
به گزارش «خبرنامه دانشجویان ایران»؛
بسیاری از دانشجویان رشتههای کامپیوتر، فناوری اطلاعات، هوش مصنوعی و مهندسی نرمافزار فعالیت خود را با یک لپتاپ یا کامپیوتر شخصی آغاز میکنند. برنامهنویسی، طراحی وب، اجرای ماشین مجازی و حتی بسیاری از پروژههای دانشگاهی را میتوان روی همین سیستمها انجام داد.
اما با بزرگتر شدن پروژه شرایط تغییر میکند.

اجرای چندین Virtual Machine، راهاندازی آزمایشگاه شبکه، پردازش حجم زیادی داده، ایجاد Private Cloud، میزبانی نرمافزارهای سازمانی یا اجرای چند سرویس بهصورت همزمان میتواند منابع یک سیستم معمولی را بهسرعت مصرف کند.
در چنین مرحلهای مفهوم Server اهمیت بیشتری پیدا میکند.
برای یک دانشجو، تیم تحقیقاتی یا استارتاپ، شناخت درست Server میتواند علاوه بر افزایش Performance، از خرید تجهیزات بیش از حد یا نامناسب نیز جلوگیری کند.
Server در سادهترین تعریف سیستمی است که منابع یا سرویسهای خود را در اختیار سایر دستگاهها و کاربران قرار میدهد.
یک سرور ممکن است برای نگهداری فایلها، اجرای Database، میزبانی وبسایت، Virtualization، Backup، هوش مصنوعی یا دهها کاربرد دیگر استفاده شود.
تفاوت اصلی Server با یک PC معمولی فقط قدرت پردازشی نیست.

در سرورهای Enterprise معمولاً قابلیتهایی مانند حافظه ECC، چند Power Supply، RAID Controller، مدیریت از راه دور، تعداد زیاد Drive Bay و ظرفیت بالاتر RAM وجود دارد.
این امکانات برای سیستمی طراحی شدهاند که ممکن است بهصورت 24 ساعته روشن باشد و سرویس تعداد زیادی کاربر را تأمین کند.
در دنیای Enterprise برندهای مختلفی وجود دارند، اما HPE ProLiant یکی از شناختهشدهترین خانوادههای Server است.
مدلهای مختلف HPE را میتوان برای کاربردهای بسیار متفاوتی کانفیگ کرد.
برای مثال یک سیستم ممکن است برای آموزش VMware و Virtualization استفاده شود و سیستم دیگری برای Database یا پردازش داده طراحی شده باشد.
اگر قصد بررسی مدلها و کانفیگهای مختلف سرور HPE را داشته باشید، اولین قدم این است که مشخص شود دقیقاً چه Workloadی قرار است روی دستگاه اجرا شود.
در بسیاری از مواقع انتخاب صحیح CPU و RAM مهمتر از خرید گرانترین مدل بازار است.
ممکن است در نگاه اول Server تجهیزی مخصوص شرکتهای بزرگ به نظر برسد، اما در محیط آموزشی نیز کاربردهای زیادی دارد.
دانشجویان و تیمهای تحقیقاتی میتوانند از Server برای پروژههایی مانند موارد زیر استفاده کنند:
VMware ESXi
Hyper-V
Proxmox
Kubernetes
Docker
Active Directory
Database
آزمایشگاه Cisco و Network
Private Cloud
پردازش داده
Machine Learning
Web Hosting
داشتن یک Lab Server واقعی باعث میشود بسیاری از مفاهیم شبکه و دیتاسنتر بهصورت عملی تجربه شوند.
Virtualization یکی از کاربردهایی است که بهسرعت منابع سیستم را مصرف میکند.
فرض کنید قصد دارید ۱۰ ماشین مجازی ایجاد کنید.
اگر هر VM فقط 8GB RAM داشته باشد، برای ماشینهای مجازی به حدود 80GB حافظه نیاز خواهید داشت.
Hypervisor نیز بخشی از RAM را مصرف میکند.
اگر چند VM دیگر اضافه شوند ممکن است خیلی زود به 128GB یا 256GB حافظه نیاز پیدا کنید.
این یکی از دلایلی است که سرورهای Enterprise برای آزمایشگاههای Virtualization جذاب هستند؛ زیرا بسیاری از آنها تعداد زیادی DIMM Slot دارند.
وقتی چندین Virtual Machine اجرا میشود، هر VM بخشی از CPU را دریافت میکند.
در این شرایط پردازندهای با تعداد Core مناسب میتواند امکان اجرای ماشینهای بیشتری را فراهم کند.
اما تعداد Core تنها معیار نیست.
فرکانس، معماری CPU، Cache و نوع Workload نیز باید بررسی شوند.
ممکن است یک پردازنده با Core کمتر اما فرکانس بالاتر در برخی نرمافزارها عملکرد بهتری داشته باشد.
