Lưu trữ tính toán (Computational Storage)
1. Tổng quan
A. Định nghĩa
Lưu trữ tính toán (Computational Storage) là kiến trúc tích hợp tài nguyên tính toán (lõi CPU, FPGA hoặc bộ tăng tốc chuyên dụng) bên trong hoặc gần thiết bị lưu trữ (như SSD) để dữ liệu được xử lý trực tiếp ngay tại nơi nó cư trú (In-Storage Processing) thay vì được kéo lên CPU máy chủ toàn bộ. Nó áp dụng ý tưởng "mang tính toán đến nơi có dữ liệu (Bring compute to data)" vào tầng lưu trữ, và tổ chức tiêu chuẩn hóa SNIA định nghĩa nó dưới khái niệm bao trùm CSx (Computational Storage device).
Trong điện toán truyền thống, lưu trữ là phương tiện thụ động chỉ chứa dữ liệu, và mọi tính toán do CPU và bộ nhớ máy chủ đảm nhiệm. Để chạy phân tích hay tìm kiếm, toàn bộ dữ liệu gốc trên thiết bị phải được đọc lên qua bus PCIe và vào bộ nhớ hệ thống, sau đó chỉ một phần rất nhỏ thực sự được dùng còn phần còn lại bị loại bỏ. Khi dữ liệu tăng lên quy mô terabyte và petabyte, chính mô hình "đọc lên rồi lọc" này trở thành nút thắt cổ chai. Lưu trữ tính toán hoàn tất xử lý giai đoạn đầu như lọc, tổng hợp, nén, mã hóa bên trong thiết bị, và chỉ chuyển kết quả (lượng dữ liệu đã giảm mạnh) lên máy chủ, qua đó đồng thời giảm lưu lượng bus và tải máy chủ. Các ví dụ thương mại tiêu biểu gồm SmartSSD của Samsung Electronics (có FPGA nhúng), CSD nén trong suốt của ScaleFlux, và Newport lõi ARM của NGD Systems.
B. Bối cảnh ra đời và sự cần thiết
Có ba áp lực hội tụ phía sau sự trỗi dậy của lưu trữ tính toán. Thứ nhất là nút thắt di chuyển dữ liệu (Data Movement Bottleneck). Flash NAND có băng thông nội bộ rất lớn nhờ các kênh và die song song, nhưng băng thông PCIe/mạng đưa dữ liệu ra máy chủ lại tương đối hẹp. Với một truy vấn quét hàng trăm terabyte để trích ra chỉ 1% khớp điều kiện, việc chuyển 99% còn lại lên máy chủ rõ ràng là lãng phí. Thứ hai là giới hạn tài nguyên CPU và điện năng. Trong trung tâm dữ liệu quy mô lớn, các tác vụ lặp lại đơn giản như nén, mã hóa, quét ngốn các chu kỳ CPU máy chủ đắt tiền; chuyển chúng xuống tài nguyên tính toán rẻ và sát dữ liệu bên trong thiết bị lưu trữ giải phóng CPU cho logic ứng dụng vốn có của nó.
Thứ ba là tính kinh tế của mở rộng theo chiều ngang (Scale-out). Vì năng lực tính toán tăng cùng với mỗi thiết bị lưu trữ thêm vào, thông lượng mở rộng tuyến tính theo dung lượng, khác với mô hình tập trung nơi tính toán dồn vào một CPU máy chủ. Trong môi trường phân tán với hàng nghìn nút lưu trữ, gộp năng lực tính toán nhàn rỗi của mỗi nút tạo thành năng lực xử lý song song khổng lồ, điều này cũng trùng với hướng tối đa hóa tính cục bộ của dữ liệu (Data Locality). Khi ba áp lực này kết hợp, khái niệm "đĩa thông minh (Active Disk)", từng chỉ dừng ở giai đoạn nghiên cứu, tái trỗi dậy như một kiến trúc thực dụng cùng với sự trưởng thành của NVMe, FPGA và công nghệ quy trình mật độ cao.
