如何让HSPICE仿真效率提升42倍？

作为最早的电子设计自动化软件，我们的EDA云实证系列从SPICE开始，再合适不过。

在它出现之前，人们分析电路，用的是纸笔或者搭电路板。随着电路规模增大，手工明显跟不上。

于是，1971年，SPICE诞生了。全称“Simulation Program with Integrates Circuit Emphasis"。

H-SPICE是随着产业环境及电路设计技术的发展与升级，以“SPICE2”为基础加以改进而成的商业软件产品，现在属于Synopsys。

既然有了新的计算机辅助工具，那问题就来了：

怎么才能跑得更快一点？

怎么才能运行更大规模的集成电路？

第一个答案是算法改进。这属于数学领域，很难。

第二个答案是摩尔定律。从上世纪70年代初到如今，SPICE从只能仿真十几个元器件到今天可以仿真上千万个元器件的电路。但已经几十年没有太大的变化了。

第三个答案是计算架构升级，从单核到多核，单线程到多线程。

第四个答案是Cloud HPC云端高性能计算。谈概念过于抽象，我们今天拿实证说话。

实证背景信息

用户需求

作为一家纯IC设计公司，C社成立已超过十年。

公司在本地部署了由十多台机器组成的计算集群，但目前面临的最大问题依然是算力不足。特别是面对每年十次左右的算力高峰期时，基本上没有太好的办法。

对云的认知

C社相关负责人表示：算力不足是目前IC设计行业普遍面临的问题。对于EDA上云，公司之前没有尝试过，对云模式和架构也并不了解，在数据安全性方面也存在一定的顾虑。

不过该负责人对于EDA上云早有耳闻，也颇感兴趣，愿意进行一定的尝试。毕竟上云若真的能够加快运算速度，就意味着可以更早展开研究，从而提升项目的整体进度。

实证目标

1、HSPICE任务能否在云端运行？

2、云端资源是否能适配HSPICE任务需求？

3、fastone平台能否有效解决目前业务问题？

4、相比传统手动模式，云端计算集群的自动化部署，有哪些好处？

实证参数

平台：

fastone企业版产品

应用：

HSPICE

适用场景：

仿真模拟电路、混合信号电路、精确数字电路、建立SoC的时序及功耗单元库、分析系统级的信号完整性等

技术架构图：

用户登录VDI，使用fastone算力运营平台根据实际计算需求自动创建、销毁集群，完成计算任务。

License配置:

