DSO.ai
础滨驱动的设计应用
了解更多 →
使用带有处理器 IP 的计算存储来优化数据中心功耗和性能
Synopsys 战略营销经理 Scott Durrant 和 Synopsys 产物营销总监 Rich Collins
介绍
据 称，服务提供商每年将增加约 25% 的存储支出，以便在未来几年内管理增加的数据。这意味着，数据中心的年度存储支出到 2022 年将增长到 850 亿美元，到 2027 年将增长到近 3000 亿美元。在增加数据存储的同时，数据中心运营商希望减少能源费用以及与运营相关的碳足迹。因此，服务提供商将投资重点放在更高性能和更低功耗计算能力上，从而减少数据移动，因为数据移动本身是一个十分耗费能源的过程。例如，每分钟将超过 500 小时的内容上传到 YouTube - 内容必须几乎即时存储、搜索和处理，且功耗尽可能低。计算存储是改善数据处理的关键技术，它为 SSD 存储解决方案带来了计算能力，以提高系统性能并减少存储和应用处理器之"间传输的数据量。
部分向计算存储方向发展的硬盘假设增加 SSD 闪存的使用。 预测，未来五年或更长时间，SSD 闪存容量的出货量将每年增长 30% 以上。对于选择投资于产物领先优势的供应商而言，这种增长为存储市场创造了许多机会。
传统存储与计算存储的比较
要了解从传统存储和处理解决方案到计算存储的转变，请思考美国环境保护署 (US EPA) 的一个例子。EPA 每小时在美国数百个不同城市检测空气质量，以测量各种污染物的数量。这些测量值存储在包含数百万条记录的数据库中，而且数据不断增长。
此数据库的一个示例查询是对于二氧化硫（一种常见的污染物）超过 EPA 认为的健康水平（每十亿中 75 个或以下）的次数报告。此数据库中包含相关数据的记录不足 1/1000（低于 1% 的 1/10）。要在传统系统中生成报告，主机服务器运行查询（图 1），将部分数据库从存储服务器 SSD 复制到与主机处理器关联的已分配 DRAM。然后主机 CPU 扫描所有这些记录，查找相关记录，并重复处理下一个数据库部分，直到系统从数百万条记录中提取所有相关信息。
图 1：将传统的计算数据传输与计算存储进行比较。
使用计算存储系统，存储服务器中的固态硬盘被内置有处理能力的计算存储硬盘替换。主机服务器向存储服务器发送请求，请求其提供相关记录。每个计算存储硬盘中的处理器都对信息进行预处理，查找包含超过 十亿分之"七十五的污染物报告的记录，并且仅返回相关信息，而不是移动整个含有数百万条记录的数据库。然后，主处理器执行任何必要的后处理并返回报告。使用计算存储系统会占用更少的网络带宽，因为只有一小部分数据库通过网络发送。此外，需要的主机 CPU 周期要少得多，因为主机 CPU 只需要查看相关记录，而不是整个数据库。
在计算存储设备中处理数据
在计算存储系统中，随着存储量和硬盘数量的增加，存储设备中的计算处理器的数量也随之"增加。因此，处理能力随存储而扩展。计算存储处理器可以优化为特定工作负载，以进一步改善性能。
图 2 和图 3 描述了数据如何在计算存储事务中流动。
首先，传统的主机请求将从主机接口进入存储 SSD 控制器（计算存储硬盘），以请求数据。从 SSD 提取到 DRAM 并由主机处理器处理的数据可能极其庞大。在这种情况下，主机向计算存储处理器发送简单的高级命令，以请求开始事务。
其次，计算存储处理器启动并分析来自主机的命令，然后向 DRAM 发起读取请求。该请求告知存储处理器构建传输描述符（步骤 3），该描述符随后用于调度到适当的 Flash 通道，以从 NAND 闪存元素获取读取数据（步骤 4）。
图 2：从主机到分派描述符的计算存储硬盘数据流
接下来，从 NAND Flash 通道引入计算存储处理器的读取请求进行分析。处理器查找请求的数据或密钥匹配。如果找到匹配记录，则将该匹配记录发送到 DDR DRAM（步骤 6）。然后，将数据打包在主机接口协议中，并通过主机接口将数据 DMA 发送到主机内存，然后由主机处理器进行处理或使用（步骤 7）。
