今天，白盒系统的广阔海洋受到服务器特性的新一轮专业化挑战。部分组织正在重新发现一台服务器可能确实适合所有的工作负载。您可以选择甚至定制服务器群集硬件以适应特定的使用类别。

 

　　虚拟机整合以及网络级I/O增加带来的优势

 

　　服务器虚拟化的核心优势是能够在同一台物理服务器上托管多个虚拟机，以充分利用服务器的可用计算资源。虚拟机主要依靠服务器内存（RAM）和处理器的内核数量。无法详细确定给定服务器上可以驻留的虚拟机数量，因为您可以将虚拟机配置为使用各种内存空间和处理器内核。但是，服务器上的经验法则包括选择一枚具有更多内存的处理器，（更多的）处理器内核数量通常允许更多的VM驻留在同一台服务器上，这样可以提高整合性。

 

　　例如，Dell EMC PowerEdge R940机架式服务器可以支持多达28个处理器核心，并提供48个双倍数据速率4（DDR4）双列直插式内存模块（DIMM）插槽，最多支持高达6 TB的内存。有些组织可能选择部署单独的机架式服务器，而选择刀片服务器作为替代形式，或者作为超融合基础设施系统的组成部分。服务器适用于高级别的虚拟机整合，包括冗余的热插拔电源以及DIMM热插拔和DIMM镜像等弹性内存功能。

 

　　接下来考虑关于如何选择高度整合的服务器，目的是提升对网络级I/O的关注。企业级工作负载通常交换数据、访问集中式存储资源、在不同的LAN或WAN之间通过接口与用户通讯。当多个虚拟机尝试共享相同的低端网络端口时，可能会导致网络瓶颈。综合服务器可以从快速网络接口中受益，例如万兆以太网端口，但选择具有多个GbE端口的服务器通常更经济，也更为灵活，您可以将其整合在一起以提高速度和弹性能力。

 

　　在选择服务器时，根据用例评估某些功能的重要性。

 

　　在RAM上展开容器合并以选购服务器

 

　　虚拟化容器代表了一种相对较新的虚拟化实现方法，帮助开发人员和IT团队以代码和依赖性共同封装实例的方式创建和部署应用程序，但容器共享相同的底层操作系统内核。容器对于高度可扩展的基于云的应用程序开发和部署非常有吸引力。

 

　　与虚拟机整合一样，计算资源将直接影响可能托管的容器数量，因此服务器将提供足够数量的RAM和处理器内核数量。更多的计算资源通常会允许更多的容器。

 

　　但是大量的同步容器会给服务器带来严重的内部I/O挑战。每个容器必须共享一个通用的OS内核。这意味着可能有数十个甚至数百个容器试图与同一内核进行通信，从而导致可能影响容器性能的过度延迟。同样地，容器通常作为应用程序组件进行部署，而不是完整的应用程序。这些组件容器必须相互通信并根据需要进行扩展以提高总体工作负载。这会在容器之间产生巨大的，有时甚至是不可预测的API流量。在上述两种情况下，服务器本身的I/O带宽限制以及应用程序的架构设计效率都会限制服务器可能成功托管的容器数量。

 

　　当许多容器化的工作负载通过局域网或广域网传输时，网络I/O也可能造成潜在的瓶颈。网络瓶颈可能会降低对共享存储的访问速度，延迟用户响应甚至导致工作负载错误。考虑容器和工作负载的网络需求，并为服务器配置足够的网络容量——可以选择较为快速的10 GbE端口，也可以选择配置多个1 GbE带宽端口，以便提高速度和恢复能力。

 

　　大多数服务器类型都能够托管大容量的容器，但他们通常会选择使用测量I/O负载，I/O负载和I/O负载的组合容量的刀片服务器。Hewlett Packard Enterprise（HPE）ProLiant BL460c Gen10刀片服务器，最多支持高达26个处理器内核和2 TB容量的DDR4内存。

 

　　可视化和科学计算对服务器选购的影响

 

　　图形处理单元（GPU）越来越多地出现在服务器级别产品之中，以帮助从大型数据处理和科学计算到更多与图形相关的任务（如建模以及可视化）在内的算法密集型任务。GPU还使IT能够在受到更好保护的数据中心中保留和处理敏感、有价值的数据集，而不是让数据流向业务终端。

 

　　一般来说，对GPU的支持只需要在服务器中增加一个合适的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。但是，企业级服务器中包含的GPU适配器通常比可用于桌面或工作站的GPU适配器复杂得多。事实上，GPU越来越成为刀片系统高度专业化的模块。

 

　　例如，HPE ProLiant WS460c Gen9图形服务器刀片使用带两个GPU的Nvidia Tesla M60外围组件互连式加速（Peripheral Component Interconnect Express）图形卡，4096个计算同一设备架构（Compute Unified Device Architecture）内核和独立的16 GB的图形化DDR5视频RAM。该图形系统通过使用多个图形服务器刀片支持多达48个GPU。对大容量GPU硬件（特别是在GPU硬件也被虚拟化时）的支持允许很多用户和工作负载共享使用图形子系统。