コンピュテーショナルストレージ(Computational Storage)
1. 概要
A. 定義
コンピュテーショナルストレージ(Computational Storage) とは、ストレージデバイス(SSD など)の内部または近傍に演算資源(CPU コア・FPGA・専用アクセラレータ)を集積し、データをホスト CPU へすべて吸い上げるのではなく、データが存在する場所で直接処理する(In-Storage Processing) ようにしたアーキテクチャである。「演算をデータのある場所へ持っていく(Bring compute to data)」という発想をストレージ階層に適用したもので、標準化団体の SNIA はこれを CSx(Computational Storage device) という上位概念で定義する。
従来のコンピューティングでは、ストレージはデータを収めておく受動的な媒体であり、あらゆる演算はホスト CPU とメモリが担っていた。分析・検索を行うにはストレージ上の原データをすべて PCIe バスとシステムメモリへ読み上げたうえで、そのうちごく一部だけを実際に使い、残りは捨てることが多かった。データがテラバイト・ペタバイト級へと拡大するにつれ、この「読み上げて絞り込む」方式そのものがボトルネックとなった。コンピュテーショナルストレージは、フィルタリング・集計・圧縮・暗号化といった一次加工をデバイス内部で先に終え、その結果(大幅に減った少量のデータ)だけをホストへ渡す ことで、バストラフィックとホスト負荷を同時に減らす。代表的な商用事例として、サムスン電子の SmartSSD(FPGA 内蔵)、ScaleFlux の透過圧縮 CSD、NGD Systems の ARM コア内蔵 Newport がある。
B. 登場背景および必要性
コンピュテーショナルストレージが台頭した背景には三つの圧力が重なっている。第一は データ移動のボトルネック(Data Movement Bottleneck) である。NAND フラッシュの内部帯域幅は並列チャネル・ダイのおかげで非常に大きいが、これをホストへ送り出す PCIe・ネットワーク帯域幅は相対的に狭い。数百テラバイトを走査して条件に合う 1% だけを抽出する問い合わせであれば、残り 99% をわざわざホストへ移すのは明らかに無駄である。第二は CPU 資源と電力の限界 である。大規模データセンターでは圧縮・暗号化・走査のような単純反復作業が高価なホスト CPU サイクルを侵食するが、これをストレージ内部の安価でデータに密着した演算資源へオフロードすれば、CPU を本来のアプリケーションロジックへ回せる。
第三は スケールアウトの経済性 である。ストレージを増やすたびに演算能力も一緒に増える構造であるため、ホスト CPU 一箇所に演算が集中する中央集中型とは異なり、容量増加に比例してスループットが線形に拡張される。ストレージノードが数千個ある分散環境では、各ノードの遊休演算力を合わせれば膨大な並列処理能力となり、これはデータ局所性(Data Locality)を極大化する方向とも一致する。この三つの圧力が噛み合い、かつて研究段階にとどまっていた「賢いディスク(Active Disk)」の概念が、NVMe・FPGA・高集積プロセスの成熟とともに実用的アーキテクチャとして再浮上した。
実のところ「ストレージが自ら演算する」という発想自体は、1990 年代後半の Active Disk・IDISK 研究にまでさかのぼる。しかし当時はディスク内部の演算器の性能が貧弱で、ホストとの標準インターフェースがなく、商用化へはつながらなかった。今日状況が変わったのは、① SSD コントローラがマルチコア・高性能へ発展し、② FPGA・ARM をドライブへ集積できるほどプロセスが成熟し、③ NVMe と SNIA が ベンダ中立的な標準 を提供し始めたためである。すなわちコンピュテーショナルストレージは新しい発想ではなく、長年のアイデアがハードウェア・標準の成熟と出会ってようやく実現可能になった技術として理解するのが正確である。
C. 特徴
コンピュテーショナルストレージの性格は次の三つの特徴に集約される。これらは互いに噛み合い「データを動かさない」という一つの原理へ収束する。
- 近接演算(Near-Data Processing): 演算資源をストレージ媒体に密着させ、データの移動距離を最小化する。性能利得の源泉は、ストレージ内部の高い並列帯域幅をホストバス制約なしにそのまま使う点にある。
- データ削減(Data Reduction): 走査・フィルタ・集計・圧縮で上位階層へ渡すデータ量そのものを減らす。削減率(Reduction ratio)が大きいほど利得が大きくなる、ワークロード選択性が明確な技術である。