Thực ra ý tưởng "thiết bị lưu trữ tự tính toán" đã có từ nghiên cứu Active Disk và IDISK cuối thập niên 1990. Tuy nhiên khi đó hiệu năng của bộ tính toán trong đĩa yếu và không có giao diện tiêu chuẩn với máy chủ, nên không dẫn đến thương mại hóa. Điều thay đổi hôm nay là ① bộ điều khiển SSD đã phát triển thành đa lõi và hiệu năng cao, ② công nghệ quy trình đã trưởng thành đủ để tích hợp FPGA và ARM vào ổ đĩa, và ③ NVMe và SNIA đã bắt đầu cung cấp tiêu chuẩn trung lập với nhà cung cấp. Nói cách khác, lưu trữ tính toán nên được hiểu không phải là ý tưởng mới mà là ý tưởng lâu đời chỉ trở nên khả thi khi gặp sự trưởng thành của phần cứng và tiêu chuẩn.
C. Đặc trưng
Bản chất của lưu trữ tính toán được gói gọn trong ba đặc trưng sau. Chúng khớp vào nhau và hội tụ về một nguyên lý duy nhất: "không di chuyển dữ liệu."
- Tính toán gần dữ liệu (Near-Data Processing): Đặt tài nguyên tính toán sát phương tiện lưu trữ để tối thiểu hóa quãng đường dữ liệu phải di chuyển. Nguồn gốc của lợi ích hiệu năng nằm ở việc dùng trực tiếp băng thông song song nội bộ cao của thiết bị lưu trữ, không bị ràng buộc bởi bus máy chủ.
- Giảm dữ liệu (Data Reduction): Quét, lọc, tổng hợp và nén làm giảm chính lượng dữ liệu được chuyển lên tầng trên. Đây là công nghệ có tính chọn lọc tải rõ ràng, tỷ lệ giảm (Reduction ratio) càng lớn thì lợi ích càng lớn.
- Tính trong suốt và tương thích (Transparency): Các cách tiếp cận không cần sửa ứng dụng (như nén trong suốt) cùng tồn tại với cách đẩy hàm xuống một cách tường minh qua API tiêu chuẩn, nên gánh nặng tích hợp với ngăn xếp lưu trữ hiện có tương đối thấp.
2. Cấu trúc kiến trúc và thành phần
Cốt lõi của lưu trữ tính toán nằm ở việc gắn động cơ tính toán sát phương tiện lưu trữ đến mức nào và máy chủ điều khiển phép tính đó ra sao. Yếu tố trước quyết định lượng di chuyển dữ liệu, yếu tố sau quyết định sự thuận tiện phát triển và tính di động, nên phải nhìn cả hai trục cùng nhau mới nắm đúng tính chất của kiến trúc. Sơ đồ cấu trúc dưới đây cho thấy sự khác biệt luồng dữ liệu giữa mô hình lưu trữ truyền thống và lưu trữ tính toán, cùng các thành phần chính của mô hình SNIA.
flowchart LR
subgraph TRAD["Mô hình lưu trữ truyền thống"]
H1["CPU/bộ nhớ máy chủ"]
D1["Thiết bị lưu trữ thụ động(SSD)"]
D1 -- "chuyển toàn bộ dữ liệu gốc(nút thắt)" --> H1
H1 -- "máy chủ thực hiện lọc/tổng hợp" --> H1
end
subgraph CS["Lưu trữ tính toán(CSx)"]
H2["Tác tử máy chủ"]
subgraph DEV["Bên trong thiết bị lưu trữ"]
ST["Phương tiện lưu trữ(NAND)"]
CSE["Động cơ tính toán(CSE)"]
FDM["Bộ nhớ thiết bị(FDM)"]
ST --- CSE
CSE --- FDM
end
H2 -- "yêu cầu tính toán/kết quả nhỏ" --> DEV
end
Ở mô hình truyền thống (trái), toàn bộ tập dữ liệu gốc đi ngược lên bus, trong khi ở lưu trữ tính toán (phải) động cơ tính toán (CSE, Computational Storage Engine) hoàn tất xử lý giai đoạn đầu bên cạnh phương tiện lưu trữ, giữ nó trong bộ nhớ thiết bị (FDM, Function Data Memory), rồi chỉ trả về một lượng nhỏ cho máy chủ. Mô hình Kiến trúc và Lập trình v1.0 của SNIA (được phê duyệt năm 2022) đã sắp xếp hệ sinh thái này bằng thuật ngữ tiêu chuẩn: nó phân biệt các loại thiết bị là CSD (Computational Storage Drive) nơi lưu trữ và tính toán là một thể, CSP (Computational Storage Processor) chỉ đảm nhiệm tính toán mà không có phương tiện lưu trữ, và CSA (Computational Storage Array) gom nhiều thiết bị, đồng thời định nghĩa đơn vị công việc chạy trên chúng là CSF (Computational Storage Function).
