原标题：彭晓：挖掘多芯算力动能，助推银行高质量发展

2023年10月，工业和信息化部、中央网信办、教育部、国家卫生健康委、中国人民银行、国务院国资委等六部门联合印发《算力基础设施高质量发展行动计划》，指出：“算力是集信息计算力、网络运载力、数据存储力于一体的新型生产力，主要通过算力基础设施向社会提供服务。算力基础设施是新型信息基础设施的重要组成部分，呈现多元泛在、智能敏捷、安全可靠、绿色低碳等特征，对于助推产业转型升级、赋能科技创新进步、满足人民美好生活需要和实现社会高效能治理具有重要意义”。

在创新发展理念的指引下，光大银行制定了新一期科技战略规划，确定了“两基一云四平台”的技术架构，以支持“一栈多芯”能力的全行新一代云计算平台——全栈云作为面向银行业务提供算力资源的统一底座。2023年银行管理层审议通过了《全栈云建设及应用上云工作规划》，进一步通过云计算平台建设，布局通用算力、大数据算力和AI算力的三大算力领域，推进多芯算力发展。

中国光大银行金融科技部副总经理 彭晓

光大银行多芯算力建设历程

在2017年之前，光大银行的信息系统建设以小型机和Intel X86算力资源为主。2017年至2020年，ARM、C86等通用国芯算力经过试点，逐步成为加强基础技术领域产品多样化的重点领域。在办公管理系统上，适配ARM算力服务器的OA和邮件系统稳定支持总分行办公应用。2020年开始，基于ARM算力的数据仓库和C86算力的大数据集群先后成功上线，标志着多芯算力在大数据领域的逐步推广。2021年之后，银行在风控模型、客服智能质检、市场分析等AI应用的需求明显上升。推理、训练、OCR等场景所需的AI算力大幅度增加，成为继通用领域、大数据领域之后，新的多芯算力增长点。

截至2023年3季度，光大银行总算力规模为126.21 PFlops，其中，国芯ARM、国芯C86、GPU等新型算力占比达到28%，并持续上升，近五年算力增长情况如图1所示。

图1 光大银行多芯算力增长趋势

在行内规模最大的通用算力领域，光大银行选择了ARM算力与C86均衡发展的技术路线，二者当前在国芯算力领域占比分别为46%和54%。光大银行总行新一代核心将主要基于ARM算力建设，而信用卡新一代综合业务管理系统（信用卡核心）则基于C86算力建设。

多芯算力建设经验与挑战

多芯算力的发展在降低供应链风险和为银行业务提供更多算力选择的同时，也带来了技术复杂度和迁移成本的上升。

具体来讲，与传统Intel X86架构相比，ARM和C86的CPU核数更多，为解决多核场景下内存争抢的性能稳定，普遍采用多NUMA架构。NUMA架构，即非一致性内存访问架构，CPU核心之间拥有不同的内存空间和总线系统，CPU内核优先访问本地内存，速度最快。而跨NUMA Node访问内存延迟则相对较高。因此，在程序设计时要根据NUMA特性进行优化，将应用程序的访问控制在一个NUMA Node之内，尽量规避跨NUMA Node访问，也就是我们常说的“绑核”。不仅是应用程序，Kubernetes等容器编排平台，同样需要根据NUMA特性设置CPU管理策略的配置参数，以达到最佳性能效果。

在应用开发方面，ARM和C86与国内操作系统匹配程度较高，对JDK、C/C++等开发环境支持相对完善，但仍有些技术细节需要格外注意。例如，国产C86提供的OpenJDK在告警级别、GC（内存垃圾收集）算法选项等方面存在差异；不同于国外商业JDK，OpenJDK需要国内操作系统厂商来长期提供技术支持。为进一步拉齐多芯算力应用开发能力，光大银行也与各CPU、服务器及操作系统厂商紧密协作，积极推进光大银行自主研发平台多芯适配改造，进一步降低多芯算力应用迁移开发的难度。

在基础软件方面，在ARM架构下数据类型差异、变量地址按变量长度对齐、体系结构等方面的差异也会带来性能的变化。光大银行自有的数据库EverDB在编译过程中，针对部分平台无关（platform-independent）代码模块，根据ARM架构下数据内存存储采用小端模式的特性，针对性地进行了存取优化，避免额外的转换开销，取得了较好的性能优化效果。

