为了优化企业绩效，IT部门应评估顶级任务以确定如何购买服务器并创建最高效的工作负载。服务器是现代计算能力的核心，但选择服务器来承载工作负载的方法却多得令人眼花缭乱。虽然可以使用具有管理功能的相同虚拟化和集群化白盒系统填充数据中心，但随着越来越多的公司在云中部署工作负载，本地数据中心托管仍在本地的工作负载的需求越来越大。越来越需要。资源较少。这有助于IT和业务领导者从更小的服务器尺寸中寻求更多价值和性能。今天，白盒系统的浩瀚海洋受到了新一轮服务器专业化浪潮的挑战。一些组织正在重新发现一台服务器可能确实适合所有工作负载。您可以选择甚至自定义服务器集群硬件以适应特定的使用类别。虚拟机整合和增加网络级I/O的好处服务器虚拟化的一个核心好处是能够在同一台物理服务器上托管多个虚拟机，以充分利用服务器的可用计算资源。虚拟机主要依赖于服务器内存(RAM)和处理器中的内核数量。无法详细确定给定服务器上可以驻留多少个虚拟机，因为您可以将虚拟机配置为使用各种内存空间和处理器核心。然而，服务器的经验法则包括选择具有更多内存的处理器，并且（更高的）处理器核心数通常允许更多的虚拟机驻留在同一台服务器上，从而提高整合。例如，DellEMCPowerEdgeR940机架式服务器最多可支持28个处理器内核，并提供48个双倍数据速率第四代(DDR4)双列直插式内存模块(DIMM)插槽，最高支持6TB内存。一些组织可能会选择部署单独的机架服务器，选择刀片服务器作为替代方案，或作为超融合基础设施系统的一部分。该服务器适用于高水平的虚拟机整合，包括冗余热插拔电源和弹性内存功能，如DIMM热插拔和DIMM镜像。接下来考虑如何选择高度整合的服务器，目标是增加对网络级I/O的关注。企业工作负载通常交换数据、访问集中式存储资源，并跨不同LAN或WAN的界面与用户通信。当多个虚拟机尝试共享相同的低端网络端口时，可能会导致网络瓶颈。复合服务器可以受益于快速网络接口，例如10千兆位以太网端口，但选择具有多个GbE端口的服务器通常更经济、更灵活，您可以将这些端口组合起来以提高速度和弹性。选择服务器时，请根据您的用例评估某些功能的重要性。扩展RAM上的容器整合以购买服务器虚拟化容器代表了一种相对较新的虚拟化方法，帮助开发人员和IT团队以代码和依赖项共同封装实例的方式创建和部署应用程序，但容器共享相同的底层操作系统内核。容器对于高度可扩展的基于云的应用程序开发和部署非常有吸引力。与虚拟机合并一样，计算资源将直接影响可能托管的容器数量，因此服务器将提供足够的RAM数量和处理器内核数量。更多的计算资源通常允许更多的容器。但是大量并发容器会给服务器带来严重的内部I/O挑战。每个容器必须共享一个通用的操作系统内核。这意味着可能有数十个甚至数百个容器试图与同一个核心进行通信，从而导致过多的延迟，从而影响容器性能。同样，容器通常部署为应用程序组件而不是完整的应用程序。这些组件容器必须相互通信并根据需要进行扩展以增加整体工作负载。这会在容器之间产生巨大且有时不可预测的API流量。在上述两种情况下，服务器本身的I/O带宽限制，以及应用程序的架构设计效率，都会限制服务器可以成功托管的容器数量。当许多容器化的工作负载通过LAN或WAN传输时，网络I/O也可能成为潜在的瓶颈。网络瓶颈会减慢对共享存储的访问速度、延迟用户响应甚至导致工作负载错误。考虑容器和工作负载的网络需求，并为服务器提供足够的网络容量——更快的10GbE端口或多个1GbE带宽端口以提高速度和弹性。大多数服务器类型都能够承载大容量容器，但它们通常选择使用刀片服务器来测量I/O负载、I/O负载和I/O负载的组合容量。HewlettPackardEnterprise(HPE)ProLiantBL460cGen10刀片服务器支持多达26个处理器内核和2TBDDR4内存。可视化和科学计算对服务器采购的影响图形处理单元(GPU)越来越多地出现在服务器级产品中，以帮助处理从大数据处理和科学计算到更多与图形相关的任务（如建模和可视化）算法密集型任务任务。GPU还使IT能够在受到更好保护的数据中心保留和处理敏感、有价值的数据集，而不是让数据流向业务端点。一般而言，GPU支持只需要在服务器上添加合适的GPU卡，对服务器传统的处理器、内存、I/O、存储、网络或其他硬件细节影响不大。但是，企业级服务器中包含的GPU适配器通常比台式机或工作站可用的适配器复杂得多。事实上，GPU越来越成为刀片系统中高度专业化的模块。例如，HPEProLiantWS460cGen9图形服务器刀片使用带有两个GPU、4096个计算统一设备架构内核和16GB独立图形DDR5视频RAM的NvidiaTeslaM60外围组件互连高速图形卡。图形系统通过使用多个图形服务器刀片支持多达48个GPU。支持大量GPU硬件（特别是当GPU硬件也被虚拟化时）允许许多用户和工作负载共享图形子系统。
