Conferência NAFEMS DACH 2026 | Open iT: Gestão de ativos de software | Acompanhamento de licenças de software

Título

Otimização da utilização dos recursos de HPC: lições da CFD regulada no desporto motorizado de elite

Orador

Open iT
Heinrich Bartels

Resumo

A engenharia de ponta no desporto motorizado de monolugares opera num ambiente em que o desempenho é determinado por margens extremamente reduzidas e em que a eficiência aerodinâmica é o fator dominante que influencia os resultados das corridas. A aerodinâmica afeta diretamente a estabilidade na travagem e o desempenho nas curvas, sendo que a aderência aerodinâmica excede a aderência mecânica num fator de quatro a cinco. Num sistema tão interligado, mesmo pequenas ineficiências podem resultar na perda de posições, enquanto aperfeiçoamentos aerodinâmicos relativamente menores podem proporcionar melhorias nos tempos por volta da ordem dos 0,1 a 0,3 segundos. Estas condições elevam a Dinâmica de Fluidos Computacional (CFD) de uma ferramenta de apoio a um fator central do desempenho competitivo, tornando a eficácia de cada simulação de importância crítica.

CFD as a Constrained Resource

What differentiates this environment is not simply the reliance on CFD, but the way in which its usage is constrained. In Formula One, CFD activity is governed by explicit regulatory limits that define how much computation each team is allowed to perform. These limits are dynamically adjusted based on competitive ranking, with lower-ranked teams receiving up to 115% of a baseline allocation, while the Constructor’s Champion may be restricted to as little as 70%. This structure introduces a deliberate competitive balancing mechanism in which success reduces future computational capacity, forcing top-performing teams to operate with greater selectivity and efficiency.

Neste contexto, o CFD torna-se um recurso finito e mensurável. O seu consumo é quantificado através de uma métrica padronizada: AUh = (NCU × NSS × CCF) / 3600, em que NCU representa o número de CPUs, NSS o tempo de execução em segundos e CCF a velocidade do relógio da CPU. Cada simulação consome uma parte definida de uma dotação fixa que não pode ser excedida, e qualquer capacidade não utilizada é perdida. Isto cria um limite rigoroso dentro do qual todo o desenvolvimento aerodinâmico deve ocorrer, deslocando o foco do número total de simulações realizadas para a maximização do número de simulações úteis que contribuem para a melhoria do desempenho.

From CFD Constraint to HPC Optimization

These constraints fundamentally change the role of high-performance computing (HPC). In most engineering environments, HPC systems are treated as scalable infrastructure, where increasing computational demand can be met by adding more hardware. In Formula One, however, CFD throughput is limited by regulation rather than hardware availability. As a result, expanding compute capacity does not increase the number of allowable simulations. Instead, the emphasis shifts toward extracting the maximum possible value from a fixed computational budget.

Esta mudança coloca a otimização da HPC no centro do desempenho da engenharia. O objetivo não é aumentar a utilização total de recursos computacionais, mas sim melhorar a eficiência com que os recursos existentes são utilizados, de modo a que seja possível realizar simulações mais significativas dentro da mesma dotação. Cada ineficiência no sistema de HPC reduz diretamente o número de simulações CFD que podem ser realizadas, tornando o desempenho do sistema e a utilização dos recursos fatores críticos para o sucesso competitivo.

Understanding Resource Constraints and Imbalance

HPC systems are complex environments in which performance is governed by multiple interacting resources, including compute capacity, memory size, storage I/O, network bandwidth, inter-process communication, scheduler configuration, and software license availability. In practice, these resources are rarely balanced. It is common for one resource to become saturated while others remain underutilized, creating bottlenecks that limit overall system throughput.

Por exemplo, simulações que parecem exigir um grande volume de cálculos podem, na realidade, ser limitadas pela largura de banda da memória ou pela latência, impedindo que as CPUs funcionem com a máxima eficiência. As cargas de trabalho distribuídas podem enfrentar conflitos de interligação ou de rede, reduzindo a escalabilidade entre os nós. Os sistemas de armazenamento podem limitar o desempenho através de padrões ineficientes de acesso aos dados, enquanto o consumo de energia e os limites térmicos podem introduzir restrições que reduzem a velocidade efetiva de processamento. Além disso, as cargas de trabalho paralelas são inerentemente limitadas por componentes não paralelizáveis, o que significa que aumentar o número de CPUs nem sempre produz ganhos proporcionais no desempenho.