- 透過性・互換性(Transparency): 透過圧縮のようにアプリケーションを改めなくてよい方式と、標準 API で関数を明示的に送り下ろす方式とが共存し、既存ストレージスタックとの統合負担が相対的に低い。
2. アーキテクチャ構造と構成要素
コンピュテーショナルストレージの核心は、演算エンジンをストレージ媒体にどれだけ密着させるか と ホストがその演算をどう制御するか にある。前者はデータ移動量を、後者は開発の利便性と移植性を決めるため、両軸を併せて見てこそアーキテクチャの性格を正しく把握できる。下の構造図は、従来のストレージモデルとコンピュテーショナルストレージのデータフローの違い、および SNIA モデルの主要構成要素を示す。
flowchart LR
subgraph TRAD["従来のストレージモデル"]
H1["ホスト CPU/メモリ"]
D1["受動型ストレージデバイス(SSD)"]
D1 -- "原データ全量転送(ボトルネック)" --> H1
H1 -- "フィルタ/集計はホストが実行" --> H1
end
subgraph CS["コンピュテーショナルストレージ(CSx)"]
H2["ホストエージェント"]
subgraph DEV["ストレージデバイス内部"]
ST["ストレージ媒体(NAND)"]
CSE["演算エンジン(CSE)"]
FDM["デバイスメモリ(FDM)"]
ST --- CSE
CSE --- FDM
end
H2 -- "演算要求/少量結果" --> DEV
end
従来モデル(左)では原データ全量がバスをさかのぼるのに対し、コンピュテーショナルストレージ(右)では 演算エンジン(CSE, Computational Storage Engine)がストレージ媒体の傍らで一次加工を終え、それをデバイスメモリ(FDM, Function Data Memory)に収めてから少量だけをホストへ返す。SNIA のアーキテクチャ・プログラミングモデル v1.0(2022 年承認)はこのエコシステムを標準用語で整理しており、ストレージと演算資源が一体となった CSD(Computational Storage Drive)、ストレージ媒体を持たず演算のみを担う CSP(Computational Storage Processor)、複数デバイスを束ねた CSA(Computational Storage Array) でデバイス種別を区分し、その上で動く作業単位を CSF(Computational Storage Function) と定義する。
A. デバイス種別 — CSD・CSP・CSA
演算資源と媒体の結合形態によってデバイスの性格が変わる。CSD は一つのドライブの中に NAND 媒体と演算エンジンがともに入る最も一般的な形態で、自分のドライブに保存されたデータに対する圧縮・検索・暗号化をその場で実行する。ScaleFlux がブロックデータを書く瞬間に透過的に圧縮し、実効容量と寿命を伸ばす方式が代表的である。CSP は自前の媒体を持たず演算能力のみを提供し、ネットワークや他のストレージから流れてくるデータストリームを加工する役割を担う。CSA は複数のストレージと演算資源を一つの論理単位に束ね、アレイ水準で演算を分散させる形態で、大規模ストレージアレイへコンピュテーショナルストレージの概念を拡張したものである。実務ではワークロードのデータ所在地(デバイス内部 vs 外部ストリーム)に応じてこれらを選択・混用する。
この分類が重要なのは、演算をどこに置くかがすなわちデータ移動量を決める からである。CSD のように演算器が媒体と一体であればデータはドライブの外へ一歩も出ないが、CSP のように媒体と分離した演算器はデータをいったん演算器まで引き寄せねばならず、その分の移動が残る。したがって自デバイスに常駐するデータを繰り返し加工するなら CSD が、複数ソースから流れ込むストリームを汎用的に加工するなら CSP が有利である。CSA はこの二つをアレイ単位で組み合わせ、容量拡張と演算拡張を同時に線形へ伸ばす 分散設計を可能にする。
B. 演算エンジンの実装方式 — 固定型とプログラマブル
ストレージへ入れる演算資源を何で実装するかも重要な分かれ道である。固定機能(Fixed)エンジン は圧縮・暗号化・重複排除のように頻用する演算を専用ハードウェアブロックへ焼き込んで最高効率を出すが、柔軟性はない。プログラマブルエンジン はさらに二つに分かれ、FPGA ベースは回路を再構成して多様な加速ロジックを収められるためサムスン SmartSSD が採用し、組込み CPU(主に ARM)ベースは Linux などの汎用環境をストレージ内へ載せて一般プログラムを動かせるため NGD Newport が選んだ。前者は性能・電力効率が、後者は汎用性・開発の利便性が強みである。この選択は「効率対柔軟性」の典型的なトレードオフをなす。
