Computational Storage: Wissenswertes im Überblick

Diese 3 Probleme adressiert Computational Storage

Zum Verständnis der Grundlagen des Computational Storage gehört es, zu wissen, wo sie von Nutzen sein könnte. Die Technologie hat das Potenzial, drei Probleme zu lösen, mit denen heutige Speichersysteme konfrontiert sind, so Marc Staimer, Präsident von Dragon Slayer Consulting.

1. Schnelle Latenzzeit. Wenn Sie den Abstand zwischen der Rechenressource und den zu verarbeitenden Daten verringern, verringern Sie die Latenz. IoT-, Fernüberwachungs- und Fernverwaltungsgeräte bringen die Daten in eine beträchtliche Entfernung zu den Rechenprozessen der traditionellen Infrastruktur. „Das Entfernungsproblem ist ein Beispiel, wo Computational Storage Abhilfe schaffen kann“, sagt Staimer. „Sie ermöglicht es den rechen-, speicher- und datenintensiven Prozessen, näher an die gespeicherten Daten heranzukommen.“ Das Ergebnis ist nur eine „nominale“ Menge an verarbeiteten Daten zur weiteren Verarbeitung an das Rechenzentrum oder in die Cloud geschickt werden müssen, erklärt er.
2. Engpässe bei der CPU-Leistung. Die Ausbreitung von CPU-intensiven Speicherprozessen – Erasure Coding, Deduplizierung, Komprimierung, Snapshot und Verschlüsselung – haben die Prozessoren zu einem Leistungsengpass für Speichersysteme gemacht. Computational Storage kann diese CPU-intensiven Prozesse entlasten, wodurch die primäre CPU für eine bessere I/O- und Durchsatzleistung frei wird.
3. Probleme bei der Anwendungsleistung. Datenbank- und verschiedene KI-Anwendungen können ebenfalls eine Menge CPU-Ressourcen beanspruchen. Auch hier kann Computational Storage Prozesse entlasten, um die Leistung dieser Anwendungen zu verbessern.

Die wichtigsten Anwendungsfälle für Computational Storage

Viele der IoT-Geräte, die den Netzwerkrand (Edge) bestücken, müssen Daten in Echtzeit erfassen, speichern und analysieren. IoT ist der größte Anwendungsfall für computergestützte Speicherung, meint Staimer. Er nennt autonome Fahrzeuge, die Überwachung von Bohrmeißelvibrationen in Öl- und Gasanlagen und geschlossene TV-Kameras als Beispiele für Geräte, die von der Fähigkeit des Computational Storage profitieren könnten, Daten in nahezu Echtzeit und vor Ort zu analysieren.

Ein weiterer wichtiger Anwendungsfall, wenn es um die Grundlagen des Computational Storage geht, ist die Möglichkeit, den Server in einen Scale-out-Cluster zu verwandeln. Hier verwenden Sie Computational-Storage-Cores für Snapshots, Replikation, Deduplizierung, Komprimierung und andere CPU-intensive Arbeitslasten und widmen die Haupt-CPU-Cores der Anwendungsverarbeitung.

Edge Computing und Computational Storage

Edge Computing findet oft in einem begrenzten physischen Raum statt, wie zum Beispiel in autonomen Fahrzeugen, Überwachungskameras und anderen IoT-Geräten, die wenig Platz für Speicher- und Rechenressourcen haben. Dies führt zu Einschränkungen, was getan werden kann, um die Leistung datenintensiver Arbeitslasten zu maximieren.

Der Raum ist nicht das einzige Problem am Edge, sagt Berater und Autor Robert Shelton. Auch Budgets und I/O-Port-Bandbreite schränken die konventionelle Speicher- und Computerinfrastruktur ein.

Mit Computational Storage könnten diese Einschränkungen beim Edge Computing gelöst werden. Mit ihm kann das Speichersystem Daten vorverarbeiten, so dass nur die nützlichsten Daten an den Speicher gesendet werden, wodurch Datenbewegungen minimiert und die Belastung der Compute-Ressourcen verringert werden. Die Daten werden schneller und effizienter verarbeitet, da weniger Datenbewegungen auftreten und die Parallelverarbeitung ausgiebig genutzt wird, betont Shelton.

Künstliche Intelligenz und Computational Storage

Bisherige KI-Anwendungen stützen sich auf In-Memory-Datenbanken und viel Vorbereitung, um alle anfallenden Daten nutzen zu können. Für die Ausführung von Echtzeitanalysen auf großen Datensätzen ist ein Scale-Out-Speicher mit geringer Latenzzeit erforderlich. Auch hier ist Computational Storage ein wahrscheinlicher Akteur.

Bei der künstlichen Intelligenz kann der Rechenspeicher im Vorfeld Analysen durchführen, um zu ermitteln, welche Daten benötigt werden, oder zumindest eine vorläufige Sortierung vornehmen und so die Menge der zu verschiebenden Daten reduzieren, so Andy Walls, IBM-Fellow, CTO und Chefarchitekt für IBM Flash Storage. „Es könnte zumindest eine verbesserte Software sein, die die Daten mit Tags versieht und dazu beiträgt, die Vorbereitungszeit zu verkürzen“, so Andy Walls.

Wer sind die ersten Anwender?

Die IT-Profis befinden sich noch im Anfangsstadium der Erforschung dieser Grundlagen des Computational Storage und der Frage, wie die Technologie in ihren Infrastrukturen eingesetzt werden kann und welche Anwendungsfälle davon profitieren könnten. Es bedarf eines breiten Ökosystems, das „Killer-Anwendungen“ und softwaredefinierte Speicher von verschiedenen Anbietern für Computational Storage umfasst, um „für die allgemeine Einführung relevant zu werden“, erläutert Julia Palmer, Research Vice President bei Gartner.

Tim Stammers, ein leitender Analyst bei 451 Research, prognostiziert, dass nur sehr technische Organisationen mit großen Problemen, wie zum Beispiel Hyperscaler oder die nächste Stufe unterhalb dieser Hyperscaler, sich dem Computational Storage zuwenden werden.

Unter den Anbietern in diesem Markt hat NGD Systems vor kurzem eine 16 TB NVMe-basierte SSD mit Multi-Core-Verarbeitungstechnologie eingeführt, die mit Computational Storage verwendet werden kann. Microsoft Research, ein NGD-Partner, arbeitet an Proofs of Concept, um die potenziellen Vorteile von SSDs mit Computational Storage unter anderem für Suchanfragen für große Bilddateien zu demonstrieren.