额外的功能对于定制系统来说是一笔不小的代价，比购买现成系统要高得多。
HPC应用程序设计与传统设计不同。开发者需要将信息流拆分为并行组。
当集群中出现不一致，HPC管理员可能会看到一些零星的异常货变化，影响应用程序性能。考虑到潜在的性能，IT部门需要实施策略来确认HPC系统中都运行着什么应用程序， 并想办法让配置同步。这些检查每季度应该进行，或者每年不少于两次。
普通的服务器开销为每机柜30kw，这个数字还在不断上升。由于高密度，高效率数据中架构基础设施与冷却系统变得至关重要。 [2]
曙光CAE高性能计算平台一个拥有20000台服务器的信息中心要进行分子动力学模拟无疑是毫无问题的，就好比一个小型工程公司在它的机房里运行计算流体动力学(CFD)模拟。解决工作负载的唯一限制来自于技术层面。接下来我们要讨论的问题是什么能直接加以应用。
量度(Metrics)
性能(Performance)，每瓦特性能(Performance/Watt)，每平方英尺性能(Performance/Squarefoot)和性能价格比(Performance/dollar)等，对于提及的20000台服务器的动力分子簇来说，原因是显而易见的。运行这样的系统经常被服务器的能量消耗(瓦特)和体积(平方英尺)所局限。这两个要素都被计入总体拥有成本(TCO)之列。在总体拥有成本(TCO)方面取得更大的经济效益是大家非常关注的。
性能的定义
在这里把性能定义为一种计算率。例如每天完成的工作负载，每秒钟浮点运算的速度(FLOPs)等等。接下来要思考的是既定工作量的完成时间。这两者是直接关联的，速度=1/(时间/工作量)。因此性能是根据运行的工作量来进行测算的，通过计算其完成时间来转化成所需要的速度。
定量与定性
为此介绍部分量化模型和方法技巧，它们能非常精确的对大家的业务决策进行指导，同时又非常简单实用。举例来说，这些业务决策涉及的方面包括：
计划---突出性能的关联性和局限性来制定中期商业计划
Linux高性能计算集群模型包括四类主要的硬件组成部分。
高性能计算机的衡量标准主要以计算速度(尤其是浮点运算速度)作为标准。高性能计算机是信息领域的前沿高技术，在保障国家安全、推动国防科技进步、促进尖端武器发展方面具有直接推动作用，是衡量一个国家综合实力的重要标志之一。
随着信息化社会的飞速发展，人类对信息处理能力的要求越来越高，不仅石油勘探、气象预报、航天国防、科学研究等需求高性能计算机，而金融、政府信息化、教育、企业、网络游戏等更广泛的领域对高性能计算的需求迅猛增长。
一个简单量化的运用模型
这样一个量化的运用模型非常直观。在一个集群上对既定的工作完成的时间大约等同于在独立的子系统上花费的时间：e
Time = Tnode + Tfabric + Tstorag
这里所说的时间(Time)指的是执行工作量的完成时间，节点时间(Tnode)是指在计算节点上花费的完成时间，电缆时间(Tfabric)是指在互联网上各个节点进行互联的完成时间，而存储时间(Tstorage)则是指访问局域网或全球存储系统的完成时间。
这里所说的内核时间(Tcore)指的是在微处理器计算节点上的完成时间。而内存时间(Tmemory)就是指访问主存储器的完成时间。这个模型对于单个的CPU计算节点来说是非常实用的，而且能很容易的扩展到通用双插槽(SMP对称多处理)计算节点。为了使第二套模型更加实用，子系统的完成时间也必须和计算节点的物理配置参数相关联，例如处理器的速度，内存的速度等等。
计算节点
图示中的计算节点原型来认识相关的配置参数。图示上端的是2个处理器插槽，通过前端总线(FSB-front side bus)与内存控制中心(MCH)相连。这个内存控制中心(MCH)有四个存储信道。同时还有一个Infiniband HCA通过信道点对点串行(PCIe)连接在一起。
