SSD算力革命：xPU瓶颈下，计算型存储如何实现存算线性扩展？

在高性能存储系统中，一个关键矛盾日益凸显：网络带宽正从400Gbps向1.6Tbps跃迁，SSD单盘性能已突破32GB/s，但承担数据处理任务的xPU（如DPU、IPU）却受限于PCIe通道数量，逐渐演变为新的性能瓶颈。传统架构中，压缩、去重、RAID校验等计算密集型任务集中在CPU或DPU上，不仅消耗大量计算资源，更在高速数据流面前显得力不从心。

本文将探讨一种突破性的解决方案——将算力从xPU下沉至SSD本身。通过在SSD控制器中集成专用硬件引擎，实现“算力随容量线性扩展”的模式，帮助存储系统彻底突破I/O墙的限制。这一架构变革不仅重新定义了存储系统的分工协作方式，也为AI时代的数据基础设施提供了全新的设计范式。

一、xPU的困境：从算力中心到潜在瓶颈

尽管xPU已成功从主CPU接管了网络、安全和虚拟化等基础服务，但在面对现代存储系统极高的I/O吞吐需求时，xPU自身正面临成为系统新瓶颈的风险。

• 核心矛盾在于带宽不匹配：网络带宽（迈向1.6 Tbps）和SSD性能（随PCIe代际演进而增长）的提升速度，已经超过了xPU基于有限PCIe通道的处理能力。
• 计算密集型任务负担重：数据压缩、哈希（用于去重）、奇偶校验（用于RAID/EC）等操作都是典型的计算密集型存储功能。
• 演进方向：为了解决这一瓶颈，业界开始探索将计算任务进一步下沉的方案，即 “基于SSD的固定功能计算卸载架构” ，这实质上指向了计算存储（Computational Storage） 的理念。

二、存储数据流水线：为何传统架构力不从心

现代全闪存阵列的数据写入路径非常“重”。新数据在最终持久化到闪存之前，必须经过一系列密集的在线（Inline）处理：

1. 数据缩减阶段：包括重复数据删除（哈希计算）和数据压缩。
2. 数据保护阶段：进行奇偶校验（RAID/纠删码计算）。
3. 数据存储阶段：将处理后的数据写入SSD。

问题的核心在于，传统集中式计算架构已无法匹配高性能闪存的数据处理需求：

• CPU效率低下：用通用CPU处理这些任务性价比较低。
• DPU扩展性不足：DPU虽然是专用加速器，但其算力是集中式的。当为了扩容而增加SSD时，DPU的算力并未随之增长，反而会成为新的瓶颈。

这就引出了一个核心推论：要解决“加盘不加算力”的问题，必须将计算能力分布式地部署到每个SSD上，实现算力与存储容量的线性扩展。

三、计算型SSD架构：主机控制，设备执行

上图定义了“计算型SSD”的具体实现架构，其核心是 “主机控制，设备执行” 的模式。

• 控制与计算分离：主机（Host）作为“大脑”，负责内存管理和任务调度；SSD则作为“肌肉”，利用内部集成的专用硬件引擎（Hash计算、压缩/解压、奇偶校验）来执行繁重的计算任务。
• 灵活的内存访问：SSD的计算引擎可以处理主机DRAM、远端内存甚至SSD自身CMB（控制器内存缓冲区）中的数据，使其成为一个高效的PCIe协处理器。
• 核心价值：
  • 节省CPU资源：彻底释放主机CPU，使其专注于应用逻辑。
  • 节省内存带宽：数据直接在SSD内部处理，减少了在PCIe总线和主机内存间的无效搬运。
  • 基于标准：依托NVMe等标准协议，保障了生态兼容性。这种将特定计算任务卸载到专用硬件的思路，与追求极致效率的云原生/IaaS理念有异曲同工之妙。

四、系统级收益：xPU角色重塑与线性扩展

当引入计算型SSD后，整个系统架构和xPU的角色发生了根本性变化：

• xPU角色转变：xPU从“计算执行者”转变为“资源调度者”。它负责编排SSD集群上的计算任务，而存储池管理等控制平面逻辑继续在xPU上运行。
• 突破I/O墙：计算能力从集中式变为分布式，系统不再受限于xPU有限的PCIe通道和算力。
• 核心优势：存算线性扩展：这是该架构最大的价值主张——“买容量即送算力”。每增加一块SSD，不仅增加了存储空间，还同步增加了压缩、校验和内存带宽等处理能力。例如，在一个24盘位的系统中，聚合的压缩/解压带宽可达240 GB/s，这远超单个xPU或CPU的PCIe带宽上限。

五、架构演进：为AI时代铺平道路

这一架构变革引领存储系统向更高级的形态演进：

• 迈向无机头架构：DPU成为连接网络和SSD集群的核心枢纽，推动存储系统向高密度、高效率的分布式无机头架构发展。
• 赋能AI与高级数据处理：通过将基础的数据缩减与保护操作卸载到SSD，宝贵的DPU/CPU算力得以释放，可用于数据向量化等AI相关任务，使存储系统不仅能“存”数据，还能初步“处理”数据。
• 理想的经济模型：在大规模数据中心和云计算环境中，这种“算力随容量线性增长”的模型，避免了为扩容而被迫过度采购计算资源的浪费，显著优化了TCO（总拥有成本）。

六、概念验证：显著的资源释放效果

实测数据有力地验证了计算存储的能效价值：

• 极致释放CPU：在完成相同压缩任务（2.5倍压缩比）时，卸载方案将CPU占用从200%（约2个核心）降至近1%，实现了近乎零的CPU消耗。
• 大幅节省内存带宽：通过利用SSD的CMB，减少了数据搬运，系统DRAM带宽需求从约600 MB/s降至约160 MB/s，效率提升近4倍。
• 同效低耗：在保持相同写入带宽（140 MB/s）和压缩质量的前提下，实现了系统资源消耗的断崖式下降，证明了其在降低TCO方面的巨大潜力。

本文讨论的xPU计算卸载主要聚焦于企业级存储常见的数据缩减场景。在AI与智能应用爆发的未来，端侧与近数据计算的需求将更为旺盛，届时计算型存储的应用价值将被进一步放大。

延伸思考

1. 在你的工作场景中，是否已观察到xPU/CPU在处理存储密集型任务时的性能瓶颈？当时是如何应对的？
2. 计算存储架构虽能释放CPU并提升效率，但可能带来SSD成本上升和运维复杂度增加。你认为这种权衡在哪些应用场景下是值得的？
3. 随着AI应用对数据处理需求的爆发，除了压缩和校验，你认为未来存储系统还需要优先卸载哪些计算任务？

原文基于KIOXIA在FMS 2025的分享“Offloading xPU Storage Compute Tasks to SSD”整理。