연산 스토리지(Computational Storage)
1. 개요
가. 정의
연산 스토리지(Computational Storage) 는 데이터를 저장만 하던 저장장치(SSD 등) 내부 또는 그 근처에 연산 자원(CPU 코어·FPGA·전용 가속기)을 집적하여, 데이터를 호스트 CPU로 모두 끌어올리지 않고 데이터가 머무는 저장장치 안에서 직접 처리(In-Storage Processing) 하도록 만든 아키텍처이다. "연산을 데이터가 있는 곳으로 내려보낸다(Bring compute to data)"는 발상을 저장 계층에 적용한 것으로, 표준화 기구인 SNIA는 이를 CSx(Computational Storage device) 라는 상위 개념으로 정의한다.
전통적 컴퓨팅에서 저장장치는 데이터를 담아 두는 수동적 매체였고, 모든 연산은 호스트 CPU/메모리가 담당했다. 분석·검색을 하려면 저장장치에 있는 원본 데이터를 전부 PCIe 버스와 시스템 메모리로 읽어 올린 뒤, 그 가운데 극히 일부만 실제로 쓰고 나머지는 버리는 일이 흔했다. 데이터가 테라바이트·페타바이트 급으로 커지면서 이 "읽어 올려서 걸러 내는" 방식 자체가 병목이 되었다. 연산 스토리지는 필터링·집계·압축·암호화 같은 1차 가공을 저장장치 내부에서 먼저 끝내고, 그 결과(대폭 줄어든 소량 데이터)만 호스트로 전달함으로써 버스 트래픽과 호스트 부하를 동시에 줄인다. 대표 상용 사례로 삼성전자의 SmartSSD(FPGA 내장), ScaleFlux의 투명 압축 CSD, NGD Systems의 ARM 코어 내장 Newport 등이 있다.
나. 등장 배경 및 필요성
연산 스토리지가 부상한 배경에는 세 가지 압력이 겹쳐 있다. 첫째는 데이터 이동 병목(Data Movement Bottleneck) 이다. NAND 플래시의 내부 대역폭은 병렬 채널·다이 덕분에 매우 크지만, 이를 호스트로 내보내는 PCIe·네트워크 대역폭은 상대적으로 좁다. 수백 테라바이트를 스캔해 조건에 맞는 1%만 뽑는 질의라면, 나머지 99%를 굳이 호스트로 옮기는 것은 명백한 낭비다. 둘째는 CPU 자원과 전력의 한계다. 대규모 데이터센터에서 압축·암호화·스캔 같은 단순 반복 작업이 값비싼 호스트 CPU 사이클을 잠식하는데, 이를 저장장치 내부의 저렴하고 데이터에 밀착한 연산 자원으로 오프로딩하면 CPU를 본연의 애플리케이션 로직에 돌릴 수 있다.
셋째는 확장성(Scale-out)의 경제성이다. 저장장치를 늘릴 때마다 연산 능력도 함께 늘어나는 구조이므로, 호스트 CPU 한 곳에 연산이 집중되는 중앙집중형과 달리 용량 증가에 비례해 처리량이 선형적으로 확장된다. 스토리지 노드가 수천 개인 분산 환경에서는 각 노드의 유휴 연산력을 합치면 막대한 병렬 처리 능력이 되며, 이는 데이터 지역성(Data Locality)을 극대화하는 방향과도 일치한다. 이 세 압력이 맞물리며, 과거 연구 단계에 머물던 "똑똑한 디스크(Active Disk)" 개념이 NVMe·FPGA·고집적 공정의 성숙과 함께 실용적 아키텍처로 재부상했다.