Estes desequilíbrios evidenciam um desafio fundamental: a eficiência global da HPC não é determinada pela quantidade total de recursos disponíveis, mas sim pela forma como esses recursos estão alinhados e são utilizados. Quando um constrangimento se torna predominante, o resto do sistema não pode ser plenamente aproveitado, o que resulta numa redução do rendimento e num aumento do custo computacional por simulação.

Using Measurements to Identify Inefficiency

Addressing these challenges requires detailed visibility into system behavior. Modern HPC environments generate extensive measurements that provide insight into both system performance and simulation usage. Hardware performance counters reveal low-level inefficiencies such as cache misses and memory stalls, while node-level measurements capture power consumption, temperature, and potential thermal throttling effects. System-wide profiling tools further expose patterns of contention and imbalance across compute, memory, network, and storage subsystems.

When combined with usage data such as job scheduling patterns, license concurrency, and time-based demand, these measurements provide a comprehensive view of how resources are being consumed. They enable the identification of idle compute capacity, peak-time bottlenecks, and misaligned workloads that may not be visible through conventional monitoring approaches. In many cases, inefficiencies are not obvious because they are distributed across multiple components of the system, making data-driven analysis essential for uncovering lost performance.

Optimization Actions and System-Level Improvements

Once inefficiencies are identified, targeted optimization strategies can be applied to improve overall system performance. These actions may include refining CPU allocation to increase core efficiency, improving cooling systems to eliminate thermal throttling, and resolving I/O bottlenecks through optimized data layout and access patterns. Adjustments to job schedulers can better align workloads with available resources, while improved license management can ensure that software constraints do not unnecessarily limit throughput.

Em algumas situações, a análise pode indicar que é necessária capacidade adicional de HPC. No entanto, esta decisão deve basear-se numa compreensão clara de qual o recurso que está a limitar o desempenho. Adicionar nós de computação a um sistema limitado pela largura de banda da memória, pela E/S de armazenamento ou pelo desempenho da rede não irá melhorar o débito e pode aumentar os custos operacionais sem proporcionar benefícios significativos. Por outro lado, quando os recursos estão bem equilibrados e são plenamente utilizados, a expansão da capacidade pode proporcionar melhorias mensuráveis no desempenho e na produtividade.

Commercial HPC: Performance and Cost Optimization

While Formula One provides a uniquely constrained example, the underlying principles apply directly to commercial HPC environments. In these settings, the primary constraint is not regulation, but cost. HPC systems represent significant capital and operational investments, including hardware acquisition, energy consumption, maintenance, and software licensing. As a result, the optimization objective extends beyond performance alone.

As organizações comerciais têm de conciliar dois objetivos: concluir as simulações necessárias o mais rapidamente possível e reduzir o custo dos recursos de HPC necessários para alcançar esses resultados. Para um número fixo de simulações, melhorar a eficiência do sistema pode reduzir o tempo de computação, diminuir o consumo de energia e reduzir os custos de licenciamento. Em muitos casos, um melhor equilíbrio dos recursos pode permitir que a mesma carga de trabalho seja concluída com menos recursos computacionais, reduzindo diretamente as despesas globais.

Isto estabelece um paralelo importante com a Fórmula 1. Num ambiente regulamentado, a ineficiência reduz o número de simulações que podem ser realizadas dentro de um orçamento fixo. Num ambiente comercial, a ineficiência aumenta o custo necessário para realizar um determinado número de simulações. Embora as restrições sejam diferentes, o desafio subjacente é o mesmo: garantir que os recursos de HPC sejam utilizados da forma mais eficaz possível.

A Data-Driven Approach to Resource Optimization

The common solution across both domains is a disciplined, data-driven approach to resource management. HPC systems must be continuously measured and analyzed to understand how resources are being used and where limitations arise. Bottlenecks must be identified and addressed, workloads must be aligned with system capabilities, and decisions regarding capacity expansion must be based on clear evidence rather than assumption.

Ao estabelecer ciclos de retroalimentação entre as medições do sistema e as decisões operacionais, as organizações podem melhorar gradualmente tanto o desempenho como a eficiência ao longo do tempo. Esta abordagem permite uma utilização mais eficaz da infraestrutura existente, reduz custos desnecessários e garante que qualquer investimento adicional em recursos de HPC proporcione um valor significativo.

Conclusão

The experience of elite motorsport engineering demonstrates that when computational resources are treated as finite and measurable, optimization becomes both necessary and achievable. By focusing on improving resource utilization rather than simply increasing capacity, organizations can increase simulation throughput, reduce cost per solution, and make more effective use of their HPC investments. The same principles that enable competitive advantage in a constrained racing environment can be applied broadly to deliver more efficient and cost-effective simulation across a wide range of industries.