دو خانواده مشهور HPE در دیتاسنترها DL360 و DL380 هستند.
این مدل معمولاً در فرم 1U عرضه میشود.
فضای کمی در Rack اشغال میکند و برای محیطهایی که تراکم سرورها اهمیت دارد گزینه مناسبی است.
DL380 معمولاً 2U است.
فضای بزرگتر شاسی امکان استفاده از تعداد بیشتری Drive و کارت توسعه را فراهم میکند.
به همین دلیل DL380 برای Virtualization، Database، Storage و بعضی پروژههای GPU بسیار محبوب است.
برای یک Lab خانگی یا دانشگاهی نیز انتخاب بین این دو باید براساس Noise، مصرف برق، ظرفیت Storage و تعداد کارتهای توسعه انجام شود.
در بعضی شرایط بله.
Rack Server برای دیتاسنتر طراحی شده است و Fanهای آن میتوانند صدای قابل توجهی تولید کنند.
اما Tower Serverهایی مانند بعضی مدلهای خانواده ML برای قرار گرفتن در محیط اداری مناسبتر هستند.
اگر Server قرار است در اتاق کار یا آزمایشگاه کوچک قرار گیرد، صدا، تهویه و مصرف انرژی نیز باید در تصمیم نهایی لحاظ شوند.
در پروژههای دانشجویی و آموزشی، RAM یکی از اولین منابعی است که تمام میشود.
مثلاً در یک آزمایشگاه Cybersecurity ممکن است همزمان چند سیستم Windows، Linux، Firewall و Database اجرا شوند.
در چنین محیطی داشتن CPU بسیار قدرتمند ولی فقط 32GB RAM چندان مفید نیست.
برای Virtualization معمولاً بهتر است ابتدا میزان حافظه مورد نیاز VMها محاسبه شود و بعد CPU انتخاب شود.
همچنین بهتر است مقداری ظرفیت برای توسعه آینده باقی بماند.
سرورهای Enterprise معمولاً از حافظه ECC استفاده میکنند.
ECC میتواند برخی Errorهای حافظه را تشخیص داده و تصحیح کند.
در محیطی که Server مدت طولانی روشن میماند و اطلاعات مهم پردازش میشود، این قابلیت میتواند به افزایش پایداری سیستم کمک کند.
به همین دلیل RAM سرور با بسیاری از حافظههای Desktop متفاوت است.

انتخاب Storage به نوع پروژه بستگی دارد.
اگر هدف ایجاد آرشیو اطلاعات یا Backup باشد، HDD میتواند ظرفیت زیاد را با هزینه پایینتری فراهم کند.
اما برای اجرای Virtual Machine، Database یا سرویسهایی که تعداد زیادی عملیات Read/Write دارند، SSD انتخاب مناسبتری است.
در پروژههای سنگینتر NVMe نیز میتواند Performance بسیار بالایی فراهم کند.
یک معماری متعادل میتواند شامل:
SSD یا NVMe برای VMها و Database
و
HDD برای Backup و Archive
باشد.
RAID روشی برای استفاده از چند Drive در یک ساختار مشترک است.
انواع مختلفی از RAID وجود دارد.
RAID 1 اطلاعات را Mirror میکند.
RAID 5 میان ظرفیت و Redundancy تعادل ایجاد میکند.
RAID 6 میتواند در برخی ساختارها خرابی همزمان دو Drive را تحمل کند.
RAID 10 نیز ترکیبی از Mirroring و Striping است و در Workloadهای حساس به Performance استفاده زیادی دارد.
انتخاب RAID باید براساس تعداد Drive و نوع کاربرد انجام شود.
این جمله یکی از مهمترین اصول زیرساخت است.
RAID میتواند در برابر خرابی Drive کمک کند اما Backup محسوب نمیشود.
اگر فایل اشتباهی حذف شود یا اطلاعات توسط Malware رمزگذاری شوند، RAID الزاماً امکان بازگرداندن نسخه سالم را فراهم نمیکند.
Backup باید مستقل از Storage اصلی نگهداری شود.
در پروژههای نرمافزاری Server میتواند محیط بسیار مناسبی برای یادگیری DevOps باشد.
Docker، Kubernetes، GitLab، Jenkins، CI/CD و Monitoring را میتوان روی یک Lab Server اجرا کرد.
دانشجو میتواند چند VM ایجاد کند و محیطی شبیه زیرساخت یک شرکت واقعی بسازد.
این نوع تجربه عملی معمولاً درک بسیار عمیقتری نسبت به مطالعه صرف مفاهیم ایجاد میکند.
Server در آزمایشگاه Network نیز اهمیت زیادی دارد.
میتوان سرویسهایی مانند:
DNS
DHCP
Active Directory
RADIUS
VPN
Monitoring
را روی Virtual Machineهای مختلف اجرا کرد.