性能参数高速缓存存储器的体积也会对性能产生影响，它能减少主频所承载的工作负荷以提高其运算速度。处理器内核的数量(Ncores)同样会影响性能和成本。内存子系统的速度可以根据双列直插内存模块频率(fDIMM)和总线频率(fBus)进行参数化，它在工作负荷状态下也对性能产生影响。同样，电缆相互连接(interconnect fabric)的速度取决于信道点对点串行的频率。
使用的性能参数
在图示中标明的6个性能参数中，保留四个和模型相关的参数。
首先忽略信道点对点串行的频率(fPCIe)，因为它主要影响的是电缆相互连接(interconnect fabric)速度的性能，这不在范围之列。
接下来注意一下双列直插内存模块频率(fDIMM)和总线频率(fBus)会由于内存控制中心(MCH)而限于固定比率。
在这个模型中保留这个参数。内核的数量(Ncores)和内核频率(fcore)也非常重要，保留这两个参数。
高性能计算(HPC)模型
这第二个模型的基本形式在计算机体系研究领域已经存在了很多年。
A普通模式是：
(3) CPI = CPI0 + MPI * PPM
这里的CPI指的是处理器在工作负荷状态下每执行一个指令的周期。CPI0是指内核CPI，MPI I则是指在工作负荷状态下高速缓存存储器每个指令失误的次数(注释：在高性能计算领域，MPI主要用于信息传递界面，在此处主要是指处理器构造惯例)，PPM是指以处理器时钟滴答声为单位对高速缓存存储器每个指令失误的次数的记录。第二和第三个方程式相互吻合。这第一个术语代表的是处理器，第二个术语代表的是内存。
可以直观的看到，假设每项工作下执行的P指令的工作负荷与代表处理器的频率的内核频率(每秒钟处理器运行周期的单位)再与方程式(3)相乘，就得到了方程式(4):
Tnode = (CPIo * P) * (1 / fcore) + (MPI * P) * PPM * (1 / fcore)
在这里要注意(CPIo * P)是以每项工作分配下处理器的运行周期为单位，对微处理器架构上运行的既定工作负荷通常是个恒量。因此把它命名为α。(处理器周期本身无法对时间进行测算，如果乘以内核的频率就可以得到时间的测算标准。因此Tnode在方程式(4)的右边)。
(MPI * P)也是同理。对于既定工作负荷和体系结构来说它也是个恒量，但它主要依赖于高速缓存存储器的体积。我们把它命名为M(MBcache)。而PPM是指访问主存的成本。对于既定的工作负荷来说，通常是个固定的数字C。PPM乘以内存频率和总线频率的比值(fcore / fBus)就从总线周期(bus cycles)转化成了处理器周期。因此PM = C * fcore / fBus。套入M(MBcache)就可以得到：
(5) Tnode = α * (1 / fcore) + M(MBcache) * (1 / fbus)
这个例子说明总线频率(bus frequency)也是个恒量，方程式(5)可以简化为方程式(6)：
(6) Tnode = α * (1 / fcore) + β
在这里Tcore = α * (1 / fcore)，而Tmemory = β(也就是公式2里的术语。我们把这些关键点关联在一起)。
首先在模型2里，公式5和公式6都有坚实的理论基础，因为经分析过它是如何从公式3推理而来(它主要应用于计算机体系理论)。其次，这个模型4个硬件性能参数的3个已经包括其中。还差一个参数就是内核数量(Ncores)。
用直观的方式来说明内核的数量，就是假设把N个内核看做是一个网络频率上运行的一个内核，称之为N*fcore。那么根据公式(6)我们大致可以推算出：
(7) Tcore ~ α / (N*fcore)
Tcore~ ( α / N) * (1 / fcore )
也可以把它写成：
(8) αN = ( α / N)
通过数学推算这几乎是完全可能的。