A. Các loại thiết bị — CSD, CSP, CSA
Tính chất của thiết bị thay đổi theo cách kết hợp tài nguyên tính toán và phương tiện lưu trữ. CSD là dạng phổ biến nhất, với phương tiện lưu trữ NAND và động cơ tính toán cùng nằm trong một ổ đĩa, thực hiện nén, tìm kiếm và mã hóa trên dữ liệu lưu trong ổ đó ngay tại chỗ. ScaleFlux nén trong suốt dữ liệu khối ngay khoảnh khắc ghi, kéo dài dung lượng hiệu dụng và tuổi thọ, là ví dụ tiêu biểu. CSP chỉ cung cấp năng lực tính toán, không có phương tiện lưu trữ riêng, đảm nhiệm vai trò xử lý các luồng dữ liệu chảy đến từ mạng hoặc thiết bị lưu trữ khác. CSA gom nhiều thiết bị lưu trữ và tài nguyên tính toán thành một đơn vị logic duy nhất để phân tán tính toán ở mức mảng, mở rộng khái niệm lưu trữ tính toán sang các mảng lưu trữ quy mô lớn. Trong thực tế, chúng được chọn và kết hợp tùy theo nơi dữ liệu của tải cư trú (bên trong thiết bị hay luồng bên ngoài).
Phân loại này quan trọng vì đặt tính toán ở đâu chính là quyết định lượng di chuyển dữ liệu. Nếu, như ở CSD, đơn vị tính toán là một thể với phương tiện thì dữ liệu không đi một bước nào ra khỏi ổ đĩa, trong khi đơn vị tính toán tách rời phương tiện như CSP phải kéo dữ liệu vào trước, để lại chừng ấy di chuyển. Vì vậy CSD có lợi khi xử lý lặp lại dữ liệu cư trú trên chính thiết bị, còn CSP khi xử lý tổng quát các luồng chảy đến từ nhiều nguồn. CSA kết hợp cả hai ở mức mảng, cho phép thiết kế phân tán mở rộng dung lượng và tính toán tuyến tính cùng lúc.
B. Cách hiện thực động cơ tính toán — cố định và khả lập trình
Dùng gì để hiện thực tài nguyên tính toán đặt trong thiết bị lưu trữ cũng là một nhánh quan trọng. Động cơ chức năng cố định (Fixed) nung các phép thường dùng như nén, mã hóa, khử trùng lặp vào khối phần cứng chuyên dụng để đạt hiệu suất tối cao nhưng không có tính linh hoạt. Động cơ khả lập trình lại chia làm hai: loại dựa trên FPGA có thể tái cấu hình mạch để chứa logic tăng tốc đa dạng, như Samsung SmartSSD áp dụng, còn loại dựa trên CPU nhúng (chủ yếu ARM) có thể chạy môi trường đa dụng như Linux bên trong thiết bị lưu trữ để thực thi chương trình thông thường, như NGD Newport lựa chọn. Thế mạnh của loại trước là hiệu năng và hiệu suất điện năng, của loại sau là tính đa dụng và sự thuận tiện phát triển. Lựa chọn này tạo nên sự đánh đổi điển hình "hiệu suất đối lại tính linh hoạt".
Một ràng buộc dễ bị bỏ sót ở đây là ngân sách điện năng và nhiệt. Mức tiêu thụ điện của một SSD NVMe thông thường dao động khoảng vài đến vài chục W mỗi ổ tùy hệ số hình thức, và ngân sách này vốn dành cho bộ điều khiển flash và hoạt động NAND. Động cơ tính toán phải chia sẻ điện năng trong ngân sách hạn chế này, nên không thể kỳ vọng phép tính hiệu năng cao như CPU máy chủ dùng vài chục đến vài trăm W. Lý do loại FPGA trội về hiệu năng trên mỗi watt ở các nhân cụ thể chính là do ràng buộc này, còn loại ARM đa dụng thì linh hoạt nhưng thua về hiệu năng tuyệt đối. Rốt cuộc, việc chọn cách hiện thực là câu trả lời cho câu hỏi "phép nào, với ngân sách điện năng nào, và thay đổi thường xuyên đến đâu."
