最近私達は 作品を書きました （と ビデオを作成しました) Scale Computing の小さな HCI クラスターの導入の容易さを強調しています。 3 ノード クラスターはセットアップが非常に簡単なので、小売業などのエッジ ユースケースに人気です。しかし、もう少し離れたエッジでこれらのノードを使用するのはどうだろうかと考える必要がありました。アリゾナの砂漠の奥深くに、いくつかのポータブル発電所と、頭上の空を撮影するために装備された強力な望遠鏡が組み合わされているような場所です。スケール コンピューティングがどのようにして最先端の科学研究を可能にするかについて詳しく学びましょう。
最近私達は 作品を書きました （と ビデオを作成しました) Scale Computing の小さな HCI クラスターの導入の容易さを強調しています。 3 ノード クラスターはセットアップが非常に簡単なので、小売業などのエッジ ユースケースに人気です。しかし、もう少し離れたエッジでこれらのノードを使用するのはどうだろうかと考える必要がありました。アリゾナの砂漠の奥深くに、いくつかのポータブル発電所と、頭上の空を撮影するために装備された強力な望遠鏡が組み合わされているような場所です。スケール コンピューティングがどのようにして最先端の科学研究を可能にするかについて詳しく学びましょう。
砂漠での天体写真撮影
やりすぎ？そう、これは釣り大会に戦艦を持ち込み、爆雷を使って魚を浮上させるのと似ています。ただし、これはどちらかというと、大きな写真が届いたときに、どれだけ迅速に処理できるかを確認するためのテストです。
この望遠鏡は、F/1.9 という大きな口径を備えているため非常に高速です。つまり、ターゲットに多くの時間を費やす必要がなく、露出時間を大幅に短縮できます。これは、一晩の天体写真撮影で、ローカル コントローラー ラップトップ (標準 m.7 SATA SSD を搭載した中程度のスペックの第 7 世代 i7820、2HQ) でリアルタイムに処理できるよりも多くのデータをキャプチャし、より多くのターゲットを実行できることを意味します。 。
また、システムに過負荷をかけたり、何らかの IO 制限に遭遇したりしないように、制御タスクを望遠鏡の誘導と画像の処理に細分化することを好みます。フレームあたり 120MB ～ 150MB を扱っていますが、大規模なデータセットを処理すると、ディスク IO と CPU の消費量が急速に増加します。
天体写真の簡易解説
処理とはどういう意味ですか?最初のステップは写真の登録です。これにより、品質の一般的なスコアが適用され、各画像内のすべての星がどこにあるかを任意にリストしたテキスト ファイルが作成されます。同じターゲットの写真をどんどん撮影すると、これらの登録ファイルは、最終的な画像スタッキング プロセスですべての画像を位置合わせするために使用されます。
ファイルがすべて登録されたら、さまざまな方法を使用してファイルをまとめます。わかりやすくするために、各ピクセルの値を平均すると言えますが、画像サイズが大きくなるにつれて、平均化にかかる時間も長くなります。その後、Photoshop 編集と同じくらい簡単な後処理に進みます。より複雑な操作では、GPU と AI を活用して星などを削除できる専用ソフトウェアを使用します。後処理こそが芸術の出番です。
この望遠鏡を使用すると、30 秒の露出で素晴らしい結果が得られるので、通常は各ターゲットを 100 ～ 200 枚撮影し、夕方にできるだけ多くのターゲットに到達するのが好きです。
私が使用しているソフトウェアは Deep Sky Stacker と Deep Sky Stacker Live です。 Deep Sky Stacker Live は、現在のターゲット画像セットのライブ (誰が想像したでしょう) キャリブレーションされていないプレビューを提供し、カメラから受信した画像を登録するため、最終的には時間を節約できます。
この特定のテストでは、画像を取得してすぐに登録、スタック、処理できるかどうかに興味がありました。これらの画像はそれぞれ 62 メガピクセルであり、ターゲットごとに 100 ～ 200 フレームを撮影するため、これはかなり計算負荷がかかります。これは、15 時間あたり 20 GB から 178 GB の情報が生成されたことを意味します。夕方全体で XNUMX GB のデータが生成され、スケール コンピューティング HCI クラスターで処理できました。ああ、私たちは非常に離れているので、すべての作業をバッテリー電源のみで行っています。
アンドロメダ、統合時間は 40 分。
