Por Gabriel Torres e Cássio Lima em 25 de novembro de 2008
Introdução
Nós ficamos tão empolgados em participar do http://folding.stanford.edu/ que montamos alguns micros de alto desempenho para rodar tanto clientes SMP quanto GPU. Nós estávamos muito felizes com os resultados até que a conta de luz do laboratório chegou: nosso consumo de energia mais do que dobrou – e os computadores nem estavam funcionando 24 horas por dia durante todos os dias do mês! Como queríamos contribuir com o projeto Folding@Home, nós começamos a questionar se haveria uma maneira de obter uma alta pontuação no Folding@Home e, ao mesmo tempo, não irmos à falência por causa da conta de luz. Nós testamos todas as placas de vídeo disponíveis em nosso laboratório para ver qual delas oferece a melhor relação desempenho/consumo. Confira.
Se você não conhece o projeto Folding@Home, saiba que ele é patrocinado pela Universidade de Stanford para a utilização de computadores pelo mundo para fazer simulações de enovelamento de proteínas com o objetivo de descobrir a cura de várias doenças. Você pode colaborar com o projeto instalando um cliente do programa em seu computador e, quando o mesmo ficar ocioso, o programa cliente automaticamente faz o download, calcula e envia os resultados de volta para a Universidade de Stanford. Desta forma eles podem ter o maior supercomputador do mundo (feito com a colaboração de todos os participantes no projeto) sem gastar um tostão.
Se você quiser colaborar mais, você pode instalar e rodar programas clientes de alto desempenho, como o cliente SMP (que reconhece mais de um processador ou mais de um núcleo de processador; a versão padrão do programa cliente reconhece apenas um núcleo de processamento) e o cliente GPU (que usa o chip gráfico da placa de vídeo para fazer os cálculos, uma técnica chamada GPGPU, ou General Purpose Graphics Processing Unit ou Unidade de Processamento Gráfico de Uso Geral). Esses programas clientes completarão os cálculos mais rapidamente, mas em contrapartida, o consumo de energia será maior, resultando em um aumento em sua conta de luz. Encontrar o equilíbrio “perfeito” entre desempenho e consumo de energia é o objetivo deste artigo.
Para cada trabalho concluído que você envia para a universidade você recebe determinada pontuação. A quantidade de pontos dependerá do tipo de programa cliente que você tem instalado (padrão, SMP, GPU, etc) e o tipo de trabalho que você está processando. A quantidade de pontos que você recebe será nossa métrica para o desempenho, já que a maioria das pessoas que participa do Folding@Home em times (como o nosso) está interessada em obter a maior pontuação possível.
Agora vamos mostrar a você os sistemas que montamos para colaborar com o projeto, seus desempenhos (ou seja, a quantidade de pontos que eles obtiveram) e seus consumos de energia. Com esses dados você pode ter uma idéia do quanto estamos gastando para mantê-los ligados 24 horas por dia, 30 dias por mês. Nós investigaremos como reduzir o consumo e, ao mesmo tempo, manter uma boa pontuação.
Mas antes de apresentarmos os números, você precisa entender mais sobre o consumo de energia. Nós medimos o consumo com um wattímetro digital, que apresenta os resultados em watts. Com este instrumento nós medimos o consumo CA de nosso micro, que não é o quanto o micro estava extraindo da fonte de alimentação, já que a fonte em si consome e desperdiça energia. A relação entre a energia que o micro está consumindo da fonte de alimentação e a energia que a fonte está na verdade extraindo da rede elétrica é chamada eficiência.
Quanto maior a eficiência, melhor, já que você gastará menos energia. Por exemplo, se um determinado micro está consumindo 200 W da rede elétrica, isto significa que o micro todo está consumindo 200 W (e sua conta de luz será calculada com base neste valor), mas os componentes que estão conectados na fonte de alimentação estarão consumindo menos do que este valor. Se pegarmos uma fonte de alimentação com eficiência típica de 80%, os componentes estariam consumindo 160 W.