C. Thành phần cốt lõi — CSE, CSEE, CSF, bộ nhớ thiết bị
Mô hình SNIA phân rã nội bộ thiết bị thành vài khối tiêu chuẩn. CSE (Computational Storage Engine) là chính tài nguyên xử lý thực hiện phép tính — FPGA, lõi ARM hay ASIC chuyên dụng thuộc về đây. Môi trường thực thi nơi phép tính chạy trên CSE được gọi là CSEE (Computational Storage Engine Environment), cung cấp nền tảng để nạp và thực thi hàm, như hệ điều hành nhúng hay bộ nạp bitstream FPGA. Một đơn vị công việc được thực hiện trên đó là CSF (Computational Storage Function), nơi các phép cụ thể như nén, tìm kiếm, mã hóa được định nghĩa thành CSF rồi tải xuống từ máy chủ hoặc nạp sẵn.
Phép tính cần không gian làm việc nên thiết bị có bộ nhớ riêng. Vùng mà máy chủ trao đổi đầu vào đầu ra của phép tính là FDM (Function Data Memory), và phần của nó được cấp riêng cho một CSF cụ thể gọi là AFDM (Allocated Function Data Memory). Máy chủ chuyển dữ liệu từ phương tiện lưu trữ vào FDM, thực thi CSF, rồi đọc lại kết quả từ FDM. Nhờ tách động cơ (CSE), môi trường thực thi (CSEE), hàm (CSF) và bộ nhớ làm việc (FDM/AFDM) thành thuật ngữ tiêu chuẩn như vậy, phần mềm máy chủ có thể xử lý thiết bị bằng cùng một mô hình kể cả khi khác nhà cung cấp. Đây là khác biệt quyết định tách lưu trữ tính toán hôm nay khỏi nghiên cứu lưu trữ thông minh phân mảnh trong quá khứ.
D. Luồng hoạt động giảm tải và mô hình lập trình
Quá trình lưu trữ tính toán thực sự xử lý công việc có thể tóm tắt là "máy chủ gửi hàm xuống và thiết bị thực thi ngay bên cạnh dữ liệu." Sơ đồ quy trình dưới đây cho thấy luồng khi một phép quét bảng dung lượng lớn được ủy thác (giảm tải) cho lưu trữ tính toán.
flowchart TB
P1["Máy chủ: nhận diện phép tập trung dữ liệu(vd quét WHERE)"]
P2["Tải/kích hoạt CSF xuống thiết bị"]
P3["Tác tử máy chủ phát yêu cầu tính toán(chỉ định vùng đích)"]
P4["Động cơ tính toán đọc trực tiếp dữ liệu phương tiện và lọc"]
P5["Nạp kết quả vào bộ nhớ thiết bị(FDM)"]
P6["Chỉ trả về máy chủ kết quả nhỏ khớp điều kiện"]
P1 --> P2 --> P3 --> P4 --> P5 --> P6
Mấu chốt là các bước 4–6. Bảng gốc khổng lồ không rời khỏi thiết bị lưu trữ; động cơ tính toán đọc trực tiếp từ NAND và đánh giá điều kiện, nên lượng truyền PCIe giảm mạnh. Cái quay về máy chủ chỉ là số ít hàng khớp điều kiện. Việc tải CSF ở bước 2, làm một lần, được tái sử dụng nhiều lần nên sinh lợi vượt chi phí ban đầu. Để điều này khả thi cần giao diện tiêu chuẩn, nên SNIA đã định nghĩa riêng Computational Storage API v1.0 nối ứng dụng và CSx, và phía NVMe cũng chuẩn bị đặc tả tập lệnh Computational Programs biểu diễn phép tính thành lệnh để chuẩn hóa việc điều khiển thiết bị.
Cách gửi logic tính toán xuống thiết bị một cách an toàn cũng là yếu tố thiết kế quan trọng. Chạy một tệp nhị phân tùy ý trực tiếp trên thiết bị mang rủi ro cao làm hỏng thiết bị và rò rỉ dữ liệu, nên nghiên cứu gần đây dùng các mô hình thực thi hộp cát như eBPF hoặc WebAssembly (Wasm) làm phương tiện giảm tải. eBPF cung cấp mô hình bộ kiểm chứng chạy an toàn các chương trình nhỏ đã được xác minh trong nhân, còn Wasm cung cấp mã byte di động cao và thực thi cô lập, mỗi cái mở một con đường để nạp và thực thi an toàn cùng một logic tính toán kể cả qua các nhà cung cấp thiết bị khác nhau. Điều này cho thấy lưu trữ tính toán đang tiến hóa vượt qua tăng tốc phần cứng đơn thuần thành nền tảng giảm tải đa dụng có bảo mật nội tại.
