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
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。