ここで見落としやすい制約が 電力・発熱予算 である。一般的な NVMe SSD の消費電力はフォームファクタに応じておおむねドライブあたり数〜数十 W の範囲で、この予算はもともとフラッシュコントローラ・NAND 動作のためのものである。演算エンジンはこの限られた予算の中で電力を分け合わねばならないため、ホスト CPU のように数十〜数百 W を使う高性能演算は期待できない。FPGA 型が特定カーネルで電力あたり性能に優れるのはまさにこの制約ゆえであり、汎用 ARM 型は柔軟な代わりに絶対性能で劣る。結局、実装方式の選択は「どの演算を、どの電力予算で、どれだけ頻繁に変えながら使うか」という問いへの答えなのである。
C. 中核構成要素 — CSE・CSEE・CSF・デバイスメモリ
SNIA モデルはデバイス内部をいくつかの標準ブロックへ分解する。CSE(Computational Storage Engine) は実際に演算を行う処理資源そのもので、FPGA・ARM コア・専用 ASIC などがこれに当たる。CSE 上で演算が動く実行環境を CSEE(Computational Storage Engine Environment) と呼び、組込みオペレーティングシステムや FPGA ビットストリームローダのように関数を搭載・実行する土台を提供する。その上で実行される一つの作業単位が CSF(Computational Storage Function) で、圧縮・検索・暗号化のような具体的演算が CSF として定義され、ホストからダウンロードされるか、あらかじめ搭載される。
演算には作業空間が必要であるため、デバイスは別途メモリを置く。ホストが演算入出力をやり取りする領域が FDM(Function Data Memory) であり、そのうち特定の CSF 専用に割り当てられる部分を AFDM(Allocated Function Data Memory) と呼ぶ。ホストはストレージ媒体から FDM へデータを移したうえで CSF を実行し、結果を再び FDM から読み取る。このように エンジン(CSE)・実行環境(CSEE)・関数(CSF)・作業メモリ(FDM/AFDM) を標準用語で分離しておくおかげで、ベンダが違ってもホストソフトウェアは同一のモデルでデバイスを扱える。これが、かつて断片化していた知的ストレージ研究と今日のコンピュテーショナルストレージを分ける決定的な違いである。
D. オフロード動作フローとプログラミングモデル
コンピュテーショナルストレージが実際に仕事を処理する過程は「ホストが関数を送り下ろし、デバイスがデータの傍らで実行する」と要約できる。下の手順図は、大容量テーブル走査をコンピュテーショナルストレージへ委譲(オフロード)した場合のフローを示す。
flowchart TB
P1["ホスト: データ集約演算の識別(例: WHERE 条件走査)"]
P2["CSF をデバイスへダウンロード/活性化"]
P3["ホストエージェントが演算要求を発行(対象領域を指定)"]
P4["演算エンジンが媒体データを直接読みフィルタ実行"]
P5["結果をデバイスメモリ(FDM)へ積載"]
P6["条件に合う少量結果のみホストへ返却"]
P1 --> P2 --> P3 --> P4 --> P5 --> P6
核心は 4〜6 段階である。膨大な原テーブルはストレージの外へ出ず、演算エンジンが NAND から直接読んで条件を評価する ため PCIe 転送量が劇的に減る。ホストへ戻るのは条件に合致する少量の行だけである。2 段階の CSF ダウンロードは一度行えば繰り返し再利用されるため、初期コスト以上の利得を生む。これを可能にするには標準インターフェースが必要で、SNIA はアプリケーションと CSx を結ぶ Computational Storage API v1.0 を別途定義し、NVMe 陣営でも演算をコマンドとして表現する Computational Programs コマンドセット 規格を整え、デバイス制御を標準化している。
演算ロジックをデバイスへ 安全に 送り下ろす方法も重要な設計要素である。任意のバイナリをデバイスでそのまま実行するとデバイス損傷・データ流出の危険が大きいため、近年の研究は eBPF や WebAssembly(Wasm) のようなサンドボックス実行モデルをオフロード手段として活用する。eBPF はカーネルで検証された小型プログラムを安全に実行する検証器モデルを、Wasm は移植性の高いバイトコードと隔離実行をそれぞれ提供し、デバイスベンダが違っても同一の演算ロジックを安全に搭載・実行する道を開く。これはコンピュテーショナルストレージが単なるハードウェア加速を超え、セキュリティが内在した汎用オフロードプラットフォーム へ進化していることを示す。