3. So sánh các loại và trường hợp ứng dụng
Dù cùng là lưu trữ tính toán, cách hiện thực và tải mục tiêu vẫn khác nhau. Bảng dưới đây so sánh các cách tiếp cận tiêu biểu, với lý do của mỗi lựa chọn được giải thích bằng văn xuôi ở sau.
| Phân loại | Tài nguyên tính toán | Dùng chính | Thế mạnh | Trường hợp tiêu biểu |
|---|---|---|---|---|
| CSD cố định | khối HW chuyên dụng | nén/mã hóa trong suốt | hiệu suất tối cao, tích hợp liền mạch | ScaleFlux CSD |
| CSD FPGA | logic tái cấu hình | quét DB, chuyển mã video | tăng tốc linh hoạt, hiệu năng cao | Samsung SmartSSD |
| CSD ARM | CPU nhúng | tiền xử lý đa dụng, AI | tính đa dụng, thuận tiện phát triển | NGD Newport |
| CSP | bộ tăng tốc gắn ngoài | xử lý luồng | mở rộng tách khỏi phương tiện | Eideticom NoLoad |
Lý do loại FPGA nhắm vào quét cơ sở dữ liệu là vì truy vấn phân tích là tác vụ tập trung dữ liệu điển hình quét qua lượng dữ liệu khổng lồ để rút ra số ít. Trong các phép đo chuẩn của Samsung và các nhà cung cấp cơ sở dữ liệu, việc giảm tải quét và lọc xuống SmartSSD được báo cáo làm giảm mạnh thời gian xử lý của một số truy vấn, đồng thời hạ cả mức chiếm dụng CPU máy chủ lẫn mức tiêu thụ điện. Ngược lại, loại cố định như ScaleFlux tập trung vào nén trong suốt là vì nén áp dụng phổ quát cho mọi lần ghi khối, nên nung nó vào mạch chuyên dụng cho hiệu năng, hiệu suất điện năng và độ tin cậy tốt nhất và hoàn toàn không cần sửa ứng dụng. Nghĩa là cách hiện thực tối ưu phân nhánh tùy theo tải là "phép biến đổi thay đổi theo từng truy vấn" hay "phép cố định luôn được áp dụng."
Nhìn hiệu quả một cách cụ thể, CSD nén trong suốt đạt mở rộng dung lượng hiệu dụng khoảng 2–4 lần tùy đặc tính dữ liệu, cùng với kéo dài tuổi thọ flash nhờ giảm lượng ghi, cùng một lúc. Vì nén/giải nén được xử lý ở tốc độ đường truyền bên trong thiết bị, máy chủ không cần ý thức việc nén có xảy ra hay không. Trong giảm tải quét cơ sở dữ liệu, lượng dữ liệu đi lên qua PCIe co lại tỷ lệ với độ chọn lọc (Selectivity), nên một truy vấn có độ chọn lọc 1% về lý thuyết giảm lưu lượng bus xuống khoảng 1/100, tiết kiệm trọn các chu kỳ mà CPU máy chủ đã tiêu cho giải mã và so sánh. Các điểm ứng dụng chính khác gồm nén/chuyển mã thời gian thực của log và video dung lượng lớn, giảm tải tính toán chẵn lẻ mã xóa (Erasure Coding) trong hệ thống tệp phân tán, và tiền xử lý dữ liệu (giải mã, đổi kích thước) trước huấn luyện AI, tất cả chia sẻ nguyên lý "lượng phải gửi ra càng nhỏ so với lượng đã đọc thì lợi ích càng lớn."