사실 "저장장치가 스스로 연산한다"는 발상 자체는 1990년대 후반의 Active Disk·IDISK 연구까지 거슬러 올라간다. 그러나 당시에는 디스크 내부 연산기의 성능이 빈약하고 호스트와의 표준 인터페이스가 없어 상용화로 이어지지 못했다. 오늘날 상황이 달라진 것은 ① SSD 컨트롤러가 멀티코어·고성능으로 발전했고, ② FPGA·ARM을 드라이브에 집적할 만큼 공정이 성숙했으며, ③ NVMe와 SNIA가 벤더 중립적 표준을 제공하기 시작했기 때문이다. 즉 연산 스토리지는 새로운 발상이 아니라, 오랜 아이디어가 하드웨어·표준의 성숙을 만나 비로소 실현 가능해진 기술로 이해하는 것이 정확하다.
다. 특징
연산 스토리지의 성격은 다음 세 가지 특징으로 압축된다. 이들은 서로 맞물려 "데이터를 옮기지 않는다"는 하나의 원리로 수렴한다.
- 근접 연산(Near-Data Processing): 연산 자원을 저장 매체에 밀착시켜 데이터 이동 거리를 최소화한다. 성능 이득의 근원은 저장장치 내부의 높은 병렬 대역폭을 호스트 버스 제약 없이 그대로 쓰는 데 있다.
- 데이터 감축(Data Reduction): 스캔·필터·집계·압축으로 상위 계층에 전달할 데이터량 자체를 줄인다. 감소율(Reduction ratio)이 클수록 이득이 커지는, 워크로드 선택성이 명확한 기술이다.
- 투명성·호환성(Transparency): 투명 압축처럼 애플리케이션을 고치지 않아도 되는 방식과, 표준 API로 함수를 명시적으로 내려보내는 방식이 공존하여, 기존 저장 스택과의 통합 부담이 상대적으로 낮다.
2. 아키텍처 구조와 구성요소
연산 스토리지의 핵심은 연산 엔진을 저장 매체에 얼마나 밀착시키는가와 호스트가 그 연산을 어떻게 제어하는가에 있다. 전자는 데이터 이동량을, 후자는 개발 편의와 이식성을 결정하므로, 두 축을 함께 보아야 아키텍처의 성격을 제대로 파악할 수 있다. 아래 구조도는 기존 저장 모델과 연산 스토리지의 데이터 흐름 차이, 그리고 SNIA 모델의 주요 구성요소를 보여준다.
flowchart LR
subgraph TRAD["기존 저장 모델"]
H1["호스트 CPU/메모리"]
D1["수동형 저장장치(SSD)"]
D1 -- "원본 전량 전송(병목)" --> H1
H1 -- "필터링/집계는 호스트가 수행" --> H1
end
subgraph CS["연산 스토리지(CSx)"]
H2["호스트 에이전트"]
subgraph DEV["저장장치 내부"]
ST["저장 매체(NAND)"]
CSE["연산 엔진(CSE)"]
FDM["장치 메모리(FDM)"]
ST --- CSE
CSE --- FDM
end
H2 -- "연산 요청/소량 결과" --> DEV
end
기존 모델(왼쪽)에서는 원본 데이터 전량이 버스를 거슬러 올라가지만, 연산 스토리지(오른쪽)에서는 연산 엔진(CSE, Computational Storage Engine)이 저장 매체 옆에서 1차 가공을 끝내고, 그 결과를 장치 메모리(FDM, Function Data Memory)에 담았다가 소량만 호스트로 반환한다. SNIA 아키텍처·프로그래밍 모델 v1.0(2022년 승인)은 이 생태계를 표준 용어로 정리했는데, 저장장치와 연산 자원이 한 몸인 CSD(Computational Storage Drive), 저장 매체 없이 연산만 담당하는 CSP(Computational Storage Processor), 여러 장치를 묶은 CSA(Computational Storage Array) 로 장치 유형을 구분하고, 그 위에서 돌아가는 작업 단위를 CSF(Computational Storage Function) 로 정의한다.