一旦完成，计算存储处理器将消息发送回主机处理器，告知事务已完成且数据可用，或者如果过程没有实现匹配，则发送一条错误消息（步骤 8）。
图 3：计算存储硬盘从读取数据到成功完成指示的数据流
使用计算存储可减少从本地存储 (NAND Flash) 发送到 DRAM 以供主机处理的数据量。在美国 EPA 示例中，只有千分之"一的记录需要将数据存储在 DRAM 中，从而释放主机处理器，使其专注于最重要数据。
为什么在计算存储领域中采用 AI？
出于计算存储的目的，人工智能 (AI) 正采用传统上在大脑功能和神经元中观察到的结果，将其转化为数学函数，然后创建可以处理数据的专用硬件、加速器和神经网络引擎。
计算存储提供了用于管理 AI 应用程序使用的数据类型的更好方法。当需要数据表征时，训练模型也是如此。系统可以对处理器编程，然后根据需要实时调整处理器。训练和推理可创建对任何 AI 应用所需要的常见高级定义。但仍然存在问题，为什么应用程序在存储中需要 AI？
当今的系统在边缘生成大量数据。鉴于数据移动的功耗、性能和金钱成本，在边缘应用 AI 技术而不是通过云将其发送回去，变得越来越重要。计算存储的价值在于减少数据移动，这对于优化 AI 应用程序也很重要。AI 应用程序中的计算存储在本地存储中单独离线处理 AI 处理，然后仅将所需数据移动到主机或数据中心。
用于计算存储的处理器 IP
某些类型的应用程序可受益于计算存储，例如处理器卸载、视频转码和搜索文本、图像或视频。汽车应用中的图像分类和对象检测与分类，可受益于道路上的计算存储。这些应用都可以使用机器学习、加密和/或压缩，来简化或减少需要在系统周围传输到主机处理器的数据量。
在确定计算存储是否对系统有益之"后，设计人员会考虑使用哪些处理器来管理数据。将更多的计算能力放入计算存储硬盘，需要的处理能力比不使用计算存储的系统更高。
Synopsys 提供一系列处理器 IP，这些 IP 特别适合计算存储，原因有多个。DesignWare? ARC? 处理器 IP 提供非常灵活、可扩展的架构。广泛的处理器产物组合涵盖低端三级管道处理器，到更高端的 10 级管道实时和嵌入式应用处理器。最后，Synopsys 的嵌入式视觉处理器提供神经网络加速器，可以帮助进行 AI 部分的处理。
图 4：一个计算存储硬盘可以包含多个用于不同功能的 ARC 处理器
向计算存储硬盘添加计算要求可以快速增加处理需求。为了支持这些要求，DesignWare ARC HS6x 处理器采用双问题 64 位超标架构（图 6）。处理器可提供出色的性能，可提供高达 6.1 CoreMark/MHz，体积小且功耗低。
ARC HS6x 处理器基于先进的 ARCv3 指令集架构 (ISA) 和管道，可提供领先的功率效率和代码密度。处理器具有 52 位物理地址空间，可直接解决内存大小高达 4.5 PB (4.5x1015) 的问题。
当您将更多外部计算从存储访问控制放入本地存储处理器时，您将需要构建额外的处理能力，以支持所需的编程工作负载。ARC HS6x 内核非常适合提供这种额外的处理能力。
图 5：ARC HS6x 处理器
对于需要更高性能的应用，HS6x 的多核处理器版本可在单个一致的处理器群集中支持多达 12 个 ARC HS6x CPU 内核和多达 16 个硬件加速器。
结语
从传统存储架构到计算存储的转变正在发生。在传统存储系统中，主机处理器处理从存储到 DRAM 的所有存储请求和数据副本。这本质上不如计算存储有效。随着我们转向存储内或计算存储架构，在硬盘上本地操作数据。这样，主机可以不用接收并分析数据，而是可以发起请求，让计算存储硬盘通过集成的 ARC 处理器来处理预处理。主机等待下列指示：处理已完成并且数据子集已为主机准备就绪。这降低了功耗，并提高了性能，因为在主机和存储设备之"间传输的数据量要小得多。
更多资源
- Synopsys 网络研讨会构建支持 AI 的计算存储系统
- DesignWare ARC 处理器 IP
- 用于数据中心和 HPC 的 DesignWare IP