博客
关于我
当1060台树莓派整合在一起的时候
阅读量:250 次
发布时间:2019-03-01

本文共 458 字,大约阅读时间需要 1 分钟。

这台超算采用了1060台树莓派主机,全采用第三代的3B+型号,配置为博通BCM2837四核A53 1.4GHz处理器、VideoCore IV GPU、1GB内存、千兆以太网、802.11ac无线连接、四个USB 2.0接口以及microSD存储接口。

超算由21个节点组成,每个节点为2U高密度设计,内部配备50台树莓派,并采用3D打印制成的特殊支架,整个组装过程仅需一天时间完成。各节点间通过Ubiquiti UniFi系列端口交换机连接,上行环网采用SFP+ 10GbE光纤接口,供电采用高效的USB供电方式,避免了传统的高发热、高损耗的PoE供电方案。

中央部位配备了专用存储服务器,用于网络启动和管理所有树莓派节点。至于超算的实际应用场景,展示了一个3x3的虚拟化阵地,具体用途和功能将取决于实际应用需求。

目前,甲骨文团队尚未对超算的性能进行详细披露,也未表明该超算有商业化的意图。该超算可能更多地体现了技术探索和架构验证的价值。更多关于树莓派相关技术的咨询,可访问www.linuxprobe.com。

转载地址:http://dqxx.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
查看>>
VS2003 Front Page Server Extension
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
查看>>
OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
查看>>
OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
查看>>
OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
查看>>
OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>