Suponha que você troque sua fonte com eficiência de 80% por outra com eficiência de 88%. Seu micro ainda estará consumindo 160 W da fonte de alimentação, mas sua nova fonte estará extraindo menos da rede elétrica: 182 W.
Portando logo de cara uma das maneiras de economizar na conta de energia é substituir sua ponte por outra com eficiência maior. Uma maneira de descobrir a eficiência da sua fonte é ler o gráfico da eficiência fornecido pelo fabricante. Outra maneira é ler nossos testes, onde medimos isto.
Watt (W) é a potência que o micro está consumindo, porém as concessionárias de energia elétrica cobram por energia consumida, que é dada em kWh (kilowatt-hora), não em W (watts). Energia é potência multiplicada por tempo. Portanto 1 kWh equivale a 1 kW (1.000 watts) consumidos durante 1 hora. Como estamos assumindo que cada máquina irá trabalhar 24 horas por dia durante todos os dias do mês, nós multiplicaremos a quantidade de watts por 0,72 (24 horas x 30 dias / 1.000; a divisão por 1.000 é necessária para converter Wh para kWh) para ter uma estimativa do consumo mensal em kWh. Feito isso basta multiplicar este número pelo custo de cada kWh para ter uma idéia do custo mensal de cada máquina trabalhando 24/7. Claro que o custo da eletricidade varia de acordo com a cidade; estamos assumindo o valor de R$ 0,47453 por kWh, que é o custo da energia no Rio de Janeiro/RJ no dia da publicação desse teste.
No que diz respeito ao desempenho, nós medimos a quantidade que cada placa de vídeo ou processador levou para processar 1% do trabalho. Multiplicando este valor por 100, nós encontramos a quantidade de tempo que cada dispositivo levaria para processar uma unidade de trabalho inteira. Dividindo 86.400 (quantidade de segundo em um dia) deste número, nós encontramos o número máximo de unidades de trabalho que o dispositivo pode processar por dia. Como sabemos a quantidade de pontos de cada unidade de trabalho, nós descobrimos a pontuação máxima que você pode esperar do dispositivo multiplicando o número máximo de unidades de trabalho que o dispositivo pode processar por dia pelo número de pontos que cada unidade de trabalho dá. O resultado é a pontuação máxima que este dispositivo pode lhe dar por dia, e este é o número que usaremos.
Nossa Configuração de Alto Desempenho
Abaixo você pode ver todos os sistemas que montamos para rodar o Folding@Home. Leia a página anterior para uma explicação detalhada a respeito do consumo, custo e desempenho/pontuação.
Sistema# | Processador | Placa de Vídeo | Placa-mãe | Memória | Disco Rígido | Fonte de Alimentação |
1 | Core 2 Extreme QX 9650 (3 GHz) | Nenhuma |
| 2 GB DDR2-800 Kingston KVR800D2N6/1GB | 160 GB | |
2 | Core 2 Duo E6600 (2,4 GHz) | 4 GB DDR2-800 OCZ | 200 GB | |||
3 | Phenom 9600 | 2 GB DDR2-800 Kingston KVR800D2N6/1GB | 500 GB | |||
4 | Phenom 9700 | 2 GB DDR2-800 Kingston KVR800D2N6/1GB | 500 GB | |||
5 | Core 2 Extreme QX 9770 (3.2 GHz) | GeForce 8800 GT GeForce 8800 GT | 2 GB DDR3-2000 | 500 GB | ||
6 |
Agora nós iremos fazer uma análise detalhada de nossos sistemas.
Análise do Consumo
Nós medimos o consumo em três cenários. Primeiro com o sistemas rodando apenas o programa SMP cliente, depois com o programa GPU cliente, e em seguida com ambos os programas clientes ao mesmo tempo. Nós queríamos ver se faria sentido rodar ambos os programas clientes SMP e GPU ao mesmo tempo.