가. 장치 유형 — CSD·CSP·CSA
연산 자원과 저장 매체의 결합 형태에 따라 장치 성격이 달라진다. CSD는 하나의 드라이브 안에 NAND 저장 매체와 연산 엔진이 함께 들어간 가장 일반적인 형태로, 자기 드라이브에 저장된 데이터에 대한 압축·검색·암호화를 그 자리에서 수행한다. ScaleFlux가 블록 데이터를 쓰는 즉시 투명하게 압축해 실효 용량과 수명을 늘리는 방식이 대표적이다. CSP는 자체 저장 매체 없이 연산 능력만 제공하여, 네트워크나 다른 저장장치에서 흘러오는 데이터 스트림을 가공하는 역할을 맡는다. CSA는 여러 저장장치와 연산 자원을 하나의 논리 단위로 묶어 배열 수준에서 연산을 분산시키는 형태로, 대규모 스토리지 어레이에 연산 스토리지 개념을 확장한 것이다. 실무에서는 워크로드의 데이터 소재지(장치 내부 vs 외부 스트림)에 따라 이들을 선택·혼용한다.
이 분류가 중요한 이유는 연산을 어디에 두느냐가 곧 데이터 이동량을 결정하기 때문이다. CSD처럼 연산기가 매체와 한 몸이면 데이터가 드라이브 밖으로 한 발짝도 나가지 않지만, CSP처럼 매체와 분리된 연산기는 데이터를 일단 연산기까지 끌어와야 하므로 그만큼 이동이 남는다. 따라서 자기 장치에 상주하는 데이터를 반복 가공한다면 CSD가, 여러 소스에서 흘러드는 스트림을 범용으로 가공한다면 CSP가 유리하다. CSA는 이 둘을 배열 단위로 조합해 용량 확장과 연산 확장을 동시에 선형으로 늘리는 분산 설계를 가능케 한다.
나. 연산 엔진의 구현 방식 — 고정형과 프로그래머블
저장장치에 넣는 연산 자원을 무엇으로 구현하느냐도 중요한 갈래다. 고정 기능(Fixed) 엔진은 압축·암호화·중복제거처럼 자주 쓰는 연산을 전용 하드웨어 블록으로 구워 넣어 최고 효율을 내지만 유연성이 없다. 프로그래머블 엔진은 다시 두 갈래로, FPGA 기반은 회로를 재구성해 다양한 가속 로직을 담을 수 있어 삼성 SmartSSD가 채택했고, 임베디드 CPU(주로 ARM) 기반은 리눅스 등 범용 환경을 저장장치 안에 올려 일반 프로그램을 돌릴 수 있어 NGD Newport가 택했다. 전자는 성능·전력효율이, 후자는 범용성·개발 편의가 강점이다. 이 선택은 "효율 대 유연성"의 전형적 트레이드오프를 이룬다.
여기서 간과하기 쉬운 제약이 전력·발열 예산이다. 일반 NVMe SSD의 소비 전력은 폼팩터에 따라 대체로 드라이브당 수수십 W 범위이고, 이 예산은 원래 플래시 컨트롤러·NAND 동작을 위한 것이다. 연산 엔진은 이 제한된 예산 안에서 전력을 나눠 써야 하므로, 호스트 CPU처럼 수십수백 W를 쓰는 고성능 연산을 기대할 수 없다. FPGA형이 특정 커널에서 전력 대비 성능이 뛰어난 것은 바로 이 제약 때문이며, 범용 ARM형은 유연한 대신 절대 성능에서 밀린다. 결국 구현 방식 선택은 "어떤 연산을, 어느 전력 예산으로, 얼마나 자주 바꿔 가며 쓸 것인가"라는 질문에 대한 답인 셈이다.
다. 핵심 구성요소 — CSE·CSEE·CSF·장치 메모리
SNIA 모델은 장치 내부를 몇 개의 표준 블록으로 분해한다. CSE(Computational Storage Engine) 는 실제 연산을 수행하는 처리 자원 그 자체로, FPGA·ARM 코어·전용 ASIC 등이 여기에 해당한다. CSE 위에서 연산이 돌아가는 실행 환경을 CSEE(Computational Storage Engine Environment) 라 부르는데, 임베디드 운영체제나 FPGA 비트스트림 로더처럼 함수를 적재·실행하는 바탕을 제공한다. 그 위에서 수행되는 하나의 작업 단위가 CSF(Computational Storage Function) 로, 압축·검색·암호화 같은 구체적 연산이 CSF로 정의되어 호스트로부터 다운로드되거나 미리 탑재된다.
