分享一个故事。

有一家名为“未来芯（名字来源于AI虚拟，如有雷同，纯属巧合）”的芯片研发公司，作为该公司的研发总监，Peter的芯片设计团队，由一群充满激情的工程师组成，他们每天都在与摩尔定律赛跑，试图在硅片上雕刻出智能的未来。

## 让我们一起来看一下Peter团队的故事：

我们使用的是业内先进的EDA工具，它们在本地HPC集群上运行，负责从RTL（寄存器传输级）设计到GDSII（图形数据系统II）输出的全过程。

**在芯片设计的初期**，我们进行架构规划和功能定义，这个阶段对算力的需求相对较低，**本地HPC集群足以应对**。

但随着设计的深入，尤其是进入RTL编码和仿真阶段，算力需求激增。我们的工程师们开始在本地集群上进行大规模的逻辑综合、时序分析和功耗优化，这时，集群的算力开始显得捉襟见肘。

**在后端设计阶段**，当我们开始进行物理设计，包括布局、布线和版图验证时，**算力需求达到了顶峰**。这时，我们的本地HPC集群几乎全天候运转，但仍然无法满足日益增长的计算需求。仿真周期的延长直接影响了产品的上市时间，这对于竞争激烈的芯片市场来说，无疑是致命的。

面对这一挑战，我们开始探索新的解决方案。**我们考虑过扩大本地集群，但高昂的硬件成本和维护费用让我们望而却步。这时，我们想到了云计算，通过将部分计算任务迁移到云端，我们可以实现算力的弹性扩展，同时降低硬件投资。**

然而，我们团队的工程师已经是满负荷状态，迁移上云需要团队花时间对云端算力进行更深入的分析、研究、测试，才能找到性能和成本的最佳平衡点。我们需要的不仅仅是云计算资源，更需要的是**一套能够无缝整合本地和云端资源的混合云算力调度解决方案。**

这个时候，MMCloud进入了我们的视野。MMCloud提供的不仅仅是云计算资源，更是一种全新的算力管理理念。

我们被MMCloud的“按需使用”模式所吸引。在业务闲时，云资源成本可以降至零，这大大降低了我们的运营成本。而且，MMCloud的自动化管理功能，可以在高并发大算力需求时自动将计算任务溢出到公有云上，任务结束后自动回收资源，这极大地提高了我们的工作效率。

我们决定采用MMCloud，将其作为我们混合云算力调度的解决方案。在MMCloud的帮助下，**我们成功地将本地HPC集群与云端算力相结合，实现了算力资源的最优配置**。我们的芯片设计流程变得更加高效，仿真周期缩短，设计质量得到提升，产品上市时间也得到了保障。

Peter团队的算力困境终于得到了解决，在芯片设计场景下，好的算力支持就是芯片企业和时间赛跑的最优助力。


## 芯片研发设计场景下面临的算力挑战

**成本问题**：芯片研发设计过程中，无论是依赖本地集群还是云端算力，都不可避免地面临高昂的IT成本。此外，资源的大量浪费进一步加剧了这一问题。

**算力波动**：在芯片设计的各个阶段，对算力的需求呈现出显著的波动性，这要求解决方案能够灵活应对不同阶段的算力需求。

**管理复杂性**：随着混合云架构的普及，算力资源的管理变得更加复杂。企业需要精通本地和云端的IT架构，以确保资源的有效利用。

## MMCloud芯片研发设计混合云算力解决方案

MMCloud通过提供本地和公有云资源的统一管理，为使用Synopsys、Cadence、Mentor等主流EDA软件的芯片研发设计企业提供全面的算力管理服务。我们的服务涵盖大规模弹性算力的供给、分发、调度、智能匹配以及资源回收等全生命周期管理。

![](https://baywatch-api.memverge.com/media/upload/202402/240229085631549113.png)

**按需弹性**：用户可以根据实际需求申请公有云资源，并实现计算需求的实时弹性伸缩。在业务闲时，云资源成本可降至零。

**自动化管理**：在高并发大算力需求时，MMCloud能够自动将计算任务溢出到公有云上；任务完成后，资源自动回收，无需人工干预。

**智能调度**：MMCloud采用应用级智能调度策略，根据作业运行时的负载情况，自动适配不同规格的云主机实例，以实现成本与性能的最佳平衡。

**零学习成本**：所有这些功能都是平台后台的自动化能力，对用户完全透明，无需额外学习成本。

通过MMCloud，芯片研发设计企业可以更加专注于创新，而将研发效率提升、算力管理的复杂性交给我们。

使用Memory Machine Cloud（简称MMCloud）的生信工程师们为什么工作效率比别人高呢？我们悄悄总结了MMCloud的三个核心优势——可观测性、资源适配与自动化。

### WaveWatcher：应用可观测性的重要性

想象一下，我们站在一座大楼外，想要了解其内部的运作情况。这时，应用可观测性就像一扇窗户，让我们通过分析日志、度量和追踪信息，深入了解软件应用的行为。这样的洞察力能帮助我们找出性能瓶颈，迅速解决问题，以及合理分配资源，为软件应用提供最佳运行环境。

在MMCloud中对应的功能叫做WaveWatcher，它通过追踪“作业”（可以是应用、工作流或流水线）使用的CPU、内存、网络、存储（大小、吞吐量和IO）来提升其性能。以下是Sentieon WGS的WaveWatcher结果示例：
![](https://baywatch-api.memverge.com/media/upload/202312/231219061332352988.png)

这个流程可以划分为不同的步骤，每个步骤都有相应的“行为”。下表显示了这些步骤所消耗的资源。
![](https://baywatch-api.memverge.com/media/upload/202312/231219061347018383.png)

### WaveRider：超越可观测性的智能助手

如果说WaveWatcher如同一位敏锐的观察者，收集关于应用行为的宝贵数据。那么WaveRider就是一个智能助手，利用这些数据自动调整资源规模，确保应用、流程和工作流始终保持在最佳状态。

同时，WaveRider还关注环保，致力于减少二氧化碳排放。通过避免欠配置和过度配置，WaveRider实现了资源的高效利用，让我们无需担心性能问题和浪费。

### 三大支柱构建完美云计算体验

Memory Machine Cloud的三大支柱——任务自动化（Float）、可观测性（WaveWatcher）和规模适配（WaveRider）——共同构建了一个完整的云自动化解决方案。就像三位默契的舞者，他们协同工作，消除了在多个解决方案之间进行集成的烦恼。

用户只需通过Float CLI或GUI提交作业，如生物信息学分析流水线，WaveWatcher和WaveRider便会默契配合，自动观察作业行为并调整资源规模，实现有状态作业的支持。

### 与其他解决方案的比较：一体化优势

与其他解决方案相比，MMCloud提供了一体化的解决方案，让云计算体验更加流畅、高效。就像一位全能的大厨，为我们准备了一道美味佳肴，无需我们在厨房里手忙脚乱地尝试各种食材和烹饪方法。
![](https://baywatch-api.memverge.com/media/upload/202312/231219061417833484.png)

想象一下，在云上运行有状态、非容错的工作负载或流水线如同驾驶一辆汽车。您是否希望拥有一辆能自动调整速度、避免拥堵，同时节能环保的汽车？MMCloud正是这样的理想工具，它能帮助您减少云成本和作业运行时间，让您专注于核心业务，无需担心在多个解决方案之间的集成问题。

博客 - Cloud Automation