通常情况下我们是根据系统内核和总线频率(bus frequencies)来衡量计算机系统性能，如公式(5)所阐述的。但是公式(5)的左边是时间单位--这个时间单位指的是一项工作量的完成时间。这样就能更清楚的以时间为单位说明右侧的主系统参数。同时请注意内核的时钟周期τcore(是指每次内核运行周期所需的时间)也等同于(1 / fcore)。总线时钟(bus clock)周期也是同理。
(9) Tnode = αN * τcore + M(MBcache) * τBus
这个公式的转化也给了一个完成时间的模型，那就是2个基本的自变量τcore和τBus呈现出直线性变化。这对使用一个简单的棋盘式对照表对真实系统数据进行分析是有帮助的。 [3]
曙光2000从市场的角度来讲，高性能计算机是高技术、高利润而且市场份额在不断扩大的一个产业。高性能计算机在政府部门、科研等领域的广泛应用，对增强一个国家的科技竞争力有着不可替代的作用。另外，美国和欧洲的经验已经证明，企业使用高性能计算机能够有效地提高生产率。
高性能计算机的发展趋势主要表现在网络化、体系结构主流化、开放和标准化、应用的多样化等方面。网络化的趋势将是高性能计算机最重要的趋势，高性能计算机的主要用途是网络计算环境中的主机。以后越来越多的应用是在网络环境下的应用，会出现数以十亿计的客户端设备，所有重要的数据及应用都会放在高性能服务器上，Client/Server模式会进入到第二代，即服务器聚集的模式，这是一个发展趋势。
网格（Gird）已经成为高性能计算的一个新的研究热点，是非常重要的新兴技术。网络计算环境的应用模式将仍然是Internet/Web，但5～10年后，信息网格模式将逐渐成为主流。在计算网格方面美国大大领先于其他国家。有一种观点认为，美国当前对于网格研究的支持可与其70年代对Internet研究的支持相比，10年后可望普及到国民经济和社会发展的各个领域。网格与Internet/Web的主要不同是一体化，它将分布于全国的计算机、数据、贵重设备、用户、软件和信息组织成一个逻辑整体。各行业可以在此基础上运行各自的应用网格。美国开始了STAR-TAP计划，试图将网格扩展到全世界。
在体系结构上，一个重要的趋势是超级服务器正取代超级计算机而成为高性能计算的主流体系结构技术。高性能计算机市场的低档产品将主要是SMP（Symmetric MultiProcessor，对称多处理机），中档产品是SMP、CC-NUMA（Cache Coherent-Non Uniform Memory Access，支持缓存一致性的非均匀内存访问）和机群，高档产品则将采用SMP或CC-NUMA节点的机群。在2001年左右，将会出现结合了NUMA（COMA和CC-NUMA）和机群体系结构优点的混合式结构，称之为Cluster-NUMA(C-NUMA)系统。可重构、可分区、可配置特性将变得越来越重要。此外还有一种新兴的称为多线程（Multithreading）体系结构将用于超级计算机中，它的代表是Tera公司的MTA系统，一台8 CPU的MTA已经成功地运行在圣地亚哥超级计算机中心。值得注意的是，所有厂家规划的高档系统都是机群，已经有厂家开始研究C-NUMA结构。
美国一直是世界上最重视高性能计算机、投入最多和受益最大的国家，其研究也领先于世界。美国能源部的加速战略计算ASCI计划，目标是构造100万亿次的超级计算机系统、软件和算法，在2004年真实地模拟核爆炸；白宫直属的HECC（High-End Computing and Computations）计划，对高性能计算的关键技术进行研发，并构建高性能基础设施；Petaflops计划开发构造千万亿次级系统的技术；最新的Ultrascale计划目标在2010年研制万万亿次级系统。日本计划将于2002年研制成40万亿次的并行向量机。欧洲的强项则主要体现在高性能计算机的应用方面。
总的来说，国外的高性能计算机应用已经具有相当的规模，在各个领域都有比较成熟的应用实例。在政府部门大量使用高性能计算机，能有效地提高政府对国民经济和社会发展的宏观监控和引导能力，包括打击走私、增强税收、进行金融监控和风险预警、环境和资源的监控和分析等等。
