容器的整合推动了服务器的挑选

虚拟化容器代表了一种相对较新的虚拟化办法，其答应企业的开发人员和IT团队将应用程序创建和布置为打包的代码和依赖在一起联系的实例——但容器同享相同的底层操作体系内核。容器关于高度可扩展的根据云的应用程序的开发和布置非常有吸引力。

与虚拟机整合一样，核算资源将对服务器可能承载的容器数量发生直接的影响，因而用于容器的服务器应供给满足数量的RAM和处理器内核。更多的核算资源一般会答应更多的容器。

可是很多的同步容器会给服务器带来严峻的内部I/O挑战难题。每个容器有必要同享一个通用的OS内核。这意味着可能稀有十个乃至数百个容器企图与同一个内核进行通讯，导致操作体系推迟过大，从而可能影响容器的功能。同样，容器一般作为应用程序组件布置，而不是完好的应用程序。这些组件容器有必要相互通讯，并根据需要进行扩展，以进步全体作业负载的功能。这会在容器之间发生巨大的——有时是不可猜测的 ——API流量。在这两种情况下，服务器本身的I/O带宽约束以及应用程序的架构规划功率都会约束服务器可能成功保管的容器的数量。

当许多集装箱化的作业负载有必要经过局域网或广域网与服务器之外进行通讯时，网络I / O也可能形成潜在的瓶颈。网络瓶颈可能会下降对同享存储的访问速度，推迟对用户的呼应，乃至导致作业负载过错。考虑容器和作业负载的网络需求，并为服务器配置满足的网络容量——既可所以一个快速的10 GbE端口，也可所以多个1 GbE端口，这些端口可以会集在一起，以进步速度和弹性。

大多数类型的服务器均可以保管容器，可是选用大容量容器的企业安排往往会挑选选用刀片服务器来将核算容量与丈量的I/O容量结合起来，将容器涣散到多台刀片上以分配I/O负载。企业公司(HPE)的ProLiant BL460c Gen10服务器刀片便是这类服务器的一个比如：其拥有多达26个处理器内核和2 TB DDR4内存。

可视化和科学核算会影响企业怎么挑选服务器

图形处理单元(GPU)越来越多地出现在服务器等级，以协助履行从大数据处理和科学核算到更多与图形相关的使命(如建模和可视化)在内的数学密集型使命。GPU还使IT可以在遭到更好维护的数据中心中保存和处理灵敏、有价值的数据集，而不是让数据流向简单复制或被盗的事务终端。

一般来说，对GPU的支撑只需要在服务器中添加一款合适的GPU卡——对服务器的传统处理器、内存、I/O、存储、网络或其他硬件细节几乎没有影响。可是，企业级服务器中包含的GPU适配器一般比可用于桌面台式机或作业站的GPU适配器杂乱得多。事实上，GPU越来越成为刀片体系的高度专业化模块。

例如，企业公司的图形服务器刀片运用具有两个GPU的Nvidia Tesla M60高速外设组件互连显卡，4096个一致核算设备架构内核和16 GB的图形DDR5独立视频RAM。图形体系经过运用多个图形服务器刀片来支撑多达48个GPU。很多受支撑的GPU硬件(特别是在GPU硬件也被虚拟化时)答应许多用户和作业负载同享图形子体系。

注：文章内容和图片均来源于网络，只起到信息的传递，不是用于商业，如有侵权请联系删除！