计算存储如何缓解边缘存储工作

现在越来越多的公司转向边缘计算来部署数据密集型工作负载，其中包括AI到预测分析再到物联网。边缘计算使IT资源更靠近数据生成的地方，而不是将原始数据传输到集中式数据中心。

不过，边缘模型也有其局限性。IT团队必须找到克服常见障碍的方法，以提供支持其工作负载所需的计算和存储资源。计算存储是最有前景的方法之一，它可以将处理功能直接整合到存储系统中，以消除I / O瓶颈并减少应用程序延迟。这使得在边缘环境中处理大量数据成为可能。

边缘计算

边缘计算是一种分布式架构，可将数据中心资源移至网络外围进行处理和存储。在很多情况下，这意味着将这些资源放在分支机构或卫星办公室中。通过将数据和应用程序紧密靠近，边缘计算可以减少网络流量、简化计算操作并提高关键任务工作负载的性能。这消除了集中式数据中心带来的很多带宽和吞吐量问题。

尽管有这些好处，边缘计算也带来挑战，例如管理安全性、协调分布式系统以及在数据中心和边缘环境间映射数据。最大的问题之一是克服计算和存储资源本身的局限性，例如空间和资源需求。这些限制可能使企业难以最大化数据密集型工作负载的性能，尤其是当它们变得更加复杂且数据量持续增长时。

就其本质而言，边缘环境通常受到可用空间的限制，因此很难托管设备以支持当今现代工作负载。可用空间可能仅限于办公室的壁橱或一角-在大小、电源和散热方面受到限制-与功能完善的数据中心相比，提供的空间很少。

边缘环境很少配备有可填充数据中心的高性能计算资源类型。尽管可以将最先进的服务器推向边缘，但IT预算通常没有这么多，特别是当企业仍必须在其数据中心中支持关键任务工作负载时。

由于这些限制，IT团队很难在边缘环境中获得所需的工作负载性能。但这并没有阻止他们尝试其他方法。有些团队部署全闪存存储阵列、NVMe、GPU加速器和其他先进技术。尽管这些措施有所帮助，但不足以有效地支持现在很多更强大的工作负载所需的性能。

造成这种情况的主要原因是，传统的计算/存储架构固有地受到存储设备和计算资源之间的I / O端口带宽的限制。在处理数据时，必须通过这些链接，而这些链接的速度仅与支持它们的技术一样快。通过扩展，在存储和内存之间移动的数据越多，产生的瓶颈就越大。

这正是计算存储派上用场地方，它通过将计算和存储资源紧密结合在一起以最大程度地减少数据移动，从而消除了瓶颈，降低了延迟并加快了应用程序的速度。

计算存储助你一臂之力

仅仅是将数据从一个系统移至另一个系统，传统的计算/存储架构就需要很多时间和资源，从而导致更高的延迟和更差的应用程序性能。而计算存储是采用原位方法进行数据处理，仅将最少的操作从计算资源移到存储系统内部。在这里，由于数据移动少，而且由于广泛使用并行处理，企业可更快更有效地处理数据。

存储系统代表计算系统预处理数据，以便最终仅将一部分数据发送到内存。通过最大程度地减少数据移动，你可以实现较低的应用程序延迟，并减少计算资源的负载，从而将其释放给其他操作。

对于在边缘运行的数据密集型工作负载，计算存储带来巨大优势，尤其是那些无法承受延迟的工作负载。例如，企业可能会部署AI应用程序，以持续分析数据流到其存储系统中。有时，每小时可能会有多达几个TB。

该应用程序的目标是提供自动生成的报告，其中包括对当前操作的近实时见解。毫不奇怪的是，报告中的数据仅代表原始数据总量的一小部分。

在传统的计算存储模型中，当新数据可用时，数据必须不断地从存储移动到内存，这给I / O端口和计算资源带来持续压力。在这种情况下，报告很容易延迟或包含过时的数据。但是，如果在原地执行分析，则计算资源仅需要汇总的总数即可生成报告，从而可以更快更高效地进行操作。这还将对网络带宽和计算资源的影响降到最低，从而将它们释放给其他负载。

计算存储的美丽新世界

现在有多家供应商提供计算存储系统，包括三星、NGD Systems、ScaleFlux和Eideticom。然而，这仍然是新兴的行业，并且仍然是由供应商来决定如何更好地实现计算存储，这可能会使系统集成有些困难。

为了提升计算存储的部署率，存储网络行业协会正在创建标准来解决计算设备互操作性，并定义接口标准用于部署、配置、管理和保护设备。

计算存储可以使边缘环境中运行的任何数据密集型、延迟敏感型工作负载受益。边缘计算的大部分焦点都集中在IoT数据，但对于计算存储，数据源并不是主要关注点。首要考虑的是数据量、更新频率以及你需要处理的数据。在评估计算存储的价值时，企业必须考虑不同用例，以确定是否有必要投资于新存储工具以提升性能。