Apa itu komputasi grid?

Kedua jenis komputasi bergantung pada infrastruktur komputasi bersama, tetapi komputasi grid lebih berfokus pada pemecahan masalah ilmiah atau teknik skala besar sementara komputasi terdistribusi berfokus pada tugas-tugas yang lebih sederhana.

Komputasi grid sering dikaitkan dengan jenis komputasi yang dikenal sebagai “grand challenge” (tantangan besar), yaitu masalah komputasi yang didasarkan pada sains atau teknik yang memiliki aplikasi luas. Mungkin grand challenge paling terkenal yang telah dibantu oleh komputasi grid adalah Hadron Collider besar di CERN, akselerator partikel paling kuat di dunia.

Selain mengatasi berbagai grand challenge, komputasi grid juga digunakan untuk berbagai tujuan bisnis yang lebih praktis, termasuk manajemen big data dan analisis data berkecepatan tinggi, pembuatan insight, riset ilmiah, simulasi cuaca dan keuangan yang kompleks, serta komputasi kinerja tinggi (HPC).

Komputasi cloud, akses sumber daya komputasi sesuai permintaan melalui internet, mirip dengan komputasi grid tetapi berbeda dalam beberapa hal penting. Sementara infrastruktur komputasi cloud dan komputasi grid keduanya dianggap sebagai sistem terdistribusi, komputasi cloud didasarkan pada model klien-server yang dikelola secara terpusat dan sangat fleksibel yang mudah diakses oleh pengguna. Di cloud, bisnis mengakses layanan melalui internet menggunakan protokol standar dan hanya membayar sumber daya komputasi yang mereka butuhkan.

Di sisi lain, komputasi grid mengandalkan infrastruktur yang dikelola secara kolaboratif di mana sumber daya dimiliki dan dikelola oleh satu organisasi. Hal ini membuatnya optimal untuk perusahaan yang menjalankan beban kerja yang konsisten, tetapi membuatnya lebih sulit untuk diakses dan kurang dapat diskalakan dibandingkan arsitektur komputasi cloud. Daripada menggunakan protokol komputasi standar untuk mengakses layanan tertentu, misalnya, pengguna grid harus menggunakan middleware grid, aplikasi khusus untuk arsitektur komputasi grid.

Lingkungan komputasi grid terdiri dari node yang berbeda, yaitu komputer, perangkat, dan sumber daya yang diprogram untuk melakukan tugas tertentu. Aspek komputasi grid ini membuatnya lebih beragam daripada komputasi klaster, jenis komputasi lain di mana sumber daya dibagi melalui jaringan.  Sementara klaster komputer memiliki perangkat keras dan tugas tetap, komputasi grid memiliki lingkungan berbagi sumber daya yang jauh lebih fleksibel.

Biasanya, jaringan komputasi grid terdiri dari dua jenis komponen: node dan middleware.

Arsitektur komputasi grid bergantung pada tiga jenis node grid untuk menyelesaikan tugas komputasi grid:

• Node pengguna: Node pengguna adalah komputer yang mengirimkan permintaan ke sistem komputasi grid untuk sumber daya tertentu.

• Node penyedia: Node penyedia adalah komputer yang berbagi sumber daya. Seringkali, node pengguna dan penyedia beralih peran, meminta sumber daya dari satu node dan berbagi sumber daya dengan yang lain.

• Node kontrol: Node kontrol mengelola jaringan dan mengalokasikan berbagai sumber daya komputasi pada grid. Middleware, aplikasi penting untuk semua jaringan komputasi grid, berjalan pada node kontrol.

Dalam infrastruktur komputasi grid, middleware dikenal sebagai middleware grid dan berfungsi sebagai lapisan perangkat lunak yang memungkinkan berbagai node untuk berkomunikasi dan bertukar sumber daya. Middleware grid bertanggung jawab untuk mengoordinasikan permintaan yang difasilitasi oleh node pengguna dengan sumber daya yang tersedia yang disimpan oleh node penyedia.

Middleware grid sangat terspesialisasi dan mampu menangani permintaan untuk berbagai sumber daya seperti daya pemrosesan (CPU), memori, dan penyimpanan. Hal ini penting untuk fungsionalitas infrastruktur grid, menyeimbangkan sumber daya untuk mencegah penyalahgunaan dan memastikan sistem komputasi grid berjalan dengan aman dan efisien.