سپس Switch و Routerهای شبکه را به این محیط متصل کرد.
به این ترتیب دانشجو میتواند یک شبکه سازمانی کوچک را در محیط آزمایشگاهی شبیهسازی کند.
هوش مصنوعی یکی دیگر از حوزههایی است که دانشجویان زیادی وارد آن شدهاند.
اما نوع Server موردنیاز AI با File Server متفاوت است.
در AI معمولاً GPU اهمیت زیادی دارد.
برای نصب GPU باید علاوه بر کارت گرافیک، موارد زیر بررسی شوند:
PCIe Slot
Riser
تعداد Lane
Power Supply
GPU Power Cable
Cooling
Airflow
به همین دلیل اگر احتمال استفاده از GPU وجود دارد، بهتر است این موضوع قبل از انتخاب Server مشخص شود.

در مدلهای هوش مصنوعی مقدار حافظه GPU یا VRAM اهمیت زیادی دارد.
ممکن است کارت گرافیک از نظر قدرت پردازشی سریع باشد، اما اگر مدل داخل VRAM آن جا نشود، محدودیت حافظه ایجاد شود.
برای همین انتخاب GPU تنها براساس تعداد CUDA Core یا نسل کارت کافی نیست.
نوع Model و مقدار VRAM موردنیاز نیز باید مشخص شود.
وقتی چند VM، Storage یا Node مختلف داریم، Network اهمیت بیشتری پیدا میکند.
در پروژه کوچک ممکن است 1GbE کافی باشد.
اما اگر حجم زیادی از Data بین Server و Storage منتقل شود، 10GbE میتواند تفاوت زیادی ایجاد کند.
در محیطهای حرفهایتر 25GbE و سرعتهای بالاتر نیز استفاده میشوند.
به همین دلیل NIC سرور باید همراه با Switch و کابل شبکه بررسی شود.
یکی از قابلیتهای کاربردی HPE سیستم مدیریت iLO است.
iLO به مدیر Server اجازه میدهد وضعیت Hardware را بدون حضور مستقیم کنار دستگاه بررسی کند.
مواردی مانند:
Power
Fan
Temperature
Hardware Health
Event Logs
از طریق iLO قابل مشاهده هستند.
در نسخهها و Licenseهای مناسب Remote Console نیز در دسترس است.
برای دانشجویی که قصد دارد مدیریت Server را به شکل حرفهای یاد بگیرد، iLO یکی از مفاهیم بسیار مفید است.
برای محیط آموزشی الزاماً نیاز به جدیدترین Server بازار وجود ندارد.
یک Server نسل قبل با RAM کافی و Storage مناسب ممکن است برای یادگیری VMware، Linux، Networking و DevOps کاملاً مناسب باشد.
در مقابل برای پروژههایی مانند AI یا NVMeهای جدید ممکن است پلتفرمهای جدیدتر مزیت بیشتری داشته باشند.
به همین دلیل بازار فروش سرور اچ پی شامل کانفیگهای مختلف نو و استوک است و مقایسه باید براساس کاربرد واقعی انجام شود.
برای Lab معمولاً ارزش خرید و قابلیت ارتقا از جدیدترین بودن نسل مهمتر است.
در خرید Server Used بهتر است موارد زیر بررسی شوند:
سلامت RAM
سلامت HDD یا SSD
وضعیت Fanها
Power Supply
RAID Controller
iLO
Drive Caddy
Network Adapter
همچنین بهتر است Hardware Test روی سیستم انجام شود.
قیمت پایین بدون بررسی سلامت قطعات میتواند بعداً هزینه بیشتری ایجاد کند.
نسلهای مختلف HPE از فناوریهای مختلف استفاده میکنند.
برای مثال با تغییر نسل، خانواده CPU، سرعت RAM، نسخه PCIe و نوع Storage قابل پشتیبانی تغییر میکند.
برای یک پروژه آموزشی ساده شاید این تفاوتها اهمیت زیادی نداشته باشند.
اما اگر قصد استفاده از GPU، NVMe یا Network پرسرعت دارید، نسل Server اهمیت بیشتری پیدا میکند.

یکی از اشتباهات رایج این است که HPE ProLiant را یک Server خاص تصور کنیم.
ProLiant در واقع خانواده بزرگی از سرورهاست.
مدلهایی مانند:
DL360
DL380
ML110
ML350
هرکدام طراحی و کاربرد متفاوتی دارند.
برای شناخت و مقایسه خانواده HPE ProLiant بهتر است مدل، نسل و کانفیگ دستگاه بهصورت جداگانه بررسی شود.
یک DL380 با 32GB RAM و یک CPU را نمیتوان فقط براساس نام مدل با DL380 مجهز به دو CPU و چند صد گیگابایت RAM مقایسه کرد.