Sistema# | Cliente | Consumo (W) | Consumo Mensal (kWh) | Custo Mensal (R$) * |
1 | SMP | 121 | 87,12 | R$ 41,34 |
2 | SMP | 185 | 133,20 | R$ 63,20 |
2 | GPU | 228 | 164,16 | R$ 77,89 |
2 | GPU + SMP | 202 | 145,44 | R$ 69,01 |
3 | SMP | 196 | 141,12 | R$ 66,96 |
3 | GPU | 171 | 123,12 | R$ 58,42 |
3 | GPU + SMP | 213 | 153,36 | R$ 72,77 |
4 | GPU | 430 | 309,60 | R$ 146,91 |
5 | SMP | 335 | 241,20 | R$ 114,45 |
5 | GPU | 441 | 317,52 | R$ 150,67 |
5 | GPU + SMP | 468 | 336,96 | R$ 159,89 |
6 | PS3 | 131 | 94,32 | R$ 44,75 |
* R$ 0,47453 por kWh rodando 24 horas por dia durante 30 dias por mês. Preço baseado no custo da energia no Rio de Janeiro/RJ na data de publicação deste teste. O custo em sua cidade poderá ser outro; consulte sua conta de luz.
Aqui nós descobrimos alto muito curioso. Cada programa cliente GPU coloca pelo menos um dos núcleos do processador funcionando a 100%. Em processadores com dois núcleos, um dos núcleos sempre estará trabalhando a 100% (independente da quantidade de chips gráficos você tem trabalhando no Folding@Home). Em processadores com quatro núcleos, você terá um núcleo do processador por chip gráfico trabalhando a 100%. Por exemplo, com nosso processador Core 2 Duo quando iniciamos o programa cliente GPU a carga do processador foi direto para 50%, com um dos núcleos ficando ocioso e o segundo núcleo sendo usado a 100%. Por causa deste comportamento engraçado, quando nós colocamos os programas clientes SMP e GPU para rodarem ao mesmo tempo o consumo (e o desempenho) diminuiu, já que ambos os programas clientes estavam disputando o uso do processador. Em sistemas com quatro núcleos com três placas de vídeo, a utilização do processador foi de 75%, com um núcleo do processador sendo usado por chip gráfico rodando o Folding@Home.
Note que exceto nos sistemas um e seis, todos os outros tinham uma placa de vídeo instalada e o consumo apresentado quando estavam rodando o programa cliente SMP inclui os consumos das placas de vídeo instaladas em modo ocioso.
Veja como o Phenom 9600 executando o programa cliente SMP estava consumindo mais do que uma GeForce 9800 GT rodando o programa cliente GPU.
Como estávamos rodando todos os sistemas com os programas clientes GPU e SMP ao mesmo tempo (exceto no micro número 4), o custo mensal estimado para essas seis máquinas funcionando foi de R$ 534,67. UI. A pontuação estimada diária foi de 30.715 pontos, com uma pontuação mensal estimada de 1.063.590 pontos.
No sistema 1 o sistema operacional instalado era o Debian Linux 4.0 (64 bits), enquanto que nas outras máquinas o sistema operacional instalado era o Windows XP SP3 com drivers Catalyst 8.10 para placas ATI e drivers 177.84 para placas NVIDIA.Análise do Desempenho
Agora nós queríamos ver o que estávamos obtendo em termos de pontuação no Folding@Home rodando esses micros para fazermos algumas análises preliminares para vermos quais eram as configurações mais eficientes que tínhamos rodando. WU significa unidade de trabalho (Work Unit, estamos usando a mesma nomenclatura usada no Folding@Home para facilitar). Projeto é o número do projeto Folding@Home que cada cliente estava executando no momento em que coletamos nossos dados, que nos dirá a quantidade de pontos que nos será dada por cada unidade de trabalho entregue (clique aqui para ver a tabela completa). Nós colocamos a quantidade de pontos dada para cada WU completada entre parênteses. O desempenho máximo diário é calculado dividindo 86.400 (número de segundos em um dia) pelo tempo para completar uma unidade de trabalho e o resultado multiplicado pela quantidade de pontos dada para cada unidade de trabalho completada para aquele projeto.