3. 類型比較と適用事例
同じコンピュテーショナルストレージでも実装方式と対象ワークロードが異なる。下の表は代表的な方式を比較整理したものであり、各選択の 理由 は続いて文章で説明する。
| 区分 | 演算資源 | 主用途 | 強み | 代表事例 |
|---|---|---|---|---|
| 固定型 CSD | 専用 HW ブロック | 透過圧縮・暗号化 | 最高効率・無欠点統合 | ScaleFlux CSD |
| FPGA 型 CSD | 再構成ロジック | DB 走査・映像変換 | 柔軟な加速・高性能 | サムスン SmartSSD |
| ARM 型 CSD | 組込み CPU | 汎用前処理・AI | 汎用性・開発利便 | NGD Newport |
| CSP | 外付けアクセラレータ | ストリーム加工 | 媒体と分離した拡張 | Eideticom NoLoad |
FPGA 型がデータベース走査を狙う理由は、分析問い合わせが 膨大なデータをなめて極少数だけを抜き出す典型的なデータ集約作業 だからである。サムスンやデータベースベンダのベンチマークでは、SmartSSD へ走査・フィルタをオフロードすると特定の問い合わせの処理時間が大きく縮み、同時にホスト CPU 占有率と消費電力がともに減る結果が報告されている。一方、ScaleFlux のような固定型が透過圧縮に集中するのは、圧縮があらゆるブロック書き込みに普遍的に適用される作業であるため、専用回路へ焼き込んだときに性能・電力効率・信頼性が最も良く、アプリケーションの改修がまったく不要 だからである。すなわちワークロードが「問い合わせごとに変わる可変演算」か「常に適用される固定演算」かによって最適実装が分かれる。
適用効果を具体的に見ると、透過圧縮型 CSD はデータ特性に応じて 2〜4 倍程度の実効容量拡張 と、書き込み量減少によるフラッシュ寿命延長とを同時に得る。圧縮・復元がデバイス内部でライン速度で処理されるため、ホストは圧縮の有無を意識する必要がない。データベース走査のオフロードでは、PCIe を上がってくるデータ量が選択度(Selectivity)に比例して減り、選択度 1% の問い合わせなら理論上バストラフィックが 1/100 水準まで減って、ホスト CPU がデコード・比較に使っていたサイクルを丸ごと節約する。このほか大容量ログ・映像の リアルタイム圧縮・トランスコード、分散ファイルシステムの 消去符号(Erasure Coding)パリティ計算のオフロード、AI 学習前の データ前処理(デコード・リサイズ) などが主要な適用点であり、共通して「読んだ量に対して送り出す量が少ないほど」利得が大きくなるという原理を共有する。
4. 類似概念との比較
データ中心コンピューティングという大きな流れの中で、コンピュテーショナルストレージは PIM・インメモリデータベースとしばしば混同されるため、境界を明確にする必要がある。PIM(Processing-in-Memory) は演算器を 揮発性メモリ(DRAM)内部 に置いてメモリ帯域幅のボトルネック(Memory Wall)を狙うのに対し、コンピュテーショナルストレージは演算器を 不揮発性ストレージ(SSD) に置いて ストレージ・ホスト間のデータ移動ボトルネック を狙う。両者は階層が違うだけで「データの傍らで演算する」という哲学を共有し、メモリ階層全体にわたって相互補完的に働ける。
インメモリデータベース はデータを丸ごと DRAM へ載せてアクセス遅延をなくす方式だが容量・コストの限界が明確なのに対し、コンピュテーショナルストレージは大容量データを安価なフラッシュに置いたまま その場で一次フィルタリング して上位階層へ上げる量そのものを減らす。また過去の Active Disk・知的ストレージ 研究が専用環境にとどまっていたのに比べ、今日のコンピュテーショナルストレージは NVMe・SNIA・Wasm のような開放型標準 の上でホストエコシステムと統合される点で、即時適用性と移植性が大きく高まった。
SmartNIC・DPU との関係も押さえておく価値がある。DPU が ネットワーク経路 上のデータ移動・セキュリティ・仮想化をオフロードするなら、コンピュテーショナルストレージは ストレージ経路 上のデータ加工をオフロードする。両者はともにホスト CPU をデータ処理負担から解放する「インフラオフロード」という点で軌を一にし、データセンターでは DPU・コンピュテーショナルストレージ・PIM が各経路を分担してホストをアプリケーションロジックへ集中させる方向へ収束する。このようにコンピュテーショナルストレージは独立技術ではなく、データ中心インフラを構成する一つの軸として理解すべきである。下の表はデータ中心コンピューティング技術が どの階層のどのボトルネックを狙うか を整理したものである。