연산에는 작업 공간이 필요하므로 장치는 별도의 메모리를 둔다. 호스트가 연산 입출력을 주고받는 영역이 FDM(Function Data Memory) 이며, 그중 특정 CSF 전용으로 할당되는 부분을 AFDM(Allocated Function Data Memory) 이라 한다. 호스트는 저장 매체에서 FDM으로 데이터를 옮긴 뒤 CSF를 실행하고, 결과를 다시 FDM에서 읽어 간다. 이처럼 엔진(CSE)·실행환경(CSEE)·함수(CSF)·작업메모리(FDM/AFDM) 를 표준 용어로 분리해 둔 덕분에, 벤더가 달라도 호스트 소프트웨어는 동일한 모델로 장치를 다룰 수 있다. 이것이 과거 파편화된 지능형 스토리지 연구와 오늘날 연산 스토리지를 가르는 결정적 차이다.
라. 오프로딩 동작 흐름과 프로그래밍 모델
연산 스토리지가 실제로 일을 처리하는 과정은 "호스트가 함수를 내려보내고 장치가 데이터 옆에서 실행한다"로 요약된다. 아래 절차도는 대용량 테이블 스캔을 연산 스토리지로 위임(오프로딩)했을 때의 흐름을 나타낸다.
flowchart TB
P1["호스트: 데이터 집약 연산 식별(예: WHERE 조건 스캔)"]
P2["CSF를 장치로 다운로드/활성화"]
P3["호스트 에이전트가 연산 요청 발행(대상 영역 지정)"]
P4["연산 엔진이 매체 데이터를 직접 읽어 필터링 수행"]
P5["결과를 장치 메모리(FDM)에 적재"]
P6["조건에 맞는 소량 결과만 호스트로 반환"]
P1 --> P2 --> P3 --> P4 --> P5 --> P6
핵심은 4~6단계다. 방대한 원본 테이블은 저장장치 밖으로 나가지 않고, 연산 엔진이 NAND에서 바로 읽어 조건을 평가하므로 PCIe 전송량이 극적으로 줄어든다. 호스트로 돌아오는 것은 조건에 부합하는 소량의 행뿐이다. 2단계의 CSF 다운로드는 한 번 해 두면 반복 재사용되므로 초기 비용 이상의 이득을 낸다. 이를 가능케 하려면 표준 인터페이스가 필요한데, SNIA는 애플리케이션과 CSx 사이를 잇는 Computational Storage API v1.0 을 별도로 정의했고, NVMe 진영에서도 연산을 명령으로 표현하는 Computational Programs 명령셋 규격을 마련해 장치 제어를 표준화하고 있다.
연산 로직을 장치에 안전하게 내려보내는 방법도 중요한 설계 요소다. 임의의 바이너리를 장치에서 그대로 실행하면 장치 손상·데이터 유출 위험이 크므로, 최근 연구는 eBPF나 WebAssembly(Wasm) 같은 샌드박스 실행 모델을 오프로딩 수단으로 활용한다. eBPF는 커널에서 검증된 소형 프로그램을 안전하게 실행하는 검증기 모델을, Wasm은 이식성 높은 바이트코드와 격리 실행을 각각 제공하여, 장치 벤더가 달라도 동일한 연산 로직을 안전하게 적재·실행할 수 있는 길을 연다. 이는 연산 스토리지가 단순 하드웨어 가속을 넘어 보안이 내재된 범용 오프로딩 플랫폼으로 진화하고 있음을 보여준다.