نه همیشه.
برای بسیاری از پروژهها Laptop، Desktop یا Cloud کافی است.
خرید Server زمانی منطقیتر میشود که:
چند VM همزمان نیاز دارید، میخواهید تجهیزات Enterprise را عملی یاد بگیرید، Storage زیادی نیاز دارید یا چند نفر قرار است از یک Lab مشترک استفاده کنند.
در بعضی موارد حتی اجاره VPS یا Cloud برای پروژه کوتاهمدت اقتصادیتر است.
اما اگر Lab قرار است ماهها یا سالها مورد استفاده قرار گیرد، Server فیزیکی میتواند مزایای آموزشی زیادی داشته باشد.
بسیاری از پروژههای دانشگاهی در نهایت به یک استارتاپ تبدیل میشوند.
در ابتدای کار ممکن است Cloud یا VPS بهترین انتخاب باشد.
اما با رشد کاربران و Database ممکن است هزینه یا محدودیت منابع افزایش پیدا کند.
در این مرحله بعضی مجموعهها به سمت Dedicated Server یا زیرساخت Hybrid حرکت میکنند.
مهمترین اصل این است که Server فقط برای نیاز امروز انتخاب نشود.
اگر پروژه هنوز کوچک است، VPS میتواند هزینه راهاندازی را کاهش دهد.
اما موارد زیر میتوانند زمان بررسی Server فیزیکی را نشان دهند:
نیاز دائمی به CPU بالا
RAM زیاد
Storage حجیم
تعداد زیاد VM
نیاز به GPU
کنترل بیشتر روی Hardware
نیاز به Network خاص
البته تصمیم باید براساس هزینه کل و نیاز واقعی پروژه گرفته شود.
برای جلوگیری از خرید اشتباه ابتدا این موارد را مشخص کنید:
چه نرمافزاری قرار است اجرا شود؟
چند VM دارید؟
چند کاربر همزمان وجود دارد؟
چه مقدار RAM لازم است؟
چه مقدار Storage نیاز دارید؟
SSD لازم است یا HDD کافی است؟
آیا GPU نیاز دارید؟
Network چه سرعتی باید داشته باشد؟
سرور در Rack قرار میگیرد یا اتاق کار؟
برنامه توسعه آینده چیست؟
این سؤالها تقریباً نقشه اولیه کانفیگ را مشخص میکنند.
دو Server با نام یکسان میتوانند قیمتهای کاملاً متفاوتی داشته باشند.
برای مثال دو DL380 ممکن است در CPU، RAM، Drive، Controller و Network کاملاً متفاوت باشند.
بنابراین مقایسه فقط نام دستگاه اشتباه است.
در زمان خرید باید کانفیگ کامل شامل:
CPU
RAM
Storage
Controller
NIC
PSU
Drive Cage
بررسی شود.
کار کردن با Hardware واقعی چیزهایی را آموزش میدهد که در ماشین مجازی Desktop همیشه قابل تجربه نیستند.
RAID Configuration، iLO، Firmware، Hot Plug Drive، Power Redundancy، NIC Teaming و مدیریت سختافزار واقعی نمونههایی از این موارد هستند.
برای دانشجویان شبکه، دیتاسنتر و System Administration این تجربه میتواند بسیار ارزشمند باشد.
در Serverهای Enterprise تعداد زیادی قطعه و Part Number وجود دارد.
ممکن است دو قطعه از نظر ظاهری شبیه باشند اما برای نسل یا شاسی متفاوتی طراحی شده باشند.
به همین دلیل هنگام خرید بهتر است مجموعهای انتخاب شود که بتواند سازگاری CPU، RAM، Controller، Drive و سایر قطعات را بررسی کند.
برای مشاهده کانفیگها و اطلاعات بیشتر میتوان بخش سرور ماهان شبکه ایرانیان را نیز بررسی کرد.
Server فقط تجهیزی برای شرکتهای بزرگ نیست.
برای دانشجویان شبکه، برنامهنویسی، DevOps، امنیت و هوش مصنوعی نیز میتواند یک آزمایشگاه عملی قدرتمند ایجاد کند.
با این حال خرید رم Server همیشه اولین راهحل نیست.
ابتدا باید مشخص شود پروژه به چه مقدار CPU، RAM، Storage، Network و GPU نیاز دارد.
برای بسیاری از محیطهای آموزشی، یک Server نسل قبلی با کانفیگ مناسب میتواند ارزش بسیار بیشتری از خرید جدیدترین مدل با منابع ناکافی داشته باشد.
در نهایت بهترین Server سیستمی است که متناسب با Workload انتخاب شده باشد، امکان ارتقا داشته باشد و بدون تحمیل هزینه اضافی نیاز واقعی پروژه را پوشش دهد.