Nossa métrica para medir a eficiência será pontos/kWh, que é calculado dividindo o desempenho mensal máximo pelo consumo mensal em kWh. Este índice indica quantos pontos cada micro produz para cada kWh consumido da rede elétrica. Portanto quanto maior este número, melhor.
Sistema # | Cliente | Projeto(Pontos) | Tempo para Completar Uma WU (segundos) | Desempenho Máx. Diário (Pontos) | Desempenho Máx. Mensal (Pontos) | Pontos/kWh |
1 | SMP | 5101 (2.165) | 66.000 | 2.834 | 85.020 | 976 |
2 | SMP | 2665 (1.920) | 150.000 | 1.106 | 33.180 | 249 |
2 | GPU | 5800 (480) | 5.800 | 7.150 | 214.500 | 1.307 |
2 | GPU + SMP | Acima | 150.000 (CPU), 8.700 (GPU) | 5.873 | 176.190 | 1.211 |
3 | SMP | 2653 (1760) | 84.100 | 1.808 | 54.240 | 384 |
3 | GPU | 5014 (480) | 10.300 | 4.026 | 120.780 | 981 |
3 | GPU + SMP | Acima | 84.100 (CPU), 15.400 (GPU) | 4.501 | 135.030 | 880 |
4 | GPU | 5651 (388) | 14.300 (HD 4850), 14.000 (HD 4870) | 2344 + 2394 = 4.738 | 142.140 | 459 |
5 | SMP | 2665 (1.920) | 79.500 | 2.087 | 62.610 | 260 |
5 | GPU | 5013 (480) | 8.200 (GTX 280), 8.100 (8800 GT), 8.500 (8800 GT) | 5.057 + 5.120 + 4.879 = 15.056 | 451.680 | 1.422 |
5 | GPU + SMP | Acima | 79.500 (CPU), 8.200 (GTX 280), 8.100 (8800 GT), 8.500 (8800 GT) | 17.143 | 514.290 | 1.526 |
6 | PS3 | 5310 (110) | 26.100 | 364 | 10.920 | 116 |
Você precisa entender algo muito importante sobre o sistema de pontuação do Folding@Home. Enquanto que as unidades de trabalho atribuídas para placas de vídeo baseadas nos chips da NVIDIA quase sempre lhe darão 480 pontos, a quantidade de pontos dada para unidades de trabalho processadas pelas placas de vídeo da ATI e pelo console Playstation 3 pode variar muito. Os resultados acima são baseados no projeto que cada programa cliente estava rodando na hora que fizemos os testes e não reflete as melhores pontuações que os sistemas ATI e PS3 podem obter. Nossas placas de vídeo baseadas nos chips da ATI estavam processando uma unidade de trabalho que dava 388 pontos, mas existem unidades de trabalho que dão 548 pontos. Nosso PS3 estava processando uma unidade de trabalho que dá 110 pontos, mas existem unidades de trabalho que dão 330 pontos. O tempo para completar essas unidades que dão mais pontos pode ser maior. Como um exercício, nós compilamos a tabela abaixo para os micros quatro (ATI) e seis (PS3) como se eles estivessem processando esses outros tipos de unidades de trabalho que dão mais pontos. Nós estamos fazendo isso para não sermos acusados de parcialidade ou alguém apontar esta falha em potencial em nossa metodologia. Para este exercício nós consideraremos que os programas clientes irão processar cada unidade de trabalho com o mesmo desempenho, que pode não ser verdade no mundo real.