3. 유형 비교와 적용 사례
같은 연산 스토리지라도 구현 방식과 타깃 워크로드가 다르다. 아래 표는 대표 방식을 비교 정리한 것이되, 각 선택의 이유는 뒤이어 문장으로 설명한다.
| 구분 | 연산 자원 | 주 용도 | 강점 | 대표 사례 |
|---|---|---|---|---|
| 고정형 CSD | 전용 HW 블록 | 투명 압축·암호화 | 최고 효율·무결점 통합 | ScaleFlux CSD |
| FPGA형 CSD | 재구성 로직 | DB 스캔·영상 변환 | 유연한 가속·고성능 | 삼성 SmartSSD |
| ARM형 CSD | 임베디드 CPU | 범용 전처리·AI | 범용성·개발 편의 | NGD Newport |
| CSP | 외장 가속기 | 스트림 가공 | 매체와 분리된 확장 | Eideticom NoLoad |
FPGA형이 데이터베이스 스캔을 노리는 이유는, 분석 질의가 방대한 데이터를 훑어 극소수만 뽑는 전형적 데이터 집약 작업이기 때문이다. 삼성과 데이터베이스 벤더들의 벤치마크에서는 SmartSSD에 스캔·필터를 오프로딩할 때 특정 질의의 처리 시간이 크게 줄고, 동시에 호스트 CPU 점유율과 소비 전력이 함께 감소하는 결과가 보고된 바 있다. 반면 ScaleFlux 같은 고정형이 투명 압축에 집중하는 것은, 압축이 모든 블록 쓰기에 보편적으로 적용되는 작업이라 전용 회로로 구워 넣었을 때 성능·전력효율·신뢰성이 가장 좋고 애플리케이션 수정이 전혀 필요 없기 때문이다. 즉 워크로드가 "질의마다 달라지는 가변 연산"이냐 "항상 적용되는 고정 연산"이냐에 따라 최적 구현이 갈린다.
적용 효과를 구체적으로 보면, 투명 압축형 CSD는 데이터 특성에 따라 2~4배 수준의 실효 용량 확장과 쓰기량 감소에 따른 플래시 수명 연장을 동시에 얻는다. 압축·복원이 장치 내부에서 라인 속도로 처리되므로 호스트는 압축 여부를 의식할 필요가 없다. 데이터베이스 스캔 오프로딩에서는 PCIe로 올라오는 데이터량이 선택도(Selectivity)에 비례해 줄어, 선택도 1%인 질의라면 이론상 버스 트래픽이 1/100 수준까지 감소해 호스트 CPU가 디코딩·비교에 쓰던 사이클을 통째로 절약한다. 이 밖에 대용량 로그·영상의 실시간 압축·트랜스코딩, 분산 파일시스템의 삭제 코딩(Erasure Coding) 패리티 계산 오프로딩, AI 학습 전 데이터 전처리(디코딩·리사이즈) 등이 주요 적용 지점이며, 공통적으로 "읽은 양 대비 내보낼 양이 작을수록" 이득이 커진다는 원리를 공유한다.
4. 유사 개념과의 비교
연산 스토리지는 데이터 중심 컴퓨팅이라는 큰 흐름 안에서 PIM·인메모리 데이터베이스와 종종 혼동되므로 경계를 분명히 할 필요가 있다. PIM(Processing-in-Memory) 은 연산기를 휘발성 메모리(DRAM) 내부에 두어 메모리 대역폭 병목(Memory Wall)을 겨냥하는 반면, 연산 스토리지는 연산기를 비휘발성 저장장치(SSD) 에 두어 저장-호스트 간 데이터 이동 병목을 겨냥한다. 둘은 계층이 다를 뿐 "데이터 옆에서 계산한다"는 철학을 공유하며, 메모리 계층 전체에 걸쳐 상호 보완적으로 작동할 수 있다.
