อาร์คิวดา
นักพัฒนา	มหาวิทยาลัย Politecnica de Valencia
เวอร์ชันเสถียร	20.07 / 26 กรกฎาคม 2020 ( 2020-07-26 )
ระบบปฏิบัติการ	ลินุกซ์
พิมพ์	จีพีจีพียู
เว็บไซต์	www.rcuda.net​​

rCUDAซึ่งย่อมาจากRemote CUDAเป็นซอฟต์แวร์เฟรมเวิร์กประเภทมิดเดิลแวร์สำหรับการจำลองเสมือนGPU ระยะไกล โดยสามารถทำงานร่วมกับ อินเทอร์เฟซการเขียนโปรแกรมแอปพลิเคชัน ( API ) ของ CUDA ได้อย่างสมบูรณ์ ทำให้สามารถจัดสรร GPU ที่รองรับ CUDA หนึ่งตัวหรือมากกว่านั้นให้กับแอปพลิเคชันเดียวได้ แต่ละ GPU สามารถเป็นส่วนหนึ่งของคลัสเตอร์หรือทำงานอยู่ภายในเครื่องเสมือนก็ได้ แนวทางนี้มีจุดมุ่งหมายเพื่อปรับปรุงประสิทธิภาพในคลัสเตอร์ GPU ที่ยังใช้ประโยชน์ไม่เต็มที่ การจำลองเสมือน GPU ช่วยลดจำนวน GPU ที่จำเป็นในคลัสเตอร์ และส่งผลให้ต้นทุนในการกำหนดค่าลดลง – ใช้พลังงานน้อยลง ประหยัดค่าใช้จ่ายในการจัดซื้อและบำรุงรักษา

สถาปัตยกรรมเร่งความเร็วแบบกระจายที่แนะนำคือ คลัสเตอร์ คอมพิวเตอร์ประสิทธิภาพสูงที่มี GPU ติดตั้งอยู่เฉพาะในโหนดคลัสเตอร์เพียงไม่กี่โหนดเท่านั้น เมื่อโหนดที่ไม่มีGPU ในพื้นที่ เรียกใช้แอปพลิเคชันที่ต้องการทรัพยากร GPU การเรียกใช้เคอร์เนล จากระยะไกล จะได้รับการสนับสนุนโดยการถ่ายโอนข้อมูลและโค้ดระหว่างหน่วยความจำระบบในพื้นที่และหน่วยความจำ GPU ระยะไกล rCUDA ได้รับการออกแบบมาเพื่อรองรับ สถาปัตยกรรม ไคลเอ็นต์-เซิร์ฟเวอร์ นี้ ในด้านหนึ่ง ไคลเอ็นต์ใช้ไลบรารีของ wrapper สำหรับ API Runtime ระดับสูงของ CUDA และในอีกด้านหนึ่ง มีบริการรับฟังเครือข่ายที่รับคำขอผ่านพอร์ต TCPโหนดหลายโหนดที่เรียกใช้แอปพลิเคชันเร่งความเร็ว GPU ที่แตกต่างกันสามารถใช้ชุดตัวเร่งความเร็วทั้งหมดที่ติดตั้งในคลัสเตอร์พร้อมกันได้ ไคลเอ็นต์ส่งต่อคำขอไปยังเซิร์ฟเวอร์ตัวใดตัวหนึ่ง ซึ่งจะเข้าถึง GPU ที่ติดตั้งในคอมพิวเตอร์เครื่องนั้นและเรียกใช้คำขอในนั้นการแบ่งเวลา GPU หรือกล่าวอีกนัยหนึ่ง คือ การแบ่งปัน GPU ทำได้โดยการสร้างกระบวนการเซิร์ฟเวอร์ที่แตกต่างกันสำหรับแต่ละคำขอเรียกใช้ GPU จากระยะไกล^{[ 1 ] [ 2 ] [ 3 ] [ 4 ] [ 5 ] [ 6 ]}

มิดเดิลแวร์ rCUDA ช่วยให้สามารถใช้งานอุปกรณ์ที่รองรับ CUDA พร้อมกันได้จากระยะไกล

rCUDA ใช้เครือข่าย InfiniBand หรือ API ซ็อกเก็ตสำหรับการสื่อสารระหว่างไคลเอ็นต์และเซิร์ฟเวอร์ rCUDA มีประโยชน์ในสามสภาพแวดล้อมที่แตกต่างกัน:

• คลัสเตอร์ เพื่อลดจำนวน GPU ที่ติดตั้งในคลัสเตอร์ประสิทธิภาพสูง ซึ่งจะช่วยประหยัดพลังงาน รวมถึงค่าใช้จ่ายอื่นๆ ที่เกี่ยวข้อง เช่น ค่าใช้จ่ายในการจัดซื้อ การบำรุงรักษา พื้นที่ การระบายความร้อน เป็นต้น
• แวดวงวิชาการ ในเครือข่ายสินค้าโภคภัณฑ์ การเปิดโอกาสให้นักเรียนจำนวนมากสามารถเข้าถึง GPU ประสิทธิภาพสูงจำนวนหนึ่งพร้อมกันได้
• เครื่องเสมือน (Virtual Machines) เพื่อให้สามารถเข้าถึงฟังก์ชัน CUDA บนเครื่องจริงได้

rCUDA เวอร์ชันปัจจุบัน (v20.07) รองรับ CUDA เวอร์ชัน 9.0 ยกเว้นการทำงานร่วมกันด้านกราฟิก rCUDA v20.07 กำหนดเป้าหมายไปที่ระบบปฏิบัติการ Linux (สำหรับสถาปัตยกรรม 64 บิต) ทั้งฝั่งไคลเอ็นต์และเซิร์ฟเวอร์

แอปพลิเคชัน CUDA ไม่จำเป็นต้องแก้ไขซอร์สโค้ดใดๆ เพื่อให้สามารถใช้งานร่วมกับ rCUDA ได้

• เว็บไซต์อย่างเป็นทางการของ Nvidia CUDA