| 技術 | 演算位置 | 狙うボトルネック | データ性格 |
|---|---|---|---|
| PIM | DRAM(揮発性メモリ)内部 | メモリ帯域幅(Memory Wall) | 活性作業セット |
| コンピュテーショナルストレージ | SSD(不揮発性)内部・近傍 | ストレージ・ホストのデータ移動 | 大容量永続データ |
| インメモリ DB | ホスト DRAM | ディスクアクセス遅延 | DRAM 搭載可能規模 |
| DPU/SmartNIC | ネットワーク経路 | ネットワーク I/O・仮想化オーバヘッド | 流れるパケット・ストリーム |
表が示すとおり、四つの技術は競合関係ではなく 異なる階層のボトルネックを分担する 相補関係である。したがって実際のインフラ設計では、ワークロードのボトルネックがメモリ帯域幅か、ストレージ移動か、ネットワークかをまず診断したうえで、適切なオフロード技術を組み合わせるのが望ましい。
5. 深化 — 標準化動向と実務適用戦略
コンピュテーショナルストレージが実験室を越えて産業標準になるには、ソフトウェア・インターフェースの標準化が決定的である。ハードウェアがいくら速くても、開発者が既存のプログラミングモデルで容易に使えなければ採用されない からである。SNIA は 2022 年に Computational Storage Architecture and Programming Model v1.0 を公式承認し、CSx・CSD・CSP・CSA・CSF のような共通用語と役割モデルを確立し、続いてアプリケーション連携のための Computational Storage API v1.0 を出した。NVMe 陣営は演算を標準コマンドとして表現する Computational Programs 関連規格を通じてデバイス制御層を埋めている。このように異なる三つの層の標準が噛み合い、かつてベンダごとに断片化していたエコシステムが収束しつつある。標準スタックは次のように役割を分ける。
- デバイス・プログラミングモデル(SNIA Architecture & Programming Model): CSx・CSD・CSP・CSA・CSE・CSF・FDM などデバイス構造と役割を定義する概念標準。ベンダ中立的な共通語彙を提供する。
- コマンドインターフェース(NVMe Computational Programs): 演算プログラムの搭載・実行・結果返却を NVMe コマンドとして標準化し、既存の NVMe ドライバ・キューモデルの上でデバイスを制御する。
- プログラミング API(SNIA Computational Storage API): アプリケーションが CSF を探索・ダウンロード・実行し FDM を扱う呼び出し規約を定義し、上位ソフトウェアの移植性を保証する。
この三層がすべて噛み合ってはじめて「一度書いた加速ロジックを複数ベンダのデバイスで」動かせ、そうでなければ特定デバイスへ縛られる従属が生じる。
実務導入時には ワークロード適合性の判別 が出発点である。コンピュテーショナルストレージは「読んだデータに比して結果が劇的に小さくなる(Reduction ratio が大きい)」作業、すなわち走査・フィルタ・集計・圧縮で利得が大きく、逆にデータをほとんど減らさず複雑な演算を繰り返す作業には適さない。また、ストレージ内部の演算資源はホスト CPU より性能が低いため、「何をデバイスで、何をホストで」処理するかの分業線を設計する ことが性能の鍵である。近年は Linux 財団のオープンプロジェクトや CSD ベンダが共通ランタイム・ドライバを提供して統合負担を下げており、Kubernetes 環境でコンピュテーショナルストレージを資源として露出させる試みも続いている。
とりわけ エッジ・AI 領域 で適用価値が際立つ。エッジ環境はネットワーク帯域幅と電力がともに制限的であるため、センサ・映像データを中央へ送る前にストレージ内部で推論・要約・異常検知を行えば、上位へ上げるデータと消費電力を同時に減らせる。ARM コア内蔵型 CSD がストレージ内部で軽量モデルを動かし一次分類を終える構成が代表的である。AI 学習パイプラインでも、数十〜数百テラバイトの原データをデコード・リサイズ・正規化する前処理をストレージへ送り下ろせば、GPU がデータロードを待って遊ぶ入力ボトルネック(Input Bottleneck)を緩和できる。ただしこうした効果を実際に得るには、標準スタックの三層 — デバイスモデル(SNIA)・コマンドインターフェース(NVMe)・プログラミング API(SNIA CS API) — がすべて整合 せねばならず、これがベンダ選択とアーキテクチャ設計の核心的点検項目となる。
