今年9月,戴尔科技集团宣布了为非结构化数据而生的PowerScale率先引入QLC SSD。这一举措不仅为用户进一步降低全闪存储的整体TCO成本打开了空间,也是QLC进入企业级市场的重要信号。
在之前的文章里(戴尔PowerScale率先引入QLC
不过对SSD而言,可靠性只是用户关心的其中一个问题,性能同样至关重要。搭载QLC SSD的PowerScale,实际性能表现会如何呢?
专业评测机构StorageReview对其进行了测试。
戴尔首款引入QLC的
全闪存存储
戴尔PowerScale是一款提供可扩展性、灵活性和简单性的横向扩展NAS解决方案。无论数据类型、所在的位置或数据量如何,用户的数据湖始终易于管理、易于扩展、易于保护,并且足够简单,能够应对当今和未来的严苛工作负载。
在PowerScale F900和F600全闪存型号中,戴尔新增了15TB和30TB的QLC SSD,从而带来了更多的灵活性和选择。特别是对30TB QLC SSD的支持,进一步提高了PowerScale的容量密度,并为用户降低了闪存成本。
而为了更好了解QLC SSD和TLC SSD的性能对比情况,StorageReview通过PowerScale F600,分别测试了在QLC SSD与TLC SSD下的性能表现。
PowerScale QLC SSD
性能测试
在大块顺序读写测试中,节点使用了128K的工作负载来测量读取速度。在这里,QLC SSD的性能相比TLC SSD提高了4.18%。使用512K传输大小来衡量写入性能时,QLC SSD的写入速度提高了4.56%。
而对于随机读工作负载,将传输大小降至4K,QLC SSD以0.47%的优势略微超过TLC SSD。转向纯写入工作负载并保持4K随机传输大小,TLC和QLC SSD没有显示出性能上的差异。
接下来是32K随机读和写测试。在这里,我们再次看到 PowerScale F600 节点的 TLC和QLC配置之间的微小的性能差异。
◆32K随机读,QLC SSD比TLC SSD提高了1.88%。
◆32K随机写,QLC SSD比TLC SSD提高了2.67%。
最后,StorageReview以20MB的并发吞吐量测试,来衡量传输数百万文件的读写性能。在这里,QLC SSD 的读取性能提高了1.45%,写入性能提高了2.32%。
接下来,StorageReview测试了涵盖不同应用场景的SPEC测试,包括SPEC软件构建、SPEC电子设计自动化和SPEC基因组学。
?在SPEC 2020 SWB指标中,QLC SSD配置的性能下降了-2.27%。
?在SPEC 2020 EDA 中,QLC SSD保持了接近的性能差距,仅下降了-1.69%。
?在SPEC 2020 Genomics的测试中,QLC SSD的差距继续缩小,仅相差-1.32%。
此外,另一个与性能不完全相关,但可以衡量SSD速度的是PowerScale F600 节点在单个驱动器发生故障时重建的速度。
在这个领域,用TLC SSD测量F600节点的重建速度为681GB/小时,而QLC SSD的重建速度为720GB/小时。
总结
通过StorageReview的性能测试对比,我们能够直观看到PowerScale下的TLC SSD和QLC SSD几乎不存在性能差异,无论在大型或小型合成工作负载、并发工作负载和SPEC应用工作负载,它们的性能都非常接近,甚至在某些情况下,QLC略微超过了TLC。这也为考虑转向QLC PowerScale的用户提供一个重要参考。
而根据戴尔的内部测试数据,配备QLC SSD的 PowerScale可提供:
●与当前容量最大的节点相比,每TB所需的功耗和机架空间减少一半,效率更高。
●与当前的全闪存驱动器相比,原始集群容量高出多达2 倍。
●与当前的全闪存驱动器相比,原始节点密度高出多达2 倍。
●每TB的价格比当前的全闪存驱动器低19%。
由此可见,搭载QLC SSD的PowerScale不仅可以提供与TLC SSD相同的性能水平,同时只需要一半的功耗和一半的机架空间。
这为同时需要性能、可靠性和容量的NAS工作负载提供了最佳经济性,使其成为金融、媒体和娱乐、人工智能(AI)、机器学习(ML)和深度学习(DL)的理想选择。
当TLC SSD与QLC SSD在PowerScale系统上相互比较时,我们从未见过超过5%的工作负载性能差异。这意味着就应用而言,实际上没有区别。即使在单个驱动器故障等恢复情况下,PowerScale F600 节点的重建时间也没有增加。戴尔在设计PowerScale以适应存储技术方面做得很好。
——StorageReview
END
如果您想了解更多有关戴尔科技的产品和解决方案信息,请扫描以下二维码咨询戴尔官方客服。
好文章,需要你的鼓励
OpenAI明确表示要成为互联网一切事物的主导界面。AI智能体正在改变用户的数字习惯,从健康记录分析到购物指导,ChatGPT已经在多个领域扩展影响力。用户快速采用AI工具,但企业和生态系统的适应速度滞后。电商领域的权力分配尚不明确,用户偏好AI驱动的答案优先体验,品牌则推动生成式引擎优化。研究旨在了解用户与企业在AI变革中的适应差异。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。