キャリブレーション フレームの完全なセットを含む平均化手法を使用した各ターゲットのスタッキング時間は、完全に完了するまでに 25 ～ 35 分かかりました。これは、Scale Computing Cluster の驚くほど印象的なパフォーマンスであり、自宅のデスクトップ ワークステーションや専用 Astro Server と同等です。
星を除いたアンドロメダ。
私は広範な調査を実施しましたが、これは私が発見したことと一致しています。大量の RAM と CPU を投入することはそれほど重要ではなく、このプロセスで得られる絶対的な最高のディスク IOPS と読み取り/書き込み速度を得ることがより重要です。できるだけ早くしてください (これについては、後で別の記事で詳しく説明します)。スケール コンピューティング クラスターのオールフラッシュ M.2 NVMe ドライブは、低消費電力でこの特定のワークフローに高いパフォーマンスを提供するため、最適です。
天体写真リグ
テスト用の望遠鏡、IT インフラストラクチャ、およびサイトの位置情報:
- Celestron Nexstar GPS 11 インチ、HD ウェッジと HD 三脚に搭載
- スタリゾナ ハイパースター11v4
- 540mm焦点距離
- F/1.9 絞り
- スタリゾナ ハイパースター11v4
- ZWO ASI6200MC Pro ワンショット カラーカメラ
- 制御とキャプチャ用の第 7 世代 i7 を搭載した汎用エンタープライズ デル ラップトップ
- スケールコンピューティングクラスター
- アンマネージド 1 ポート Netgear XNUMXG スイッチ
- EcoFlow River ミニバッテリー 2 個
- スターリンク V2
- ピカチョ ピーク州立公園、ボートル 2 サイト。
- ソフトウェア
- N.I.NA.
- PHD2
- ディープスカイスタッカー
- スターネット
- フォトショップ
エクストリーム エッジ HCI
一般的なセットアップは非常に簡単でした。テーブル、8 ポート スイッチ、制御ラップトップ、Scale Computing HCI クラスター、およびインターネット アクセス用の Starlink をセットアップしました。すべてがスイッチを介してネットワーク接続され、Scale クラスターの速度と同じ 1GbE スイッチしかありませんでしたが、毎分約 300 メガバイトという受信データ速度のおかげで、このワークフローでは問題になりませんでした。
スケール クラスターとコントロール ラップトップのすべての電力は 12 台の Ecoflow River Mini に送られ、望遠鏡とカメラの電源はもう XNUMX 台からオフになります。望遠鏡とカメラは、車のライター ポートからの XNUMX V 電源を受け入れます。XNUMX つの入力は望遠鏡マウント用で、ポインティングと追跡用のモーターに電力を供給し、もう XNUMX つはカメラのクーラー用のペルチェ素子を動作させます。
カメラセンサーは-5°Cまで冷却されます。 EcoFlow River Mini は、クラスターとラップトップ (画面と最小の明るさ付き) を使用すると 2 時間 30 分弱で消耗しますが、望遠鏡専用のものは予備テストで XNUMX 晩中電力を供給できました。
制御ラップトップは、USB 3.0 および USB 3.0 ハブを介して望遠鏡とカメラに接続されます。私のセットアップでは、コントロール ラップトップで最低限のものだけを実行することを好み、その後、通常、写真はリモートに保存され、利用可能な場合は NAS に保存されます (この場合、スケール クラスター上で保存しました)。ネットワークがない場合は外部フラッシュ ストレージに保存します。
このテストのために、このクラスター上に 3 つの仮想マシンをセットアップしました。そのうち 2 つはスタッキング用、もう 1 つはイメージ ファイルをネットワーク共有として保存するためです。望遠鏡の制御ラップトップは、そのファイルをカメラからネットワーク経由でクラスターに直接ダンプしました。その後、各スタッカーは、ファイルが受信されるたびに各ターゲットを処理するジョブを交互に実行することになりました。クラスターで利用できる膨大なコンピューティング能力のおかげで、私たちはワークロードに十二分に対応することができました。