国内(韓国)の観点からも意義は大きい。サムスン電子・SK ハイニックスが世界のメモリ・ストレージ市場を主導するだけに、コンピュテーショナルストレージは単なるストレージ媒体供給を超え、高付加価値ソリューションへ転換する 戦略技術となる。サムスンが FPGA を結合した SmartSSD でデータベース・分析加速を狙い、メモリ業界が PIM・CXL とともにコンピュテーショナルストレージを「メモリ中心コンピューティング」のロードマップへ含める流れは、こうした戦略の延長線である。技術士の答案ではこの点を挙げ、コンピュテーショナルストレージを個別デバイス技術ではなく、データセンターアーキテクチャの再編と国内半導体産業の高度化の交差点 として位置づける叙述が説得力を持つ。
6. 考慮事項および示唆点(技術士の観点)
コンピュテーショナルストレージは「あらゆる演算をストレージへ下ろす」技術ではなく、データ移動を減らしてシステム全体の効率を高める選択的最適化手段 である。したがって導入判断は性能数値一つではなく、適用戦略・トレードオフ・標準・セキュリティ・運用を併せて秤にかける総合的観点でなされるべきである。
- 適用戦略 — 選択的オフロードと分業設計: コンピュテーショナルストレージは万能ではなく、データ削減率の高い集約演算区間でのみ 利得が大きい。問い合わせ・パイプラインをプロファイリングして走査・フィルタ・圧縮のようにバストラフィックを減らすカーネルだけをデバイスへ割り当て、複雑・反復演算はホスト CPU/GPU が担う 異種分業 を設計せねばならない。削減率とデバイス演算性能を併せて秤にかけるのが実務的な判断基準である。
- トレードオフ — 性能・電力・複雑度: ストレージ内部の演算資源はホストに比べ処理能力が低く、発熱・電力予算(通常ドライブあたり数〜数十 W)も限られる。演算ロジックを大きくすれば媒体制御・耐久性へ回す資源が減り得て、プログラマブル方式は柔軟だが開発・検証の複雑度が高い。どこまでデバイス内部で処理するか境界を定めること が設計の本質的難題である。
- 標準・エコシステム従属性: ハードウェア性能が実使用性能へつながるには、SNIA・NVMe 標準とコンパイラ・ランタイム・ドライバの支援が必須である。標準が不十分であればベンダごとの断片化で移植性が落ち従属(Lock-in)リスクが高まるため、開放型標準(SNIA・NVMe・Wasm)との整合 を導入判断の優先基準とすべきである。
- セキュリティ・信頼性: デバイス内部でホストが送り下ろしたコードを実行するため、悪性・欠陥コードがストレージを損傷させたりデータを流出させたりする危険がある。eBPF・Wasm のような サンドボックス隔離、コード署名・検証、演算結果の完全性保証メカニズムが必要であり、暗号化データのデバイス内復号時の鍵管理ポリシーも併せて設計せねばならない。
- 運用・可観測性(Observability): 演算がデバイス内部で「見えない形で」起きるため、性能低下や誤りの原因を追跡するのが中央集中型より難しい。CSF 別のスループット・遅延・電力、デバイスキュー状態などを標準的に露出する監視体系と、デバイスファームウェア・CSF バージョンを一貫して管理する運用戦略とを併せて備えてこそ、実環境で信頼性高く運用できる。
- 展望 — データ中心インフラへの再編: データ重力(Data Gravity)が大きくなるほど「演算をデータ側へ送る」流れは強まる見通しである。コンピュテーショナルストレージは PIM・CXL・SmartNIC(DPU)と結合して データ移動最小化(Data-centric Computing) を軸とする異種加速インフラへ進化し、AI データパイプライン・大規模分析・エッジ環境でホスト CPU 依存を下げる中核手段として定着する可能性が大きい。
参考資料
- 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
一言まとめ: コンピュテーショナルストレージは SSD の内部・近傍に演算資源を置き、データをホストへすべて移さずストレージ内でフィルタリング・圧縮・暗号化などの一次加工を終えてデータ移動ボトルネックとホスト負荷を減らすデータ中心アーキテクチャであり、SNIA・NVMe 標準の上で削減率の高い集約演算を選択的にオフロードする異種分業設計と、セキュリティ・エコシステムの確保が成否を分ける。