Sistema # | Cliente | Projeto(Pontos) | Tempo para Completar Uma WU(segundos) | Desempenho Máx. Diário (Pontos) | Desempenho Máx. Mensal (Pontos) | Pontos/kWh |
4 | GPU | 4743 (548) | 14.300 (HD 4850), 14.000 (HD 4870) | 3.311 + 3.382 = 6.693 | 200.790 | 648 |
6 | PS3 | 5305 (330) | 26.100 | 1.092 | 32.760 | 347 |
Como você pode ver, mesmo simulando o melhor desempenho que esses sistemas podem obter, tanto o desempenho quanto a eficiência estavam em níveis abaixo dos outros sistemas.
Dos resultados acima nós aprendemos coisas interessantes sobre nossos sistemas:
- Nosso Playstation 3 obteve o menor índice de eficiência (embora em nossa simulação acima ele foi mais eficiente do que sistemas rodando apenas o programa SMP cliente, se ele pudesse processar apenas unidades de trabalho que dão 330 pontos, o que não é verdade), significando que nós estávamos gastando muito energia para produzir poucos pontos se comparado com outros sistemas.
- O sistema número cinco foi o mais caro para funcionar, mas também foi o mais eficiente, o que significa que ele poderia produzir mais pontos por kWh. Neste sistema valeu a pena rodar o programa cliente SMP ao mesmo tempo já que nosso pontuação e índice pontos/kWh aumentou.
- Nos sistemas dois e três não valeu a pena rodar o programa cliente SMP ao mesmo tempo com o cliente GPU: o índice pontos/kWh caiu quando fizemos isso.
- O sistema quatro, que tinha duas placas de vídeo ATI topo de linha, obteve um índice pontos/kWh muito baixo. Este foi o primeiro sistema que decidimos desligar: ele estava gastando muita energia para produzir resultados pífios.
Que Placa de Vídeo é a Melhor?
Após termos visto que existe uma grande diferença no consumo de energia entre os diferentes sistemas, nós decidimos montar um sistema simples e medir o desempenho e o consumo de energia de todas as placas de vídeo que tínhamos disponíveis instaladas neste sistema. Mantendo o sistema inteiro idêntico e mudando apenas a placa de vídeo é a maneira correta de avaliar o desempenho da placa de vídeo.
O sistema que montamos tinha as seguintes especificações: processador Core 2 Duo E6600 (2,4 GHz), placa-mãe ASUS P5K-E/WIFI-AP (chipset Intel P35), 2 GB de memória DDR2-800 (Kingston KVR800D2N6/1GB), disco rígido de 500 GB (Western Digital Caviar SE16), fonte de alimentação Zalman ZM-600HP e unidade óptica Lite-On LH-20AIL. Nós instalamos o Windows XP SP3 com drivers Catalyst para placas ATI e drivers 177.84 para placas NVIDIA.
Os resultados você pode ver abaixo. Lembre-se que o consumo é o consumo CA para o sistema inteiro, não apenas para a placa de vídeo. As placas da NVIDIA processaram o projeto 5800 (que dá 480 pontos por unidade de trabalho completada), enquanto que as placas da ATI processaram o projeto 4753 (que dá 548 pontos por unidade de trabalho completada).
Nós classificamos a tabela abaixo da placa do melhor índice desempenho/kWh para o pior.