高性能计算机能为企业创造的价值是非凡的，国外的企业和用户已经充分地认识到这一点。一个证明是，20世纪90年代中期以来，国外80%以上企业的信息主管在选购机器时考虑高性能计算机，而在20世纪90年代初，这个数字只有15%。
在国内这方面的宣传教育工作还很不够，没有让企业、政府和社会充分认识到高性能计算机的益处，从而导致了一些观念上的误解。以往一提起高性能计算机，人们马上就会联想到用于尖端科学计算的超级计算机。实际上，高性能计算机90%的用途是非科学计算的数据处理、事务处理和信息服务，它早已不是象牙塔里的阳春白雪。随着“网络计算”和“后PC时代”的到来，全世界将有数十亿的客户端设备，它们需要连到数百万台高性能服务器上。高性能计算机将越来越得到产业界的认同，成为重要的生产工具。
此外，人们一直以来还有这样一个认识误区，认为高性能计算机是面向高新产业和服务业的，而传统产业（尤其是制造业）并不需要使用。事实上，高性能计算机能够广泛应用于生物、信息、电子商务、金融、保险等产业，它同时也是传统产业（包括制造业）实现技术改造、提高生产率——“电子生产率”(e-productivity)和竞争力的重要工具。高性能计算已从技术计算（即科学计算和工程计算）扩展到商业应用和网络信息服务领域。的曙光2000-Ⅱ就瞄准了技术计算、商业应用和网络服务这3个领域的应用。
应该说，高性能计算机在国内的研究与应用已取得了一些成功，包括曙光2000超级服务器的推出和正在推广的一些应用领域，如航空航天工业中的数字风洞，可以减少实验次数，缩短研制周期，节约研制费用；利用高性能计算机做气象预报和气候模拟，对厄尔尼诺现象及灾害性天气进行预警，国庆50周年前，国家气象局利用国产高性能计算机，对北京地区进行了集合预报、中尺度预报和短期天气预报，取得了良好的预报结果；此外，在生物工程、生物信息学、船舶设计、汽车设计和碰撞模拟以及三峡工程施工管理和质量控制等领域都有高性能计算机成功应用的实例。
但是总的说来，高性能计算机在国内的应用还比较落后，主要原因在于装备不足、联合和配套措施不力及宣传教育力度不够。首先，国内高性能计算机的装机量明显不足。1997年世界高性能计算机的销售额美国约为220亿美元，中国约为7亿美元。美国的微机销售额约占世界市场的38%，高性能计算机占世界的34%，均高于其GDP所占世界份额（25%左右）。中国的微机销售额约占世界市场的3%，高于中国GDP的份额（2.6%）；但中国高性能计算机销售额所占世界份额仅为1%左右，低于GDP的份额。从另一个角度看，中国的微机市场接近美国的1/10，但中国的高性能计算机市场不到美国的1/30。
装备不足严重影响了高性能计算机应用的开发和人才的培养，这些反过来又影响了高性能计算机的使用和装备。值得庆幸的是，随着网络化和信息化工作的深入，国内社会已开始意识到高性能计算机的重要性。1999年，中国高性能计算机的市场销售额猛增了50%以上。
除了装备不足之外，我认为社会各行业、各层次的合作和配合不力也是阻碍高性能计算机应用发展的重要原因。应用市场的扩展关键要靠联合，在中国高性能计算机领域，系统厂商、应用软件厂商与最终用户和服务商之间并没有结成有效的战略联盟，形成优势互补的局面。我希望看到的是，曙光、联想、浪潮的服务器，运行着东大阿尔派、用友、同创等厂家的软件，在新浪网、8848网上为各行业的用户提供各种服务。国家正在实施一个“国家高性能计算环境”的计划，正朝着这方面努力。
国家863计划主题正在实施一个“国家高性能计算环境”的项目，计划到2000年年底在全国建设10个左右的高性能计算中心，这些中心将通过千兆位网络互连。目标就是尽量让全国用户免费共享全国的计算资源、信息资源和人才资源。这只是一个初期的项目，估计在2000年下半年会规划更大的项目。值得注意的是，已经规划的应用包括生物信息学、数字图书馆、科学数据库、科普数据库、汽车碰撞、船舶设计、石油油藏模拟、数字风洞、气象预报、自然资源考察和远程教育等领域。
