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
本文介绍了 Agentic AI 的概念、特点及应用,强调其自主决策、分解任务与执行复杂目标的能力,并探讨了应用场景与潜在风险。
这项研究提出了一种名为"词汇偏向水印"(LBW)的新方法,专为自回归图像生成模型设计,能够抵抗传统水印技术容易被删除的重生成攻击。研究团队将代币库分为绿色和红色列表,通过软硬两种偏向策略鼓励模型在生成过程中选择绿色列表中的代币,并采用多绿色列表策略增强安全性。实验表明,LBW在多种攻击下展现出卓越的稳健性,尤其是在面对重生成攻击时表现突出,为AI生成内容的可追溯性提供了更可靠的技术保障。
本篇文章以 Navin Chaddha 的采访为主线,阐述了 AI 技术背后人际伙伴关系和早期合作的重要性,以及“协同智能即服务”的理念,强调未来创新依旧由人类主导,技术只是辅助工具。
南方科技大学林剑满团队开创性提出DGAD模型,解决通用物体组合中几何编辑与外观保持的双重挑战。该方法首先利用语义嵌入隐式捕捉物体几何特性,再通过密集交叉注意力机制精确对齐外观特征,成功实现物体在任意场景中的灵活编辑同时保持细节不变。实验表明,DGAD在编辑灵活性和外观保真度上均优于现有技术,为AR/VR内容创建等应用提供了强大工具。