[论文解读] Serverless seismic imaging in the cloud

Philipp Witte, Mathias Louboutin+2 more|arXiv (Cornell University)|Nov 27, 2019

Scientific Computing and Data Management参考文献 9被引用 5

一句话总结

本文提出了一种基于 Microsoft Azure 的无服务器地震成像框架，利用容器化批处理和事件驱动计算，将 3D 反向时间偏移（RTM）的运行成本最高降低至原来的 1/6。通过使用 Devito 自动生成波动方程求解器代码，并根据每个炮点位置动态扩展计算实例，该方法消除了传统虚拟机集群中的空闲时间，实现了云环境中成本效益高、性能优越的地震成像。

ABSTRACT

This abstract presents a serverless approach to seismic imaging in the cloud based on high-throughput containerized batch processing, event-driven computations and a domain-specific language compiler for solving the underlying wave equations. A 3D case study on Azure demonstrates that this approach allows reducing the operating cost of up to a factor of 6, making the cloud a viable alternative to on-premise HPC clusters for seismic imaging.

研究动机与目标

• 解决中小型油气公司和学术机构在地震成像中因本地 HPC 集群运行成本高且利用率低而面临的问题。
• 通过设计无服务器、云原生的地震 RTM 工作流，克服传统‘lift-and-shift’云迁移的局限性，避免虚拟机空闲。
• 通过动态事件驱动的资源分配和高性能波动方程求解器，实现成本效益高、可扩展的 3D 地震成像。
• 证明在 Azure 上使用无服务器计算可实现与 HPC 集群相当的性能，同时显著降低运行成本。

提出的方法

• 在 Microsoft Azure 上采用无服务器架构，根据每个地震炮点位置动态启动和扩展虚拟机，消除空闲时间。
• 使用容器化的 Docker 工作负载封装 RTM 计算，实现在云环境中的可移植性和可复现性执行。
• 通过 Azure Functions 实现事件驱动的工作流，一旦单个炮点的成像结果准备就绪即触发图像叠加，实现异步和并行处理。
• 利用 Devito（一种领域特定语言编译器）自动生成针对各向异性伪声学 TTI 波方程在前向和伴随模式下的优化并行 C 代码。
• 在每个炮点使用基于 MPI 的域分解技术，将计算分布在两台虚拟机上，以将大波场适配到内存中，采用 E64/E64s 内存优化实例。
• 使用低优先级虚拟机进一步将成本降低 2–3 倍，与固定集群相比，总成本降低最高达 6 倍。

实验结果

研究问题

• RQ1 与传统虚拟机集群相比，无服务器、事件驱动的工作流是否能有效减少地震 RTM 中的空闲时间与运行成本？
• RQ2 在云原生环境中，领域特定语言编译器（如 Devito）在地震波动方程求解器中能在多大程度上实现高性能与可移植性？
• RQ3 在大规模 3D 成像场景下，Azure 上无服务器 RTM 的成本与性能与传统本地 HPC 集群相比如何？
• RQ4 在云环境中，是否能通过无服务器函数有效编排容器化、高度并行的地震成像工作负载？

主要发现

• 与固定虚拟机集群相比，Azure 上的无服务器 RTM 工作流将运行成本降低了最高达 6 倍，主要得益于消除了空闲时间。
• 每个炮点图像的平均运行时间为 119.28 分钟，使用 100 台虚拟机的总求解时间约为 30 小时。
• 在固定集群中，随着工作节点数量的增加，累积空闲时间显著上升，峰值成本可达运行时间的 2 倍，主要由于需等待最后一个任务完成。
• 使用低优先级虚拟机使成本额外降低 2–3 倍，共同促成总成本降低 6 倍。
• 最终的 3D RTM 成像结果以 1,500 米深度的水平切片形式可视化，证明了大规模高保真成像的可行性。
• 该方法在保持抽象化与自动代码生成的同时，实现了适合工业级规模问题的性能，兼具灵活性与成本效益。