인메모리 데이터베이스는 데이터를 통째로 DRAM에 올려 접근 지연을 없애는 접근이지만 용량·비용 한계가 뚜렷한 반면, 연산 스토리지는 대용량 데이터를 저렴한 플래시에 둔 채 그 자리에서 1차 필터링해 상위 계층으로 올릴 양 자체를 줄인다. 또한 과거의 Active Disk·지능형 스토리지 연구가 전용 환경에 머물렀던 데 비해, 오늘날 연산 스토리지는 NVMe·SNIA·Wasm 같은 개방형 표준 위에서 호스트 생태계와 통합된다는 점에서 즉시 적용성과 이식성이 크게 높아졌다.
스마트NIC·DPU와의 관계도 짚을 만하다. DPU가 네트워크 경로 상의 데이터 이동·보안·가상화를 오프로딩한다면, 연산 스토리지는 저장 경로 상의 데이터 가공을 오프로딩한다. 둘은 모두 호스트 CPU를 데이터 처리 부담에서 해방시키는 "인프라 오프로딩"이라는 점에서 궤를 같이하며, 데이터센터에서는 DPU·연산 스토리지·PIM이 각 경로를 분담해 호스트를 애플리케이션 로직에 집중시키는 방향으로 수렴한다. 이처럼 연산 스토리지는 독립 기술이 아니라 데이터 중심 인프라를 구성하는 한 축으로 이해해야 한다. 아래 표는 데이터 중심 컴퓨팅 기술들이 어느 계층의 어떤 병목을 겨냥하는지를 정리한 것이다.
| 기술 | 연산 위치 | 겨냥하는 병목 | 데이터 성격 |
|---|---|---|---|
| PIM | DRAM(휘발성 메모리) 내부 | 메모리 대역폭(Memory Wall) | 활성 작업셋 |
| 연산 스토리지 | SSD(비휘발성) 내부·근처 | 저장-호스트 데이터 이동 | 대용량 영속 데이터 |
| 인메모리 DB | 호스트 DRAM | 디스크 접근 지연 | DRAM 적재 가능 규모 |
| DPU/스마트NIC | 네트워크 경로 | 네트워크 I/O·가상화 오버헤드 | 흐르는 패킷·스트림 |
표에서 보듯 네 기술은 경쟁 관계가 아니라 서로 다른 계층의 병목을 분담하는 상보 관계다. 따라서 실제 인프라 설계에서는 워크로드의 병목이 메모리 대역폭인지, 저장 이동인지, 네트워크인지를 먼저 진단한 뒤 알맞은 오프로딩 기술을 조합하는 것이 바람직하다.
5. 심화 — 표준화 동향과 실무 적용 전략
연산 스토리지가 실험실을 넘어 산업 표준이 되는 데에는 소프트웨어·인터페이스 표준화가 결정적이다. 하드웨어가 아무리 빨라도 개발자가 기존 프로그래밍 모델로 쉽게 쓸 수 없으면 채택되지 않기 때문이다. SNIA는 2022년 Computational Storage Architecture and Programming Model v1.0 을 공식 승인해 CSx·CSD·CSP·CSA·CSF 같은 공통 용어와 역할 모델을 확립했고, 이어 애플리케이션 연동을 위한 Computational Storage API v1.0 을 내놓았다. NVMe 진영은 연산을 표준 명령으로 표현하는 Computational Programs 관련 규격을 통해 장치 제어 계층을 메우고 있다. 이처럼 서로 다른 세 계층의 표준이 맞물리면서, 과거 벤더별로 파편화됐던 생태계가 수렴하는 중이다. 표준 스택은 다음과 같이 역할을 나눈다.
- 장치·프로그래밍 모델(SNIA Architecture & Programming Model): CSx·CSD·CSP·CSA·CSE·CSF·FDM 등 장치 구조와 역할을 정의하는 개념 표준. 벤더 중립적 공통 어휘를 제공한다.
- 명령 인터페이스(NVMe Computational Programs): 연산 프로그램의 적재·실행·결과 반환을 NVMe 명령으로 표준화하여, 기존 NVMe 드라이버·큐 모델 위에서 장치를 제어한다.