2000年5月14～17日，国内将在北京组织一个“亚太地区高性能计算国际会议及展览”，届时全球二十几个国家和地区的代表以及国内外主流的服务器厂商将参加会议，会议计划围绕一些课题做特邀报告：美国工程院院士、Microsoft资深科学家Gordon Bell将讨论“后PC时代：当计算、存储和带宽都免费时，我们面临什么样的挑战？”，自由软件创始人Richard Stallman 将讨论“自由软件运动及GNU/Linux”，俄罗斯科学院院士Boris Babayan将介绍俄罗斯花了6年功夫新近发明的一种电脑芯片，据称它比Intel的Pentium Ⅲ和Itanium快几倍，而且具有安全、防病毒功能。
IBM深度计算研究所所长Pulley Blank将介绍“深蓝、基因蓝以及IBM的深度计算战略”。从会议的内容上我们能够看出，高性能计算的范围已超出了高端科学计算的领域。相信这次会议对国内高性能产业的发展将起到一定的推动作用。
此外，国家还有一个重大基础研究计划（也叫973项目）。高性能计算已经成为科技创新的主要工具，能够促成理论或实验方法不能取得的科学发现和技术创新。973项目中的很多项目（尤其是其中的“高性能软件”和“大规模科学计算”项目）都与高性能计算机有着密切的关系。 [4]
对于国内用户来说，个人桌面超级运算不再是梦想。在其工作站业务迎来10周年之际，方正科技宣布将在中国市场推出具有超级计算能力的高性能工作站。其最新推出的旗舰机型美仑3400 2800，提供强大图形处理与高性能计算解决方案，采用全新英特尔“至强”处理器，搭载新一代NVIDIA Tesla GPU，能实现高性能的GPU超级运算，从而将工作站变身为桌面型超级计算机，满足专业用户的高性能计算需求。
对于国内用户来说，GPU（图形处理器）并不陌生，但对于GPU计算这一新兴运算方式，可能还不熟悉。简单来说，GPU计算即使用GPU（图形处理器）来执行通用科学与工程计算。目前的CPU最多只集成了4个内核，而GPU已经拥有数以百计的内核，在高密度并行计算方面拥有得天独厚的优势。方正科技推出的高性能计算工作站，使用CPU+GPU的异构计算模型，应用程序的顺序部分在CPU上运行，而计算密集型部分则由GPU来分担。这样，系统计算力得到淋漓尽致的释放，应用程序的运行速度能够提升1-2个数量级。
GPU计算的概念一经提出，就在高性能计算领域掀起了一场前所未有的风暴。在过去4年里，已经有累计1亿颗以上的GPU被三星、摩托罗拉等公司和哈佛、斯坦福等上百所高校研究机构应用于癌症的治疗和科研教学等多种领域。日本最快的超级电脑也采用了GPU计算这项技术。微软的WIN7已经融入GPU运算功能。而下游厂商如惠普、方正、联想等也一直积极紧跟技术潮流，积极研发GPU计算应用产品。NVIDIA的首席执行官黄仁勋曾大胆预言：“2009年是GPU引爆年，CPU+GPU的个人运算时代已经来临。”
机群——未来高性能的发展方向
高性能计算机的主流体系结构收缩成了三种，即SM、CC-NUMA、Cluster。在产品上，只有两类产品具有竞争力：一是高性能共享存储系统；二是工业标准机群，包括以IA架构标准服务器为节点的PC机群和以RISC SMP标准服务器为节点的RISC机群。当前，对高性能计算机产业影响最大的就是“工业标准机群”了，这也反映了标准化在信息产业中的巨大杀伤力。工业标准机群采用量产的标准化部件构成高性能计算机系统，极大地提高了性能价格比，从科学计算开始逐渐应用到各个领域。
关键在应用
20世纪90年代以来，中国在高性能计算机的研制方面已经取得了较好的成绩，掌握了研制高性能计算机的一些关键技术，参与高性能计算机研制的单位已经从科研院所发展到企业界，有力地推动了高端计算的发展。中国的高性能计算环境已得到重大改善，总计算能力与发达国家的差距正逐步缩小。