EDA License Server设置在本地。

步骤一：硬件选择

选择适合HSPICE应用的配置

云端可以选择的机型有几百种，配置、价格差异极大。

我们首先需要挑选出既能满足HSPICE应用需求，又具备性价比的机型。

已知用户的本地硬件配置：

Xeon(R) Gold 6244 CPU @ 3.60GHz，512GB Memory

本地配置不仅主频高，内存也相当大。

我们推荐的云端硬件配置：

96 vCPU, 3.6GHz, 2nd Gen Intel Xeon Platinum 8275CL, 192 GiB Memory

推荐理由：

1、该应用对CPU主频要求较高，但内存要求并不大；

2、我们选择了计算优化型云端实例，即具备高性价比的高主频机器。

C社的本地硬件在HSPICE以外，还需处理一些需要大内存的后端任务，所以需要在配置上兼顾各种资源需求，在当前项目不可避免会造成一定的资源浪费。

步骤二：云端部署

手动模式 VS 自动部署

我们先看手动模式：

第一步：不管你需要用哪朵云，你都得先熟悉那家云的操作界面，掌握正确的使用方法；

第二步：构建大规模算力集群：

配置计算节点，存储节点，VPC，安全组等等

安装应用，把HSPICE安装在集群环境

配置集群调度器，比如slurm

第三步：上传任务数据，开启计算；

第四步：任务完成后及时下载结果并关机。

不要笑，这一点很重要。我们在切换七种视角，我们给各位CXO大佬算算上云这笔账有讲到原因。

此外，还有一个需要考虑的点，时间。

第一步，需要多少时间说不好；

第二步，大概需要专业IT人员平均3-5天；

第三步/第四步，如果数据量较大，需要考虑断点续传和自动重传；

第四步，任务完成时间很可能难以预测。

即使是可测的，我们可以想象一个场景——有个任务预计在凌晨跑完，用户此时有两个选择：

1、调一个闹钟，半夜起来关机——有人遭罪；

2、睡到自然醒，次日上班关机——成本浪费。

在手动模式下，通常都是先构建一个固定规模的集群，然后提交任务，全部任务结束后，关闭集群。

想一下一个几千core的集群拉起来之后，第二、三、四步手动配置的时间里，所有机器一直都是开启状态，也就是说，烧钱中。

再看看我们的自动化部署：

第一步，不需要；

第二步，只需要点击几个按钮，5-10分钟即可开启集群；

第三步，我们有Auto-Scale功能，自动开关机。

另外，我们还自带资源的管理和监控功能。

fastone的Auto-Scale功能可以自动监控用户提交的任务数量和资源的需求，动态按需地开启所需算力资源，在提升效率的同时有效降低成本。

所有操作都是自动化完成，无需用户干预；

在实际开机过程中，可能遇到云在某个可用区资源不足的情况，fastone会自动尝试从别的区域开启资源；

如果需要的资源确实不够，又急需算力完成任务，用户还可以从fastone界面选择配置接近的实例类型来补充。

跨区域，跨机型使用，在本次实证场景没有用到。

我们还可以根据GPU的需求来实现自动伸缩，下次单独聊。

实证场景一：云端验证

本地40核 VS 云端40核 VS云端80核

结论：

1、当计算资源与任务拆分方式均为5*8核时，本地和云端的计算周期基本一致；

2、在云端将任务拆分为10*4核后，比5*8核的拆分方式计算周期减少三分之一;

3、当任务拆分方式不变，计算资源从40核增加到80核，计算周期减半；

4、当计算资源翻倍，且任务拆分方式从5*8核变更为10*4核后，计算周期减少三分之二;

5、fastone自动化部署可大幅节省用户的时间和人力成本。

实证过程：

1、本地使用40核计算资源，拆分为5*8核，运行编号为1的HSPICE任务，耗时42小时；

2、云端调度40核计算资源，拆分为5*8核，运行编号为1的HSPICE任务，耗时42小时；

3、云端调度40核计算资源，拆分为10*4核，运行编号为1的HSPICE任务，耗时28小时;

4、云端调度80核计算资源，拆分为10*8核，运行编号为1的HSPICE任务，耗时21小时；

5、云端调度80核计算资源，拆分为20*4核，运行编号为1的HSPICE任务，耗时14小时。

实证场景二：大规模业务验证

超大规模计算任务

结论：

1、增加计算资源并优化任务拆分方式后，云端调度1920核计算资源，将一组超大规模计算任务（共计24个HSPICE任务）的计算周期从原有的30天缩短至17小时即可完成，云端最优计算周期与本地计算周期相比，效率提升42倍；

2、由fastone平台自研的Auto-Scale功能，使平台可根据HSPICE任务状态在云端自动化构建计算集群，并根据实际需求自动伸缩，计算完成后自动销毁，在提升效率的同时有效降低成本；

3、随着计算周期的缩短，设备断电、应用崩溃等风险也相应降低，作业中断的风险也大大降低。在本实例中未发生作业中断。

实证过程：

1、本地使用40核计算资源，拆分为5*8核，运行编号从0到23共计24个HSPICE任务，耗时约30天;

2、云端调度1920核计算资源，拆分为24组，每组为20*4核，运行编号从0到23共计24个HSPICE任务，耗时17个小时。

实证小结

我们回顾一下实证目标：

1、HSPICE任务在云端能高效运行；

2、异构的云端资源能更好适配HSPICE任务需求，避免资源浪费；

3、fastone平台有效解决了算力不足问题，效率提升42倍；

4、相比手动模式，fastone平台自研的Auto-Scale功能，既能有效提升部署效率，降低部署门槛，又能大大缩短整个计算周期资源占用率，节约成本。

至于本次实证场景没用到的跨区域，跨机型使用，还有根据GPU的需求来实现自动伸缩，我们下次再聊。

本次半导体行业Cloud HPC实证系列Vol.1就到这里了。

审核编辑 ：李倩