Placa de Vídeo | Tempo para Completar Uma WU (segundos) | Desempenho Máx. Diário (Pontos) | Desempenho Máx. Mensal (Pontos) | Consumo (W) | Consumo Mensal (kWh) | Custo Mensal (R$) * | Pontos/kWh |
GeForce GTX 260 | 5.800 | 7.150 | 214.500 | 214 | 154,08 | R$ 73,11 | 1392 |
GeForce GTX 280 | 5.500 | 7.540 | 226.200 | 234 | 168,48 | R$ 79,94 | 1342 |
GeForce 8800 GT | 8.100 | 5.120 | 153.600 | 160 | 115,20 | R$ 54,66 | 1333 |
GeForce 9800 GT 1 GB | 9.300 | 4.459 | 133.770 | 170 | 122,40 | R$ 58,08 | 1093 |
GeForce 8800 GTS | 10.100 | 4.106 | 123.180 | 188 | 135,36 | R$ 64,23 | 910 |
Radeon HD 4830 | 17.800 | 2.660 | 79.800 | 158 | 113,76 | R$ 53,98 | 701 |
Radeon HD 4870 | 12.600 | 3.758 | 112.740 | 225 | 162,00 | R$ 76,87 | 696 |
Radeon HD 4850 | 15.100 | 3.136 | 94.080 | 189 | 136,08 | R$ 64,57 | 691 |
GeForce 9500 GT | 21.700 | 1.911 | 57.330 | 119 | 85,68 | R$ 40,65 | 669 |
GeForce 8600 GT | 25.300 | 1.639 | 49.170 | 126 | 90,72 | R$ 43,04 | 542 |
Radeon HD 3870 | 21.100 | 2.244 | 67.320 | 178 | 128,16 | R$ 60,81 | 525 |
GeForce 8500 GT | 58.900 | 704 | 21.120 | 108 | 77,76 | R$ 36,89 | 272 |
Radeon HD 3450 (64 bits) | 288.000 | 116 | 3.480 | 111 | 79,92 | R$ 37,92 | 43 |
* R$ 0,47453 por kWh rodando 24 horas por dia durante 30 dias por mês. Preço baseado no custo da energia no Rio de Janeiro/RJ na data de publicação deste teste. O custo em sua cidade poderá ser outro; consulte sua conta de luz.
Os resultados foram muito interessantes e falaremos mais sobre eles nas Conclusões.
Agora que nós conhecemos bastante coisa sobre o que acontece com nossas peças, nós decidimos substituir peças de nosso sistema. Vejamos o que fizemos e o que aconteceu.Ajustando nossos Sistemas
Após lermos cuidadosamente os números apresentados na página anterior, nós decidimos fazer alguns ajustes em nossa configuração:
- Sistema 1: Permaneceu como antes.
- Sistema 2: Substituímos a GeForce GTX 260 por uma GeForce 8800 e desinstalamos o programa SMP cliente. O consumo de energia caiu de 202 W (145,44 kWh ou R$ 69,01/mês) para 185 W (133,20 kWh ou R$ 63,20/mês). O desempenho máximo mudou de 5.873 pontos/dia ou 176.190/mês para 5.120 pontos/dia ou 153.600 pontos/mês. Nosso índice pontos/kWh para esta máquina agora é 1.153 (de 1.211).
- Sistema 3: Desligada e desmontada.
- Sistema 4: Era a origem do nosso alto consumo porque estava usando duas placas de vídeo ATI (Radeon HD 4870 e Radeon HD 4850). Nós removemos as placas de vídeo da ATI e substituímos as duas por uma GeForce 8800 GT e uma GeForce 9800 GT. Nós também substituímos o processador de um Phenom 9700 para um Athlon X2 4600+, que nos permitiu economizar alguns watts, já que não estávamos rodando o programa cliente SMP. Nós também substituímos a fonte de alimentação OCZ ProXstream 1.000 W por uma Zalman ZM-600HP. Aqui foi onde vimos uma diferença grande no consumo e desempenho. Este sistema do jeito que estava consumia 430 W (309,60 kWh, R$ 146,91) e produzindo uma pontuação diária de 4.738 pontos e uma pontuação mensal de 142.140 pontos. Após as mudanças, o consumo de energia caiu 41% para 254 W (182,88 kWh, R$ 86,78) e nossa pontuação dobrou, atingindo 9.485 pontos diários ou 284.550 pontos mensais! Nosso índice pontos/kWh aumentou de 459 para 1.555.