随着曙光、神威、银河、联想、浪潮、同方等一批知名产品的出现，中国成为继美、日之后第三个具备高端计算机系统研制能力的国家，被誉为世界未来高性能计算市场的“第三股力量”。在国家相关部门的不断支持下，一批国产超级计算机相继面世，大量的高性能计算系统进入教育、科研、石油、金融等领域，尤其值得一提的是曙光4000A在全球TOP500中排名进入前十，并成功应用于国家网格主节点之一——上海超级计算中心。
提及摩尔定律，作为计算机发展的第一定律一直在引领IT产业的前行。不过随着多核技术的发展和应用，摩尔定律在面临挑战的同时，在某些领域已经被超越。例如在日益普及的高性能计算（HPC）中。那为何摩尔定律会首先在高性能计算领域被超越？这之中又隐含着怎样的产业趋势？
首先从代表全球高性能计算水平和趋势的全球高性能计算TOP500近几年性能发展的趋势看，无论是最大性能（全球排名第一的系统）、还是最小性能（全球排名最后）和平均性能，其发展曲线的速度是基本一致的。但与摩尔定律的发展曲线相比，则明显处于陡势的增长态势。这说明这两年来，高性能计算性能和应用的发展速度已经超越了摩尔定律。熟悉摩尔定律的人都知道，摩尔定律有三种解释。一种是集成电路芯片上所集成的电路的数目，每隔18个月就翻一番；第二种是微处理器的性能每隔18个月提高一倍，而价格下降一半；第三种解释是用一个美元所能买到的电脑性能，每隔18个月翻两番。这三种解释中业内引用最多的是第一种。但具体到高性能计算，笔者更愿意用第二或者第三种来解释。
按理说，随着高性能计算性能的不断提升和系统的日益庞大，高性能计算用户无论在初期的采购搭建系统，还是后期的使用中的成本都会大幅的增加，在经济危机的特殊时期，高性能计算如此大的TCO会导致用户的减少和整体性能的下降才对。但前不久发布的全球高性能计算TOP500证明，增长的势头未减，这除了市场和用户的需求外，更在于处理器厂商采用新的技术，在性能提升的同时，让用户以更低的成本享受到更高、更多的计算性能。从这个意义上看，摩尔定律在被延续的同时也正在被超越，即在高性能计算领域，用户性能/投入比远远大于摩尔定律。当然这主要得益于处理器制程、架构技术、多核技术、节能技术、软件优化和快速部署等。
例如从制程和核数上看，最新的全球高性能计算TOP500排名显示，45纳米已经占据了绝对的主流。而多核也达到了全球TOP500的2/3。从部署的速度看，AMD刚刚发布不久的6核就已经有两套进入TOP500中。而英特尔正式发布的新的Nehalem多核架构的高性能计算系统更有33套（基于这个处理器的系统）进入TOP500，其中有两套在TOP20里。快速的部署给用户带来的是最新技术和性能的获得。
当然对于用户而言，多核并非是关键，重要的是如何充分发挥多核的效能。这就需要相关的平台技术和软件优化。例如在高性能计算领域，业内都听说过“半宽板”这个标准。这个“半宽板”标准其实是英特尔在几年前提出的，半宽的小板在加高计算密度的同时，节约了很多复用的部件，在加强高性能计算的密度同时，配合散热的技术设计，可以提供更多的计算能力同时降低能耗。这就引出了一个新的发展方向，即高性能计算未来发展就是能耗更多被用于计算性能的提高，而不是散热。此外，就是SSD（固态硬盘），它可以在大幅提高高性能计算系统可靠性和I/O性能的同时，还可以降低功耗。而软件优化更是高性能计算中重中之重的部分，编译器、函数库以及MPI库，所有这些可以帮助ISV能够把多核处理器的计算性能充分发挥出来。
说到能效，笔者早就听说在业内有个与摩尔定律同样重要的“基辛格规则”。它是以处理器业界闻名的英特尔首席技术官帕特·基辛格名字命名的。该规则的主旨是今后处理器的发展方向将是研究如何提高处理器能效，并使得计算机用户能够充分利用多任务处理、安全性、可靠性、可管理性和无线计算方面的优势。如果说“摩尔定律”是以追求处理性能为目标，而“基辛格规则”则是追求处理器的能效，这规则至少在高性能计算领域已经得到了验证，而它由此带来的是摩尔定律的被超越，即用户将会在更短的周期，以更低的价格获得更高的能效。