- 프로그래밍 API(SNIA Computational Storage API): 애플리케이션이 CSF를 탐색·다운로드·실행하고 FDM을 다루는 호출 규약을 정의하여, 상위 소프트웨어의 이식성을 보장한다.
이 세 계층이 모두 맞아떨어질 때 비로소 "한 번 작성한 가속 로직을 여러 벤더 장치에서" 돌릴 수 있고, 그렇지 못하면 특정 장치에 묶이는 종속이 발생한다.
실무 도입 시에는 워크로드 적합성 판별이 출발점이다. 연산 스토리지는 "읽은 데이터 대비 결과가 극적으로 작아지는(Reduction ratio가 큰)" 작업, 즉 스캔·필터·집계·압축에서 이득이 크고, 반대로 데이터를 거의 줄이지 않고 복잡한 연산을 반복하는 작업에는 적합하지 않다. 또한 장치 내부의 연산 자원은 호스트 CPU보다 성능이 낮으므로, "무엇을 장치에서, 무엇을 호스트에서" 처리할지 분업선을 설계하는 것이 성능의 관건이다. 최근에는 리눅스 재단의 오픈 프로젝트와 CSD 벤더들이 공통 런타임·드라이버를 제공해 통합 부담을 낮추고 있으며, 쿠버네티스 환경에서 연산 스토리지를 자원으로 노출하려는 시도도 이어지고 있다.
국내(한국) 관점에서도 의미가 크다. 삼성전자·SK하이닉스는 세계 메모리·스토리지 시장을 주도하는 만큼, 연산 스토리지는 단순 저장 매체 공급을 넘어 고부가 솔루션으로 전환하는 전략 기술이 된다. 삼성이 FPGA를 결합한 SmartSSD로 데이터베이스·분석 가속을 겨냥하고, 메모리 업계가 PIM·CXL과 함께 연산 스토리지를 "메모리 중심 컴퓨팅" 로드맵에 포함시키는 흐름은 이러한 전략의 연장선이다. 기술사 답안에서는 이 점을 들어, 연산 스토리지를 개별 장치 기술이 아니라 데이터센터 아키텍처 재편과 국내 반도체 산업 고도화의 교차점으로 자리매김하는 서술이 설득력을 갖는다.
특히 엣지·AI 영역에서 적용 가치가 두드러진다. 엣지 환경은 네트워크 대역폭과 전력이 모두 제한적이어서, 센서·영상 데이터를 중앙으로 보내기 전에 저장장치 안에서 추론·요약·이상탐지를 수행하면 상위로 올릴 데이터와 소비 전력을 동시에 줄일 수 있다. ARM 코어 내장형 CSD가 저장장치 안에서 경량 모델을 돌려 1차 분류를 끝내는 구성이 대표적이다. AI 학습 파이프라인에서도 수십~수백 테라바이트의 원시 데이터를 디코딩·리사이즈·정규화하는 전처리를 저장장치로 내려보내면, GPU가 데이터 로딩을 기다리며 노는 입력 병목(Input Bottleneck)을 완화할 수 있다. 다만 이런 효과를 실제로 거두려면 표준 스택의 세 계층 — 장치 모델(SNIA), 명령 인터페이스(NVMe), 프로그래밍 API(SNIA CS API) — 이 모두 정합해야 하며, 이것이 벤더 선택과 아키텍처 설계의 핵심 점검 항목이 된다.
6. 고려사항 및 시사점 (기술사 관점)
연산 스토리지는 "모든 연산을 저장장치로 내린다"는 기술이 아니라, 데이터 이동을 줄여 전체 시스템의 효율을 높이는 선별적 최적화 수단이다. 따라서 도입 판단은 성능 수치 하나가 아니라 적용 전략·트레이드오프·표준·보안·운영을 함께 저울질하는 종합적 관점에서 이뤄져야 한다.