- Sistema 5: Apesar de esta máquina ter sido a com o melhor índice de eficiência, ela também foi a mais cara para funcionar (468 W, 336,96 kWh, R$ 159,89), já que ela tinha três placas de vídeo e um processador topo de linha instalados. Portanto nós decidimos desligá-la e usar as duas placas de vídeo GeForce 8800 em outros sistemas e colocar a GeForce GTX 280 de volta no armário.
- Sistema 6: Nós decidimos usar nosso Playstation 3 apenas para brincar e/ou assistir filmes Blu-Ray. Ele não foi eficiente para funcionar com o Folding@Home.
Nós temos agora três sistemas rodando o Folding@Home, mas o consumo agora é 560 W (403,20 kWh) em vez de 1.565 W (1.127 kWh), que custará R$ 191,33/mês em vez de R$ 534,79/mês. Esta é uma redução de 64%.
Claro que o desempenho diminui. Nós estaremos agora fazendo 17.439 pontos/dia ou 523.170 pontos/mês em vez de 30.715 pontos/dia ou 1.063.590 pontos/mês, portanto uma redução de 43% no desempenho.
O bacana, como você pode ver, é que o desempenho e o consumo não diminuíram na mesma proporção. Antes nós tínhamos um índice pontos/kWh de 944 – ou seja, nós estávamos fazendo 944 pontos no Folding@Home para cada kWh consumido –, que aumentou para 1.297. Portanto nossa eficiência aumentou 38%!Conclusões
Nós descobrimos várias coisas interessantes em nossa investigação. Aqui está um resumo:
- Das placas de vídeo analisadas, a GeForce 8800 GT é a que oferece as melhores relações custo/benefício e desempenho/kWh para rodar o Folding@Home. Claro que você terá mais pontos com uma GeForce GTX 260 ou GeForce GTX 280, mas elas são mais caras além de consumirem mais. Se você pensar apenas na relação pontos/kWh (ou seja, eficiência), então a GeForce GTX 260 é a melhor: ela produz mais pontos por kWh consumido do que todas as outras placas de vídeo.
- Uma placa de vídeo “fraquinha” não necessariamente consumirá menos do que uma placa “parruda”. Basta ver como a GeForce 8800 GTS produz uma pontuação menor e consume mais do que a GeForce 8800 GT.
- As placas de vídeo da ATI não devem ser usadas para rodar o Folding@Home: elas apresentaram uma relação pontos/kWh muito menor se comparado com as placas da NVIDIA. Uma GeForce 8800 GT oferece quase o dobro da eficiência de uma Radeon HD 4870. Se você está montando sistemas dedicados para rodar o Folding@Home, opte pelas placas da NVIDIA: você terá uma maior pontuação e um menor custo na sua conta de energia.
- Placas de vídeo simples como a Radeon HD 3450 e GeForce 8500 GT não são eficientes para rodar o Folding@Home e devem ser evitadas. Do mercado intermediário a GeForce 9500 GT foi a que apresentou o melhor índice de desempenho e eficiência (pontos/kWh), sendo nossa recomendação neste segmento.
- Rodar o programa cliente SMP junto com o cliente GPU não necessariamente aumentará o desempenho do sistema. Em nossos testes nós vimos dois dos três sistemas onde o desempenho diminuiu. Nós descobrimos que para cada placa de vídeo rodando o cliente GPU o Folding@Home usará um núcleo do processador (em processadores com quatro núcleos o Folding@Home usará apenas um núcleo por GPU, portanto com um sistema de quatro núcleos e duas placas de vídeo, os dois núcleos do processador serão constantemente usados; em processadores com dois núcleos o Folding@Home usará apenas um dos núcleos durante todo o tempo independente da quantidade de chips gráficos que você tem instalado). Portanto quando você executar o cliente SMP ao mesmo tempo, ambos os clientes irão competir a utilização do processador, diminuindo o desempenho. Por outro lado, o consumo também diminui.