气象工作离不开高性能计算机
随着社会经济的发展，政府、社会和公众对气象预报和服务提出了更高的要求，特别是一些特殊气象保障任务需要预报员提供定点、定时、定量的精细气象预报和服务。而对于现代天气预报而言，为确保其实施的实效性和运行的稳定性，必然要求建立在数值预报基础之上，但数值模式普遍具有计算规模巨大、高精度等特点，于是高性能计算机便成为了现代气象研究的中流砥柱。
数值天气预报水平的高低已成为衡量世界各国气象事业现代化程度的重要标志。美国国家大气研究中心与科罗拉多大学合作，采用了IBM蓝色基因超级计算机来仿真海洋、天气和气候现象，并研究这些现象对农业生产、石油价格变动和全球变暖等问题的影响。日本科学家研制成功了代号为“地球模拟器”的超级计算机，其主要目的就是要提供准确的全球性天气预报，使各个国家和地区更好地防御暴风雪、寒流和酷暑期的到来。
我国是一个幅员辽阔的国家，在气候上呈现多层次、多样性、多变性等特点，尤其是近几年洪涝、干旱等自然灾害比较严重，及时、准确的天气预报逐步受到重视，因此随着地区气象市场的逐步成熟，更高效率的高性能计算机成为了人们关注的对象。作为国产服务器第一品牌的曙光公司，一直以来就非常关注气象领域对高性能计算机的需求。
由于采用了软硬件一体化设计，曙光气象专用机在硬件平台上直接移植了在中尺度数值天气预报领域处于领先地位的NCA MM5系统，这套系统每天自动定时定点进行业务系统预报，从数据导入到气象绘图的整个流程自动完成，不需要人工干预；用户可以随时监控整个系统的运行，大大节约了操作的时间。甚至不需要任何计算机系统知识的培训，用户就可以快速掌握整个预报系统。而且该系统既可以作为业务预报系统，又可以作为气象研究和测试的平台，一机多用，用户可以根据自己的需要进行参数设定和算法调试。系统还提供了数据保存功能，使得用户可以对以往一个月内不满意的预报进行重新计算和分析，最大限度地满足了气象部门准确及时预报的需求。
气象工作离不开高性能计算机，而且每隔三四年就有一次主机的更新，速度还要提高一个数量级。在前10年，我们还只能选择国外品牌高性能计算机，而近几年以曙光为代表的高性能计算机已经明显提升了气象服务的综合实力。曙光机在我国气象领域取得了非常广泛的应用，大大促进了中国气象科技水平的提升，为老百姓的日常出行和众多国家重大工程提供了强有力的保障。从日常天气预报到大型气候研究、从陆地到海洋、从地面水文气象到太空天气等领域，都活跃着曙光高性能计算机的身影。 [5]
天河一号（TH-1）全称“天河一号超级计算机系统”，是一台由中国国防科大和天津滨海新区提供的异构超级计算机，名字“天河”意思为“银河”。天河一号的操作系统为银河麒麟。浪潮集团也参与了这一全球超级计算机的建设工作。
2010年10月，《2010中国高性能计算机TOP100排行榜》正式对外发布，经过技术升级优化后的“天河一号”超级计算机系统，以峰值性能每秒4700万亿次、LINPACK实测值持续性能每秒2507万亿次的性能再登榜首。升级优化后的“天河一号”，配备了14336颗至强X5670处理器、7168块基于Nvidia “Fermi”架构的Tesla M2050计算卡、2048颗国防科技大学研制的飞腾处理器以及5PB存储设备。
天河-1A峰值性能提高了3.89倍，持续性能提高了4.45倍，其运算速度与能效均达到当前国际领先水平。升级后的“天河一号”的实测性能是此前全球最快的超级计算机美洲虎的1.425倍。与诞生于一年前的“天河一号”一期系统相比，二期系统的峰值性能和持续性能分别提高了2.89倍和3.45倍。
根据2014年6月份TOP500的排名，中国国防科大开发的天河二号连续第三次位列世界第一，LINPACK实测速度33,862.7TFlop/s，理论峰值54,902.4TFlop/s。 [7]
