引言

近年來，AI應用態勢迅猛增加，對計算側的算力和內存提出了更高的要求。GPU、HBM這些高性能高密計算部件和內存部件，在AI計算場景中作為必需品，成為市場熱點。業界也在討論能否把計算側的業務卸載到存儲側，稱為計算型存儲（Computational Storage），通過存儲側卸載數據預處理，如數據校驗、解壓、數據提取，甚至卸載局部機器學習訓練，從而減輕計算側的算力負載和內存負載。這兩年，SNIA和NVMe陸續定義了計算型存儲框架和協議接口，而IBM、Intel、Dell、Solidigm、Kioxia等知名廠商也在通過存儲應用和SSD盤聯合定制，開拓計算型存儲應用道路。

01計算型存儲協議框架

SNIA在2022年8月發布的Computational Storage Architecture and Programming Model，描述了計算型存儲的架構和模型定義。計算型存儲設備定義為三種模型：計算型存儲處理器（Computational Storage Processor，CSP）、計算型存儲盤（Computational Storage Drive，CSD）和計算型存儲陣列（Computational Storage Array，CSA）。

◎圖1 CSD架構

以計算型存儲盤（CSD）為例，其架構框架如圖1所示。Storage Controller可以對應于SSD的管理控制器，控制Device Memory（如SSD內的DDR）和Device Storage（如SSD內的NAND Flash）。計算型存儲主要是定義計算型存儲資源（Computational Storage Resource, CSR），用于設備提供用戶可支配使用的計算資源和內存資源。

其中，計算型存儲引擎（Computational Storage Engine, CSE），是用于提供計算資源。CSE里面包括計算型存儲引擎環境（Computational Storage Engine Environment, CSEE）用于提供執行計算環境或者平臺，譬如操作系統、Container容器，或者FPGA這種硬件環境。計算環境里通過計算型存儲功能（Computational Storage Function, CSF），提供具體的計算功能，如壓縮、加密、數據filter、Erasure Code、RAID、hash/CRC、重刪、正則表達式計算等功能。

另一方面，功能數據內存（Function Data Memory，FDM）是設備提供給CSE進行計算使用的內存區域。用戶通過分配功能數據內存（Allocated Function Data Memory，AFDM）綁定給具體CSF，用于具體計算存儲輸入數據、中間過程數據和輸出結果。

NVM Express在2024年發布的Computational Programs Command Set Specification和Subsystem Local Memory Command Set Specification兩個協議標準，具象化了計算型存儲框架在NVMe接口上的實現。NVM Express在原有用于數據持久化存儲的NVM Namespace外，額外定義了Compute Namespace和Subsystem Local Memory (SLM) Namespace，分別對應SNIA定義的CSE和FDM，為用戶提供計算資源和內存資源。

◎圖2 NVM Express計算型存儲框架

NVM Express的計算型存儲接口架構和運作，如上圖所示。一個Compute Namespace可以支持多個程序（Program）。Program可以支持主機加載（Downloadable Program），或者是盤內預設（Device-defined Program）。用戶在使用前，需要通過Program Activation Management命令激活這些Program。

Subsystem Local Memory (SLM) 可以提供給Program用作數據輸入輸出的內存區域。用戶可以通過Memory Range Set Management命令，為Compute Namespace建立SLM Namespace中的多個內存區域(Memory Range)。

用戶在激活需要的Program和建立Program所需的內存區域后，可以通過以下步驟執行Program：

1主機下發Memory Copy命令，盤片從NVM Namespace，即SSD存儲LBA數據區域，讀出數據后，拷貝數據到SLM的內存區域。此外，主機也可以下發Memory Write命令，盤片從主機內存拷貝數據到SLM的內存區域。以準備好Program執行所需要的輸入數據。圖2中A1-A3示例是將SSD存儲的數據庫數據，拷貝到SLM的內存區域。

