Was ist Grid Computing?

Grid Computing steht für ein Cluster aus dezentral verknüpften Computern, die einen virtuellen Supercomputer bilden. Die flexibel verteilte Rechenleistung ermöglicht es, komplexe Aufgaben mit mehreren Ressourcen gleichzeitig zu erledigen und die Auslastung der Infrastruktur zu optimieren.

Grid Computing ist ein Teilbereich des Distributed Computing. Als Oberbegriff steht Distributed Computing für digitale Infrastrukturen, die aus autonomen, zu einem Rechnerverbund zusammengeschlossenen Computern bestehen. Der Rechnerverbund ist in der Regel hardwareunabhängig. Somit lassen sich Rechner mit verschiedenen Leistungen und Ausstattungen in das Netzwerk einbinden. Verteilte Anwendungen und Prozesse arbeiten auf diese Weise geräteübergreifend mit vernetzten Rechnereinheiten. Die Rechnereinheiten wiederum können innerhalb des Netzwerks lokal und überregional miteinander kommunizieren und Probleme lösen.

Die Abgrenzung zwischen Distributed Computing und Grid Computing ist fließend. Distributed Computing kann für verschiedene Erscheinungsformen dezentralisierter Datenverarbeitung in Rechnerverbunden stehen. Grid Computing wiederum bezeichnet einen virtuellen Supercomputer, der durch den Zusammenschluss lose gekoppelter Rechner entsteht. Dieser kommt zum Einsatz, um rechenintensive Prozesse oder Aufgaben zu erledigen. Zusammengeschlossene Server und Rechner stellen dabei ihre Ressourcen und Rechenleistung zur Verfügung, um für bessere Skalierbarkeit der benötigten Computer-Performance zu sorgen.

Beim Grid Computing werden die Stärken von Computerclustern überregional und dezentral in Form von Grids genutzt. Während Computercluster in der Regel aus lokal begrenzten Rechnerverbunden bestehen, greift Grid Computing überregional auf Rechnerkapazitäten innerhalb eines Rechnerverbunds zu. Vernetzt werden hierbei nicht nur Computer, sondern auch Datenbanken, Hard- und Software sowie Rechenkapazitäten. Im Rahmen des Grids koppeln Provider global sowie lokal verteilte Computerressourcen über Schnittstellen (Nodes) und Middleware. Diese ordnen sie anschließend virtuellen Organisationen zu, die wiederum ermitteln, welche Ressourcen Tasks übernehmen können bzw. wie sich die Rechnerleistung im Rahmen einer Anwendung optimal verteilen lässt.

Zum Einsatz kommt Grid Computing sowohl zu kommerziellen Zwecken als auch zur wissenschaftlichen und wirtschaftlichen Datenanalyse und -verarbeitung. Übersteigen komplexe Prozesse die Rechenleistung eines Computers oder eines lokalen Computerclusters, so kann Grid Computing dabei helfen, große Datenmengen zu integrieren, auszuwerten oder darzustellen. Eine spezielle Hardware ist beim Grid Computing nicht Voraussetzung. Vielmehr sorgt die Middleware (Software für den Austausch von Daten zwischen den Anwendungen) auf gekoppelten Rechnern dafür, dass freie Rechnerkapazitäten im Rahmen der virtuellen Organisation zur Verfügung stehen.

Grid Computing beschränkt sich im Grunde nicht auf spezifische Anwendungsbereiche, da der Zusammenschluss von Computerclustern verschiedensten Zwecken dienen kann. Bekannte Einsatzgebiete der virtuellen Supercomputer sind wissenschaftliche und wirtschaftliche Big-Data-Analysen, die mit enormen Datenmengen und rechenintensiven Simulationen arbeiten. Dies gilt für Forschungen in Naturwissenschaften und Medizin, aber auch in der Meteorologie, Industrie oder Teilchenphysik. Als Beispiel seien die Großexperimente des Large Hadron Collider von CERN genannt.

Um Grid Computing in Abgrenzung zu anderen Technologien wie Cluster Computing oder Peer-to-Peer-Computing zu definieren und zu klassifizieren, lassen sich drei wesentliche Eckpfeiler definieren:

• Dezentrale, lokale sowie globale Koordination von Ressourcen wie Computerclustern, Datenanalysen, Massenspeichern und Datenbanken
• Standardisierte, offene Schnittstellen (Nodes) und Middleware (Protokolle oder Protokollbündel), die Rechnereinheiten mit dem Main-Grid verbinden und Tasks verteilen
• Bereitstellung eines nicht-trivialen Quality-of-Service (Dienstgüte), um Datenströme optimal zu verteilen und konstante Skalierbarkeit und zuverlässige Datenübertragung bei hohen Rechenanforderungen zu gewährleisten

Darüber hinaus sind Grid Computings in verschiedene Klassifikationen unterteilbar:

• Computing Grids (Rechengrids): Die gängigste Form des Grid Computings, bei der Grid-Nutzer über Grid-Provider die gekoppelte Rechenleistung eines virtuellen Supercomputers nutzen, um rechenintensive Computing-Prozesse zu verteilen oder zu skalieren.
• Data Grids (Datengrids): Data Grids stellen die Rechenkapazitäten von zusammengeschlossenen Computern zur Verfügung, um über Grid-Nodes große Datenmengen auszuwerten, darzustellen, zu übertragen, zu teilen oder zu analysieren.
• Knowledge Grids: Diese Struktur nutzt die Supercomputing-Kapazitäten des Grids, um große Datensätze und Wissensdatenbanken zu scannen, zu verbinden, zu sammeln, auszuwerten oder zu strukturieren.
• Ressource Grids: Solche Systeme definieren im Grid gekoppelte Hierarchien aus Grid-Providern, Grid-Nutzern und Ressource-Providern. Hierbei legt ein Rollenmodell fest, welche Ressourcen-Provider über Schnittstellen Speicher- und Rechenkapazitäten, Datensätze, Software und Hardware, Anwendungen, Sensoren, Messgeräte und weitere Instrumente zur Verfügung stellen können.
• Service Grids: Im Service-Grid stellen Grid-Service-Provider gebündelte Komponenten und Kapazitäten von Ressource-Providern den Grid-Nutzern als Komplettservice zur Verfügung. Grid Computing kombiniert somit Serviceorientierung und Computing-Leistungen.

• Koordination und Verwaltung von geräteübergreifenden Prozessen und Aufgaben
• Kostengünstige Skalierung von Geschäftsprozessen durch gekoppelte Rechenleistung und Speicherkapazitäten
• Simultane/Parallele Verarbeitung, Analyse und Darstellung großer Datenmengen durch globale Rechnerverbunde
• Komplexe Aufgaben lassen sich schneller und effektiver lösen
• Zuverlässige Auslastung und optimale Nutzung der IT-Infrastruktur durch virtuelle Organisationen und flexible Taskverteilung
• Geringe Ausfallanfälligkeit, da Kapazitäten flexibel und modular im Grid verteilt werden
• Keine großen Investitionen in Server-Infrastruktur erforderlich

• Unter Umständen komplexe Administration und inkompatible Systemkomponenten
• Rechenleistung steigt nicht linear mit der Zahl gekoppelter Computer