近日,戴尔科技发布最新
全球数据化转型指数报告
数据显示
全球疫情加速了数字化转型进程
无论传统还是新兴企业
都在加大数字化技术的投入
以应对不确定性的挑战
然而,94%的全球受访企业和组织
仍然面临根深蒂固的转型障碍
在中国受访企业里
面临的一大障碍就是
缺乏合适的技术来适应业务发展的速度
就好像下面这个堵车场景
业务请求有很多
然而处理能力却小的可怜
使得企业的发展步伐被大大拖累
因此合适的技术对企业至关重要
比如,NVMe就是一项帮助企业
快速释放I/O压力的存储技术
畅通无阻
看下方视频
2分钟快速了解
为什么NVMe-OF很重要
NVMe小科普
NVMe发展的过程,就是不断给SSD“开绿灯”的过程。
今天我们已经知道,SSD的出现带给存储系统性能提升是革命性的,然而在当时的年代里,SSD却面临着“有力使不出”的瓶颈。
这是因为是当时的存储系统都是面向机械硬盘而设计的。早期的全闪或混闪阵列中很多是在使用传统的存储技术——SATA SSD,这类存储基于AHCI(Advanced Host Controller Interface,高级主机控制器接口)命令协议。而AHCI是为机械硬盘而生,采用AHCI的SATA III总线只允许数据传输速度达到600MB/s。
因此,为了让SSD在存储中跑得更畅快,NVMe规范诞生了。
NVMe全称是Nonvolatile Memory Express(非易失性内存标准),NVMe是一种基于性能并从头开始创建新存储协议,它可以使我们能够充分利用SSD和存储类内存(SCM)的速度。
NVMe替代了原有的AHCI规范,并且软件层面的处理命令也进行了重新定义,不再采用SCSI/ATA命令规范。并且NVMe SSD利用了计算机或服务器中的PCIe高速总线,将其直接连接到计算机,从而减少了CPU开销,简化了操作,降低了延迟,提高了IOPS和吞吐量。
什么是端到端NVMe?
关注戴尔易安信的童鞋一定经常看到,当我们在描述PowerMax或PowerStore时,会常常使用到支持“端到端NVMe”这个词汇。其实,这也意味着SSD的性能还能得到进一步的释放。
这是因为当时的全闪存阵列大部分是在存储后端支持NVMe SSD,与使用SATA或SAS SSD的全闪存阵列相比,确实带来了性能的提升。然而,这并不意味NVMe SSD已经发挥出了它的性能极限。事实上,NVMe SSD全闪存阵列理论上可以提供更大的性能提升——比使用SAS和SATA SSD的全闪存阵列多10倍性能。
这种巨大的性能差异源于这样一个事实,即当时的全闪存阵列控制器架构也是为了适应机械硬盘而设计的,而在使用NVMe SSD时,这种控制器就成为了阻碍,为此,阵列控制器以及存储网络协议必须不断发展。
而NVMe over Fabrics(简称NVMe-OF)的出现,就是将NVMe应用到前端,作为存储阵列与前端主机连接的通道,取代过去的FC、iSCSI。由此,主机可以使用本机NVMe协议直接与NVMe SSD通信,进一步提高性能和降低延时。
说到这儿,小编必须要提一下2016年发布的DSSD D5存储,它是戴尔易安信推出的业界第一款端到端NVMe存储。这款存储专为性能而生,其控制器、闪存模组到前端主机I/O卡全都是专属规格,其性能可达到千万级的IOPS和100 GB每秒的吞吐量,而且延时能则降到100微秒——性能数据足以秒杀当前市面上任何一款存储系统。
不过,也许是因为设计理念太过超前,这款产品并没有延续下去,而是转化为宝贵的技术资产,戴尔易安信PowerMax和PowerStore上所支持的端到端NVMe技术,实际上就有来自DSSD的技术积淀。
*戴尔易安信PowerStore采用英特尔®至强®可扩展处理器,该处理器可以优化工作负载,可靠性强,还有高计算力、高稳定性和高效敏捷性,不仅帮助PowerStore轻松满足既定工作负载,也可以为数字化变革做好准备。
不是所有NVMe都是相等的,这就是为什么NVMe-OF很重要。
今天,NVMe由于其低延迟和高吞吐量的多任务处理速度而变得越来越受欢迎。虽然NVMe也用于个人计算机中以改进视频编辑,游戏等,但通过NVMe-oF,企业中可以看到真正的好处,特别是在分秒必争的企业场景。如实时客户互动,人工智能 (AI)、机器学习 (ML)等。处理和访问数据的速度越快,对业务就越能带来价值。
相关内容推荐:戴尔易安信存储优化服务|轻松解决存储空间不足问题
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
清华大学、新加坡国立大学等顶尖高校联合发布重大AI研究成果,创新性地提出变分推理框架解决AI推理训练中的偏见问题。该方法将AI思考过程分解为思维轨迹和答案两部分,通过"思考教练"机制避免AI偏向简单问题的毛病。实验显示在数学、编程等多个领域均有显著提升,为构建更智能可靠的AI系统奠定基础。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
新加坡国立大学等机构研究团队提出反馈条件策略(FCP),让AI直接从文字反馈学习而非转换为数字评分。该方法在数学和通用推理任务上表现优异,能处理复杂混合反馈,支持灵活的行为控制,避免了传统强化学习中的奖励黑客问题,为AI训练开辟了新路径。