Arsitektur komputasi grid yang khas terdiri dari empat lapisan yang terdiri dari aplikasi, middleware, sumber daya, dan lapisan bawah yang memungkinkan setiap node terhubung ke jaringan:

• Lapisan 1: Lapisan satu, juga dikenal sebagai ‘lapisan atas’ dalam model komputasi grid standar, terdiri dari aplikasi tingkat tinggi dengan tujuan tertentu, misalnya, aplikasi yang melakukan analisis data atau pemodelan.

• Lapisan 2: Lapisan kedua dari arsitektur komputasi grid adalah tempat middleware berada, mengelola permintaan dari node pengguna dan mengalokasikan sumber daya dari node penyedia sesuai kebutuhan.

• Lapisan 3: Lapisan ketiga dari jaringan komputasi grid terdiri dari semua sumber daya yang tersedia di jaringan, seperti CPU, memori, penyimpanan, perangkat keras, perangkat lunak, dan banyak lagi.

• Lapisan 4: Lapisan terakhir, juga dikenal sebagai lapisan ‘bawah’ atau ‘kain‘, memungkinkan semua node pada jaringan komputasi gird untuk terhubung. Lapisan 4 terdiri dari sumber daya fisik dan logis, termasuk superkomputer, sistem penyimpanan, sistem file terdistribusi (DFS), dan klaster komputer.

Komputasi grid biasanya dipecah menjadi lima jenis dasar berdasarkan tujuan.

Grid komputasional adalah jenis infrastruktur komputasi grid yang paling umum, diterapkan untuk berbagai tugas komputasi kinerja tinggi (HPC). Komputasi grid komputasional sangat padat sumber daya, menggabungkan kekuatan komputasi dari beberapa komputer berkinerja tinggi untuk melakukan simulasi kompleks dan memecahkan masalah matematika dan algoritma skala besar.

Sebuah grid komputasional dapat membagi tugas kompleks menjadi subtugas yang lebih kecil dan sederhana dan menetapkan masing-masing ke sebuah node. Proses ini, yang dikenal sebagai komputasi paralel atau pemrograman paralel, secara dramatis mengurangi waktu dan biaya untuk memecahkan masalah yang kompleks dan padat sumber daya yang merupakan bagian integral dari teknologi mutakhir seperti kecerdasan buatan (AI), pembelajaran mesin (ML) dan blockchain. Karena kecepatannya, komputasi paralel sangat ideal untuk teknologi canggih yang memerlukan pemrosesan real-time seperti mobil otonom, pemodelan cuaca, dan aplikasi Internet of Things (IoT).

Grid scavenging, juga dikenal sebagai grid scavenging CPU atau siklus scavenging, memiliki tata letak dan tujuan yang mirip dengan grid komputasional tetapi dengan satu perbedaan utama. Pada grid scavenging, node dan komputer hanya menyumbangkan sumber daya yang tersedia ke grid yang lebih besar. Istilah scavenging dalam konteks ini mengacu pada proses pencarian sumber daya komputasi yang terhubung untuk mengetahui ketersediaannya.

Pada grid scavenging, beberapa node melakukan tugas yang terkait dengan tujuan grid yang lebih besar sementara yang lain digunakan untuk tujuan lain yang tidak terkait. Jika pengguna jaringan perlu mengakses komputer untuk tujuan yang tidak terkait grid, perangkat lunak grid hanya mengidentifikasi node bebas dan sumber daya komputasi yang tersedia dan mengalokasikannya.

Grid data adalah jaringan komputasi grid besar yang menghubungkan beberapa komputer untuk meningkatkan kapasitas penyimpanan data. Komputasi grid data memecah kumpulan data besar sehingga dapat disimpan di beberapa komputer yang terhubung melalui jaringan. Komputer pada jaringan data biasanya bertukar data dan sumber daya di wilayah geografis yang luas, menghubungkan pengguna di lokasi-lokasi terpencil.

Grid data ideal untuk tugas komputasi yang dapat dipecah menjadi subtugas yang lebih kecil dan diselesaikan secara paralel. Mereka banyak digunakan dalam teknologi layanan mikro dan sebagai dasar untuk cloud pribadi di mana perangkat disatukan dan sebagian sumber daya dialokasikan untuk tujuan tertentu. Selain itu, mesin virtual (VM) sering kali ditampilkan dalam jaringan data, sehingga memungkinkan pengumpulan sumber daya yang lebih efisien untuk tugas-tugas komputasi umum seperti pemrosesan dan penyimpanan data.

Grid kolaboratif, atau kerangka kerja komputasi jaringan kolaboratif, memungkinkan kelompok individu untuk memanfaatkan grid komputasi untuk lebih mudah mengakses pekerjaan dan sumber daya bersama.

