IBM正在为Storage Scale规划“Hyperstore”升级方案,希望借助NVMe over Fabrics加快远程驱动器上的数据获取速度。
Storage Scale是IBM旗下备受推崇的GPFS(通用并行文件系统)的最新版本,其通过各文件系统节点(即服务器)的并行运行以加快文件读写速度。NVMe over Fabrics(简称NVMe-OF)是一种协议,可有效扩展PCIe总线并跨TCP/IP、光纤通道、iSCSI和以太网网络链路运行,为目标服务器提供直接的块级存储驱动器访问。
IBM公司IT架构师Frank Kraemer认为,Tom Lyon在《NFS必须消亡(NFS must die)》一文中表达的观点“非常酷”,并表示“我们打算使用NVMe-oF来提高速度,但仍将保留文件系统接口及Erasure Coding(GPFS Native Raid,简称GNR)的传统方式以实现易用性与安全操作。”
这些计划均以Storage Scale上的Hyperstore功能为中心,由其负责提供NVMe-oF性能池。
在高性能计算(HPC)用户论坛上,IBM发布的演示文稿《IBM供应商更新——存储篇》也提到了这一概念。IBM数据与AI存储解决方案部门存储文件与对象系统首席架构师Chris Maestas表示,在混合和多云世界中数据可谓无处不在,而基于CPU和GPU的算力都希望能像访问本地数据那样访问远程数据。
Storage Scale主要通过提供存储访问、使用单一全局命名空间抽象以及加速等方式达成这一目标,具体如以下页面所示:

在谈到AI工作负载与GPU时,他表示管理员可以拉近远程数据与计算资源之间的距离,使用NVMe-oF模拟GPU计算节点上的本地存储。这一设计原则在SC22大会上也得到了展示,IBM打造的配备SSD的ESS 3500能够为计算客户端提供超过1000万IOPS的吞吐量及数百GBps的传输带宽。为此,该系统还集成有IOPS极高的存储池。
这也正是Hyperstore的起点:

Hyperstore上周于伦敦面向Spectrum Scale User Group首次亮相。这是一套分层系统,Storage Scale使用GNR(native declustered RAID)、性能池与客户端计算节点上的本地驱动器,共同提供可靠的中间存储池。
其使用网络共享磁盘(NSD)访问这套可靠存储池,NSD是文件存储系统网络上存储磁盘的逻辑分组。Storage Scale会对各NSD服务器上的文件进行切片,再将各切片存储为数据块。访问客户端则对各NSD服务器执行实时并行IO。
性能池驱动器属于可靠池驱动器中的子集,使用速度更快的NVMe-oF进行访问,且全部计算节点共享统一的缓存。
关于Hyperstore的更多细节将在未来几个月内公布。
好文章,需要你的鼓励
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
微软正式确认配置管理器将转为年度发布模式,并将Intune作为主要创新重点。该变化将于2026年秋季生效,在此之前还有几个版本发布。微软表示此举是为了与Windows客户端安全和稳定性节奏保持一致,优先确保安全可靠的用户体验。配置管理器将专注于安全性、稳定性和长期支持,而所有新功能创新都将在云端的Intune中进行。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。