2主機通過下發Excute Program命令，執行Compute Namespace的Program，采用內存區域中的數據作為輸入，Program進行計算后，輸出到內存區域中。圖2中B1-B4示例過程是，主機調用盤內的filter program，對數據庫數據進行篩選計算，將篩選結果輸出到SLM的內存區域后，上報主機。

3主機通過下發Memory Read命令，盤片將SLM內存區域中的數據，讀出到主機內存，如圖2中C1-C2所示。

02計算型存儲應用思路

SNIA和NVMe定義了一整套盤片和主機進行計算交互的框架和接口，SNIA還定義了一整套的API（見Computational Storage API, SNIA）。這樣可以有效推動應用規范化，將計算型存儲接口落入到設備驅動、操作系統內核等，支撐起主機應用層訪問接口標準化。

從SSD設備的角度來看，SSD作為存儲部件，在存儲系統內分配的空間、功耗和成本都是受約束的。SSD的設計規劃上，SSD并不是一個強算力系統。對于一個15W的SSD來說，可能分配到內部CPU計算的功耗不到2W。從SSD CPU和總線選取和設計來說，CPU的作用主要是進行SSD內部控制，而不是進行數據計算。這樣，在SSD內要實現靈活的、用戶可加載的計算引擎，如通過OS或者Container平臺進行軟件計算，通過SSD內部CPU計算達到高性能是很困難的。

從目前業界趨勢來說，一方面是在SSD控制器外，增加FPGA作為計算引擎，或者是FPGA同時用于SSD控制和計算（如IBM FlashCore Module方案），由于FPGA在芯片封裝大小、成本和功耗上不如ASIC，這樣會造成整盤性能、硬件布局、功耗、散熱、成本等一系列的問題。另一方面是通過在控制器ASIC提供定制的硬化引擎，這就對盤片廠商有很高的能力要求，除了有盤片設計生產能力，還要有SSD控制器芯片定義和設計能力，并且能夠拉通上層應用廠商，識別盤片卸載業務趨勢進行長遠規劃。

這里以2023年Solidigm在Flash Memory Summit發表的Data scrubbing卸載定制作為示例。存儲服務器會經常巡檢全部的數據，即把數據全部讀出，進行hash計算（如CRC32、MD5等），再和存儲保存在元數據的結果進行比對。這個場景下對于服務器的算力、內存、NVMe/TCP接口都有很大壓力，會成為業務瓶頸。

◎圖3 Data scrubbing

Solidigm提出的方案是在盤內進行hash計算。主機側組織需計算的LBA list下發到盤，盤片從LBA區域讀出數據，存放到盤內內存區域，調用盤內硬化引擎進行CRC32等計算，只將計算結果返回到主機。

這樣，卸載了主機側進行hash計算的算力，由于盤片只上報結果，節省大量接口數據讀取帶寬，以及主機內存，而且可以隨著盤數量增加擴展計算能力。

◎圖4 CSD實現

03憶聯端到端能力構建

計算型存儲SSD隨著協議標準的成熟化，可與客戶聯合定制實現業務卸載。其價值是減輕客戶側的系統算力、內存壓力，減少網絡和設計接口帶寬，從而在AI高速發展的趨勢下，突破系統瓶頸，發揮系統能力。

作為一家領先的SSD廠商，憶聯正積極整合內外部資源，深入探索計算型存儲的前沿領域。通過引入先進的計算技術，優化控制器設計，并結合智能存儲管理，致力于開發具有高性能、高可靠性和智能化特性的存儲解決方案。

憶聯不僅關注對數據傳輸效率和存儲容量的提升，更關注探索各垂直應用領域的融合技術創新。憶聯擁有成熟的芯片、軟件、硬件、以及生產團隊，能夠支撐SSD從控制器芯片、軟件業務、硬件設計、裝備生產的端到端規劃和設計開發，可支撐各垂直行業客戶實現SSD聯合定制，滿足多樣化市場需求，突破客戶業務瓶頸，創造各行各業的客戶價值。