- 적용 전략 — 선별적 오프로딩과 분업 설계: 연산 스토리지는 만능이 아니라 데이터 감소율이 높은 집약 연산에서만 이득이 크다. 질의·파이프라인을 프로파일링해 스캔·필터·압축처럼 버스 트래픽을 줄이는 커널만 장치에 배정하고, 복잡·반복 연산은 호스트 CPU/GPU가 맡는 이기종 분업을 설계해야 한다. Reduction ratio와 장치 연산 성능을 함께 저울질하는 것이 실무적 판단 기준이다.
- 트레이드오프 — 성능·전력·복잡도: 저장장치 내부 연산 자원은 호스트 대비 처리 능력이 낮고, 발열·전력 예산(통상 드라이브당 수~수십 W)도 제한적이다. 연산 로직을 키우면 매체 제어·내구성에 쓸 자원이 줄 수 있고, 프로그래머블 방식은 유연하나 개발·검증 복잡도가 높다. 어디까지 장치 안에서 처리할지 경계를 정하는 것이 설계의 본질적 난제다.
- 표준·생태계 종속성: 하드웨어 성능이 실사용 성능으로 이어지려면 SNIA·NVMe 표준과 컴파일러·런타임·드라이버 지원이 필수다. 표준이 미흡하면 벤더별 파편화로 이식성이 떨어지고 종속(Lock-in) 위험이 커지므로, 개방형 표준(SNIA·NVMe·Wasm)과의 정합을 도입 판단의 우선 기준으로 삼아야 한다.
- 보안·신뢰성: 장치 안에서 호스트가 내려보낸 코드를 실행하므로, 악성·결함 코드가 저장장치를 손상시키거나 데이터를 유출할 위험이 있다. eBPF·Wasm 같은 샌드박스 격리, 코드 서명·검증, 연산 결과 무결성 보장 메커니즘이 필요하며, 암호화 데이터의 장치 내 복호화 시 키 관리 정책도 함께 설계해야 한다.
- 운영·관찰성(Observability): 연산이 장치 내부에서 "보이지 않게" 일어나므로, 성능 저하나 오류의 원인을 추적하기가 중앙집중형보다 어렵다. CSF별 처리량·지연·전력, 장치 큐 상태 등을 표준적으로 노출하는 모니터링 체계와, 장치 펌웨어·CSF 버전을 일관되게 관리하는 운영 전략을 함께 갖춰야 실환경에서 신뢰성 있게 운용할 수 있다.
- 전망 — 데이터 중심 인프라로의 재편: 데이터 중력(Data Gravity)이 커질수록 "연산을 데이터 쪽으로 보내는" 흐름은 강화될 전망이다. 연산 스토리지는 PIM·CXL·스마트NIC(DPU)와 결합해 데이터 이동 최소화(Data-centric Computing) 를 축으로 하는 이기종 가속 인프라로 진화하며, AI 데이터 파이프라인·대규모 분석·엣지 환경에서 호스트 CPU 의존을 낮추는 핵심 수단으로 자리 잡을 가능성이 크다.
참고자료
- SNIA, "Computational Storage Architecture and Programming Model v1.0", https://www.snia.org/sites/default/files/technical-work/computational/release/SNIA-Computational-Storage-Architecture-and-Programming-Model-1.0.pdf
- SNIA, "Computational Storage API v1.0", https://www.snia.org/sites/default/files/technical-work/csapi/release/Computational_Storage_API_v1.0.pdf
- SNIA Blog, "Reaching a Computational Storage Milestone", https://www.snia.org/blog/2022/reaching-computational-storage-milestone-0
- "Past, Present and Future of Computational Storage: A Survey", https://arxiv.org/pdf/2112.09691
한 줄 요약: 연산 스토리지는 SSD 내부·근처에 연산 자원을 두어 데이터를 호스트로 모두 옮기지 않고 저장장치 안에서 필터링·압축·암호화 등 1차 가공을 끝내 데이터 이동 병목과 호스트 부하를 줄이는 데이터 중심 아키텍처로, SNIA·NVMe 표준 위에서 감소율 높은 집약 연산을 선별 오프로딩하는 이기종 분업 설계와 보안·생태계 확보가 성패를 가른다.