多芯算力发展规划

在算力资源布局方面,光大银行结合分布式技术架构转型、全栈云建设、大数据平台建设、AI平台建设，以多芯并举为基础，重点建设通用算力、大数据算力、AI算力3大资源池，预计到2026年规划算力规模达282.22 PFlops，较当前增长123%。根据领域划分，通用算力占比仍保持在50%左右，大数据算力预计占比20%，AI算力预计将增长至30%以上。按CPU类型技术划分，小型机和X86等传统CPU算力将降低至30%以下，60%以上算力由ARM、C86以及AI芯片提供。

在算力的空间布局方面，光大银行结合监管要求、技术发展趋势和国家政策导向，参考同业经验，在行领导指导下，初步制定了光大银行“两地多中心”“同城与异地均衡发展”的数据中心总体架构规划以及“三步走”的数据中心建设发展路径，对算力空间部署进行布局。对以大异地数据中心提供生产和灾备算力为目标，开展系统和网络技术改造和验证，为大异地数据中心算力运营做好技术和人员准备。

边缘计算用于应对高并发，低延迟的边端业务场景，通过本地计算能力，快速给网点业务提供决策。光大银行在云、边、端算力协同方面，通过创新课题工作室的方式，协同总分行资源进行推进。总行负责研究关键技术、方案，分行负责云端需求的梳理。在技术上，通过边缘计算框架的特性，对边缘算力进行统一纳管，结合统一的控制平台，提供监控能力，降低边缘计算算力的运维难度。

图2 算力资源建设规划

算力治理和运营

在加大算力资源投入的同时，光大银行也在持续探索通过技术和管理手段，不断加强算力治理和运营能力，增效降本，助推银行高质量发展。

在技术方面，光大银行以全栈云为抓手，在通用算力IaaS服务的基础上，通过交易型数据库、HTAP数据库、数据缓存、消息中间件等基础技术组件的PaaS服务化，将算力资源进一步集约部署，削峰填谷；同时，全栈云异构计算服务（ECAHC）采用池化技术将GPU算力资源统一管理，把GPU资源变成软件定义，实现GPU算力资源的共享与灵活调度。池化技术融合了GPU共享、聚合和远程使用等多种硬核能力，可以支持资源切分、资源聚合、远程调用、算力超分、虚拟显存，以及随需应变、资源隔离、调度策略等管理功能，对GPU虚拟化程度高、隔离性好、灵活性高、适应性强、对应用无侵入，有效降低了GPU算力成本。

在管理方面算力，在算力的需求、分配、使用过程中，细化计量、计费及评估。

在算力需求收集阶段，通过2种模型进行评估。历史评估，根据现有业务的历史数据，即过去3年内该业务的资源使用情况来预测该业务的算力需求。首先为现有业务建立资源画像（例如：CPU利用率、内存利用率、总线带宽、网络带宽等），通过各项性能指标数据加权计算，并结合用户体验反馈，不断调整与优化各项算力指标，形成了标准的历史评估参考体系模型。参考评估，针对没有历史数据可供参考的新建系统，利用业务系统的分类分级机制，对标行内已上线运行的同类同级应用实行参考评估。在实际操作中，也参考同业同类应用的分类分级和资源使用情况，做合理的调整与优化。

在算力资源分配阶段，基于业务系统上线前进行的非功能测试结果，评估出相对真实的算力需求。在算力使用过程中，以统一的云管平台收集容器、PaaS、IaaS等各层资源的实际使用情况，持续进行资源优化。

为进一步落实算力管理方案，光大银行正在探索从财务角度建立算力成本模型，实现从算力资源到业务部门的全链条管理。通过建立算力成本模型，计算出单位算力交付成本。进而支持通过业务实际服务用量数据，将算力资源成本公平、准确地分摊到业务用户。

总 结

《算力基础设施高质量发展行动计划》提出：到2025年，计算力方面，算力规模超过300EFLOPS，智能算力占比达到35%，东西部算力平衡协调发展。在“深化算力赋能行业应用”中的“算力+金融”部分指出：“加快算力在金融领域的创新应用，构建多节点并行的分布式算力资源架构，提供跨地域资源高效管理、核心业务多地多活部署能力。围绕金融市场高频交易等低时延业务场景开发部署智能边缘算力节点，实现金融业务边缘侧数据的筛选、整合与处理，为金融业务发展提供更为精准、高效的算力支持。”

光大银行顺应多芯算力发展趋势，从银行实际需求出发，建设以ARM、C86及AI算力为代表的多芯算力资源池，进一步完善多芯算力在行内技术体系和两地多中心布局，并从技术和管理两个方面持续优化多芯算力资源运营，不断挖掘多芯算力新动能，助推银行高质量发展。

（此文刊发于《金融电子化》2023年12月上半月刊）返回搜狐，查看更多

责任编辑：