Jaringan kolaboratif memungkinkan tim yang tersebar luas untuk berbagi keahlian dan menyumbangkan pekerjaan secara real time saat mereka mengejar tujuan bersama. Misalnya, grid kolaboratif memungkinkan pekerjaan banyak ilmuwan iklim dan fisikawan yang bekerja untuk memecahkan masalah melalui data bersama dan sumber daya komputasional dari berbagai universitas dan institusi di seluruh dunia.

Grid modular difokuskan pada pemisahan sumber daya komputasi dalam sistem tertentu menjadi modul terpisah untuk meningkatkan kinerja aplikasi. Dalam grid modular, sumber daya yang umum dibagikan seperti GPU, penyimpanan, dan memori dipecah dan digabungkan kembali untuk meningkatkan efisieansi dalam menjalankan aplikasi dan layanan tertentu.

Pendekatan modular memungkinkan tim TI menjadi lebih fleksibel saat menyesuaikan lingkungan komputasi agar sesuai dengan kebutuhan mereka. Misalnya, dalam grid modular, konfigurasi dapat disesuaikan untuk memenuhi kebutuhan sumber daya spesifik dari aplikasi atau layanan individual.

Komputasi grid memungkinkan perusahaan untuk memproses volume data yang besar lebih cepat dan lebih efisien daripada dalam pengaturan yang lebih tradisional. Perusahaan yang memanfaatkan komputasi grid telah mencapai lebih banyak fleksibilitas, skalabilitas, dan efektivitas biaya dengan memanfaatkan sumber daya untuk sejumlah tujuan bisnis. Berikut adalah beberapa manfaat paling umum yang didapat organisasi dari komputasi grid.

Komputasi grid banyak digunakan oleh organisasi besar di berbagai industri. Universitas telah menggunakan grid untuk memecahkan masalah besar dan kompleks yang melibatkan superkomputer dan kolaborasi dengan rekan-rekan di seluruh dunia. Superkomputer virtual yang kuat yang mengandalkan kerangka komputasi grid telah menangani tugas-tugas ilmiah dan teknik yang kompleks terkait dengan perubahan iklim, astrofisika, dan banyak lagi. Berikut adalah beberapa contoh penggunaan komputasi grid yang paling umum.

• Perbankan: Bank menggunakan komputasi grid untuk berbagai tujuan keamanan dan manajemen risiko. Memanfaatkan sumber daya gabungan dari grid skala besar, lembaga keuangan dapat melakukan forecasting perubahan di pasar saham dan mengungkap tren untuk membantu mereka membuat keputusan keuangan yang lebih cerdas bagi pelanggan mereka. Menurut Institute of Business Value, 78% bank mengatakan mereka mengambil pendekatan taktis untuk gen AI tahun lalu.

• Ilmu hayati: Ilmu hayati seperti biologi, genomik, dan ilmu saraf semakin mengandalkan komputasi grid untuk membantu menambang data berjumlah besar untuk insight dan membuat simulasi yang lebih akurat. Misalnya, dalam studi gen manusia, komputasi grid telah membantu memproses dan menganalisis kumpulan data yang dihasilkan oleh proses sekuensing DNA dan membantu peneliti mengidentifikasi mutasi.

• Komputasi edge dan aplikasi Internet of Things (IoT): Komputasi edge, kerangka kerja komputasi terdistribusi yang sangat relevan dengan aplikasi AI dan aplikasi IoT mutakhir, memanfaatkan komputasi grid untuk memproses dan menganalisis data di sumbernya. Menurut laporan terbaru dari Straits Research, komputasi edge sangat penting bagi komputasi grid yang memiliki tingkat pertumbuhan tahunan gabungan (CAGR) yang kuat, yaitu sebesar 17,1% yang diperkirakan akan terjadi dalam enam tahun ke depan.¹

• Pembuatan film: Banyak efek khusus canggih yang kita lihat di film saat ini menggunakan semacam kerangka komputasi grid untuk mempercepat pemrosesan. Desainer efek khusus mengandalkan layanan grid untuk mempersingkat jadwal produksi dan memenuhi tenggat waktu saat merender gambar yang kompleks.

• Gaming: Pengembang video game bergantung pada komputasi grid untuk sumber daya komputasi tambahan saat membangun dunia yang menakjubkan secara visual yang akan dihuni gamer. Sistem komputasi grid membagi tugas komputasi besar dan menetapkannya ke node pada jaringan komputer yang terhubung memperpendek jadwal produksi.