Pure Storage对VAST/Solidigm固态硬盘与机械硬盘的白皮书进行了分析,认为设备级总拥有成本(TCO)比较并不能说明全部问题。该公司声称,其直接闪存模块在功耗和内嵌碳排放方面均优于两种替代方案。
这是因为Pure Storage的直接闪存模块(DFM)容量比固态硬盘更大,并且在系统级而非驱动器级进行管理,所需数量更少即可满足容量或吞吐量目标,因此运行耗电量更低。在内嵌碳排放方面,DFM比磁盘驱动器或商用固态硬盘都具有优势。
该公司还认为,仅计算TCO对潜在买家是不公平的,因为"云存储和归档层对于吞吐量优化型机械硬盘应用(如AWS st1、sc1等)的常见性能要求是MB/秒级别",例如10 MB/秒/TB。该公司表示这是"存储系统比较的性能目标"。
Pure Storage提供了三个电子表格式的表格。首先,它展示了机械硬盘吞吐量和每TB吞吐量如何随磁盘驱动器容量增加而变化。这里存在IO密度问题,相对于容量而言,磁盘驱动器吞吐量随容量增加而降低。Pure Storage指出问题更加严重,因为理论最大吞吐量数值在现实条件下无法实现:"考虑到现实世界的工作负载组成特征(即不是100%时间都是100%顺序读写,磁盘至少50%满载),预期吞吐量从8TB时的16 MBps/TB下降到30TB时的不足5 MBps/TB"。
基于这一观点,该公司规格化了六个理论系统,每个系统都有10MB/秒的吞吐量要求,运行10年,有效容量接近10PB。其中包括两个机械硬盘系统(使用28TB和20TB驱动器)、两个固态硬盘系统(使用15.36TB和30.72TB驱动器),以及两个Pure系统(使用75TB和150TB DFM)。所有系统都采用相同的2:1数据缩减比。
然后它计算了每个系统的总内嵌碳排放量,以及电力需求。由于必然涉及定价细节,该公司没有提供TCO计算。
系统假设磁盘驱动器寿命为5年,因此磁盘驱动器和固态硬盘需要在10年期间的中期更换,但DFM不需要,因为它们有10年保修寿命。该公司还根据年度驱动器故障率增加了一些替换驱动器采购。
如预期的那样,固态硬盘的总量高于磁盘驱动器,但Pure的DFM总量低于两者,因为它们的单驱动器容量要高得多,并且具有系统级控制器功能,而非驱动器级控制器。
Pure然后提供了相同六个系统的功耗比较表,考虑了驱动器安装在基础系统机箱和扩展机箱中的情况。
15.36TB固态硬盘系统的功耗与磁盘驱动器基本相同。30.72TB固态硬盘系统约为该水平的一半。机械硬盘(和15.36TB固态硬盘)系统比Pure的75TB DFM系统多消耗2.4倍电力,但比Pure的150TB DFM系统多消耗4.8倍电力。我们预计,一旦Pure在年底开始出货300TB DFM,这一优势将进一步增加。这也适用于内嵌碳排放数据。
Pure Storage评论道:"在系统层面,闪存不仅在速度和密度方面超越机械硬盘,在可持续性、成本和可靠性方面也表现更优。机械硬盘每TB性能的崩溃使其在许多企业需求中已经过时。闪存存储选项,特别是使用Pure Storage DFM构建的系统,与传统机械硬盘和固态硬盘系统相比,设备数量更少、能源消耗更低、内嵌CO2e排放显著降低。"
Q&A
Q1:Pure Storage的直接闪存模块有什么优势?
A:Pure Storage的直接闪存模块(DFM)容量比固态硬盘更大,采用系统级管理而非驱动器级管理,所需数量更少即可满足容量或吞吐量目标,因此运行耗电量更低,在内嵌碳排放方面也比磁盘驱动器或商用固态硬盘具有优势。
Q2:为什么机械硬盘性能随容量增加而下降?
A:存在IO密度问题,相对于容量而言,磁盘驱动器吞吐量随容量增加而降低。在现实条件下,考虑到工作负载组成特征,预期吞吐量从8TB时的16 MBps/TB下降到30TB时的不足5 MBps/TB。
Q3:Pure Storage系统在功耗方面有多大优势?
A:根据比较数据,机械硬盘和15.36TB固态硬盘系统比Pure的75TB DFM系统多消耗2.4倍电力,比150TB DFM系统多消耗4.8倍电力。30.72TB固态硬盘系统功耗约为机械硬盘的一半。
好文章,需要你的鼓励
麻省理工学院研究团队发现大语言模型"幻觉"现象的新根源:注意力机制存在固有缺陷。研究通过理论分析和实验证明,即使在理想条件下,注意力机制在处理多步推理任务时也会出现系统性错误。这一发现挑战了仅通过扩大模型规模就能解决所有问题的观点,为未来AI架构发展指明新方向,提醒用户在复杂推理任务中谨慎使用AI工具。
继苹果和其他厂商之后,Google正在加大力度推广其在智能手机上的人工智能功能。该公司试图通过展示AI在移动设备上的实用性和创新性来吸引消费者关注,希望说服用户相信手机AI功能的价值。Google面临的挑战是如何让消费者真正体验到AI带来的便利,并将这些技术优势转化为市场竞争力。
中科院自动化所等机构联合发布MM-RLHF研究,构建了史上最大的多模态AI对齐数据集,包含12万个精细人工标注样本。研究提出批评式奖励模型和动态奖励缩放算法,显著提升多模态AI的安全性和对话能力,为构建真正符合人类价值观的AI系统提供了突破性解决方案。