制御用ラップトップだけを使用して暗い空の現場に行く通常の旅行では、入ってくる膨大な量のデータのために現場で処理することができません。また、インターネット接続が限られているため、処理のためにデータをホーム サーバーに直接アップロードすることもできませんでした。つまり、目標に費やした時間の結果は 5 日以上経つまでわかりません。 Starlink はこの問題をある程度解決しますが、特に複数のユーザーや望遠鏡がある場合、20 ～ XNUMXMbps のアップロード速度がすぐにボトルネックになるため、信頼できるソリューションになるかぎりぎりです。
全体として、このテストは、恒久的に設置された遠隔天文台に 2 つ、3 つ、またはそれ以上の専用の天体写真リグをセットアップした場合、すべてのスタッキングを現場で非常に簡単に処理し、アップロードできることを示す優れた概念実証でした。自宅で最終編集するために、ファイルをベースに戻します。
また、小規模なクラスターをスター パーティーに持ち込んで、各ユーザーが個人のワークフローに利用できるように VM を迅速にデプロイできるため、フィールド プロセスも実行できるようにすることをお勧めします。このコンセプトを検証するために、私はキャンプ場の反対側に座って、5G で携帯電話にテザリングされたラップトップを使用し、リモート デスクトップを制御ラップトップに戻しました。そこで、クラスタ上でイメージをリモートでスタックして処理することができ、大成功を収めました。
最終的な考え
この特定のテストでは、Scale Computing の 3 ノード クラスターは間違いなく過剰でした。とはいえ、週末の長い旅行や大規模なスターパーティー、または複数の望遠鏡で画像をキャプチャする場合には、迅速な結果が得られ、画像を完全に検証し、データの問題をチェックできることも実証されました。荷物をまとめて家に帰ってから、レンズに汚れがあった、どこからか迷光が多すぎる、または間違ったフィルターを選択したことに気づく代わりに、現場でほぼリアルタイムでこれらに対処できます。
その利点は、2 番目のターゲットを積み終えた後に明らかになりました。使用していた USB ハブの LED からの迷光が多すぎて、画像に奇妙なアーティファクトが生じていることに気付きました。私は望遠鏡に戻ってそれらを覆い、ターゲットを再撮影し、それから再スタックしてより良い結果を得ることができました。
スケール コンピューティング ソリューションは、その低電力設計と高性能により、100% オフグリッドの常設のマルチユーザー遠隔天文台にも非常によく適合します。追加の蓄電機能と十分な大きさの太陽光発電ソリューションを入手できれば、実行時間に制限はなくなり、日中に余分なノードをシャットダウンして充電率を最大化できるようになり、多くのことがわかります。これらのアプリケーションの可能性を示します。
大きな欠点が 100 つあり、簡単に対処できると思われます。XNUMX つはおそらくソフトウェアのアップデートで、もう XNUMX つは単純なハードウェアのアップグレードで解決できると思います。 XNUMX つ目は、USB デバイスを通過できないことです。これに USB パススルーがあれば、私は現在の機材をすべて捨てて、たとえ自宅の裏庭に座っていても、ワークフローのプライマリとしてこれを導入するでしょう。望遠鏡とカメラを直接制御するには、USB ハブをゲスト オペレーティング システムに渡すことができる必要があります。
2 番目の問題は、ストレージの量が限られていることです。ホストあたり 4 テラバイトはかなりまともです。ただし、これを私の特定のワークフローで日常的に使用できるオプションにするために、ホストあたり XNUMX ～ XNUMX TB 程度の容量を確保したいと考えています。ただし、実装しているカメラでは最高のデータレートでキャプチャしているため、低解像度のカメラを使用している人にとっては、これはそれほど問題ではないかもしれません。 Scale はこれらのシステムをより多くのストレージで構成できるため、容量が必要な場合は簡単に修正できます。
ベール星雲
Scale Computing の小型 HCI クラスターは、サイズが小さく、ソフトウェアが使いやすく、コストが比較的低いため、ビジネスに多くのメリットをもたらします。天体写真などの研究ユースケースでは、このようなものによって科学的発見が大幅に加速されます。回復力があり、コスト効率も高い低電力クラスターを探している人は、スケール コンピューティングを試してみるとよいでしょう。彼らはさえ持っています 無料試用.
生のスタックの編集を試してみたい場合は、 tif ファイルは、この Google ドライブのリンクにあります。
StorageReview と連携する
ニュースレター | YouTube |ポッドキャスト iTunes/Spotifyは | Instagram | Twitter | TikTok | RSSフィード