- Se você quer montar um sistema apenas para rodar o cliente SMP, é mais eficiente se você rodá-lo com uma placa-mãe com vídeo on-board, já que o consumo-base será menor já que você não terá uma placa de vídeo instalada.
- O Playstation 3 obteve uma das relações pontos/kWh mais baixas, o que significa que você sentirá um aumento em sua conta de energia sem um aumento significativo em sua pontuação do Folding@Home. Nós vimos muitas pessoas elogiando o desempenho matemático do PS3, mas este desempenho não é convertido em uma alta pontuação no Folding@Home porque cada PS3 unidade de trabalho não dá muitos pontos.
- Se você está montando um sistema para rodar o Folding@Home, nós achamos que a relação pontos/kWh deveria ser sua métrica para eficiência. Comprar um wattímetro digital ajudará muito a você encontrar o que você pode mudar em sua configuração para ter um sistema mais eficiente. De acordo com a nossa experiência você deve manter os sistemas com índice pontos/kWh de pelo menos 1.000. Sistemas com índices abaixo deste devem ser reavaliados.
- Nós testamos apenas as peças que tínhamos disponíveis em nosso laboratório. Se não incluímos a peça A ou B foi porque não a tínhamos. Portanto não poste comentários do tipo “porque não testaram a peça x?” – que na verdade significa “pessoal, você podem testar a máquina que eu tenho em casa de graça?” Se você está preocupado com o consumo, compre um wattímetro digital. Ele ajudará a você descobrir o consumo de outros dispositivos que você tem em casa e ver onde você pode economizar dinheiro.
No texto nós explicamos como descobrir o índice pontos/kWh de um sistema, mas aqui está um resumo mais prático:
- Meça o consumo com um wattímetro digital conectado ao sistema com seu sistema rodando o cliente do Folding@Home. Os resultados serão dados em watts. Multiplique este valor por 0,72 para ter os resultados em kWh. Esta fórmula funciona apenas se o seu sistema funciona 24 horas por dia, 30 dias por mês. Caso o seu sistema não funcione ligado direto, o fator de multiplicação deve ser a quantidade de horas dividida por 1.000 (por exemplo, para 40 horas por mês o multiplicador é 0,04).
- Localize em sua conte de energia o custo de cada kWh. Multiplique este valor pelo resultado encontrado para ter uma estimativa de quanto está custando a você por mês manter o sistema funcionando.
- Abra o arquivo de log do seu cliente Folding@Home (FAHlog.txt), role a tela e veja a quantidade de tempo que está levando para processar cada %. Converta o tempo encontrado para segundos. Multiplique este número por 100 para ter a quantidade de tempo, em segundos, seu cliente levará para processar uma unidade de trabalho.
- Role a tela no arquivo de log e localize o número do projeto que seu cliente está executando. Feito isso, localize este projeto em http://fah-web.stanford.edu/psummary.html e veja a quantidade de pontos eles darão para processar uma unidade de trabalho daquele projeto.
- Divida 86.400 pelo tempo, em segundos, que seu cliente leva para processar uma unidade de trabalho. O resultado será a quantidade de unidades de trabalho seu cliente pode processar por dia. Multiplique o resultado pela quantidade de pontos que eles darão a você para cada unidade de trabalho. Você terá uma estimativa da quantidade de pontos que seu sistema pode gerar por dia.
Originalmente em http://www.clubedohardware.com.br/artigos/Encontrado-o-Melhor-Desempenho-Por-Watt-para-o-Folding-Home/1595
© 1996-2012, Clube do Hardware. Todos os direitos reservados.
É expressamente proibida a reprodução total ou parcial do conteúdo deste site e dos textos disponíveis, seja através de
mídia eletrônica, impressa, ou qualquer outra forma de distribuição. Os infratores serão indiciados e punidos com base na lei nº 9.610 de 19/02/1998.
Não nos responsabilizamos por danos materiais e/ou morais de qualquer espécie promovidos pelo uso das informações contidas no Clube do Hardware.