4. So sánh với các khái niệm tương tự
Trong dòng chảy lớn của điện toán hướng dữ liệu, lưu trữ tính toán thường bị nhầm với PIM và cơ sở dữ liệu trong bộ nhớ, nên cần làm rõ ranh giới. PIM (Processing-in-Memory) đặt đơn vị tính toán bên trong bộ nhớ dễ bay hơi (DRAM) để nhắm vào nút thắt băng thông bộ nhớ (Memory Wall), trong khi lưu trữ tính toán đặt đơn vị tính toán trong lưu trữ không bay hơi (SSD) để nhắm vào nút thắt di chuyển dữ liệu giữa lưu trữ và máy chủ. Hai cái chỉ hoạt động ở các tầng khác nhau trong khi chia sẻ triết lý "tính toán ngay bên cạnh dữ liệu," và có thể hoạt động bổ sung cho nhau trên toàn bộ phân cấp bộ nhớ.
Cơ sở dữ liệu trong bộ nhớ là cách tiếp cận nạp toàn bộ dữ liệu vào DRAM để loại bỏ độ trễ truy cập nhưng có giới hạn dung lượng và chi phí rõ ràng, trong khi lưu trữ tính toán giữ dữ liệu dung lượng lớn trên flash rẻ và lọc giai đoạn đầu ngay tại chỗ để giảm chính lượng cần đưa lên tầng trên. Ngoài ra, trong khi nghiên cứu Active Disk và lưu trữ thông minh trước đây dừng ở môi trường chuyên dụng, lưu trữ tính toán hôm nay tích hợp với hệ sinh thái máy chủ trên các tiêu chuẩn mở như NVMe, SNIA và Wasm, nâng cao đáng kể khả năng áp dụng tức thì và tính di động.
Quan hệ với SmartNIC/DPU cũng đáng lưu ý. Nếu DPU giảm tải di chuyển dữ liệu, bảo mật và ảo hóa trên đường mạng, thì lưu trữ tính toán giảm tải xử lý dữ liệu trên đường lưu trữ. Cả hai cùng mạch "giảm tải hạ tầng" giải phóng CPU máy chủ khỏi gánh nặng xử lý dữ liệu, và trong trung tâm dữ liệu DPU, lưu trữ tính toán và PIM hội tụ theo hướng mỗi cái chia một đường để tập trung máy chủ vào logic ứng dụng. Vậy nên lưu trữ tính toán nên được hiểu không phải là công nghệ độc lập mà là một trục cấu thành hạ tầng hướng dữ liệu. Bảng dưới đây tóm tắt mỗi công nghệ điện toán hướng dữ liệu nhắm vào nút thắt nào ở tầng nào.
| Công nghệ | Vị trí tính toán | Nút thắt nhắm tới | Tính chất dữ liệu |
|---|---|---|---|
| PIM | bên trong DRAM(bộ nhớ dễ bay hơi) | băng thông bộ nhớ(Memory Wall) | tập làm việc đang hoạt động |
| Lưu trữ tính toán | bên trong/gần SSD(không bay hơi) | di chuyển dữ liệu lưu trữ-máy chủ | dữ liệu bền dung lượng lớn |
| CSDL trong bộ nhớ | DRAM máy chủ | độ trễ truy cập đĩa | quy mô nạp được vào DRAM |
| DPU/SmartNIC | đường mạng | I/O mạng, phí tổn ảo hóa | gói/luồng đang chảy |
Như bảng cho thấy, bốn công nghệ không ở quan hệ cạnh tranh mà ở quan hệ bổ sung chia nhau các nút thắt của các tầng khác nhau. Do đó, trong thiết kế hạ tầng thực tế, nên chẩn đoán trước xem nút thắt của tải là băng thông bộ nhớ, di chuyển lưu trữ hay mạng, rồi kết hợp các công nghệ giảm tải phù hợp.
5. Chuyên sâu — xu hướng tiêu chuẩn hóa và chiến lược áp dụng thực tế
Tiêu chuẩn hóa phần mềm và giao diện có tính quyết định trong việc lưu trữ tính toán vượt khỏi phòng thí nghiệm để thành tiêu chuẩn công nghiệp. Đó là vì dù phần cứng nhanh đến đâu, nó sẽ không được chấp nhận nếu lập trình viên không thể dùng dễ dàng với các mô hình lập trình hiện có. SNIA đã chính thức phê duyệt Computational Storage Architecture and Programming Model v1.0 năm 2022, thiết lập các thuật ngữ chung và mô hình vai trò như CSx, CSD, CSP, CSA và CSF, rồi phát hành Computational Storage API v1.0 cho việc tích hợp ứng dụng. Phía NVMe đang lấp tầng điều khiển thiết bị qua đặc tả Computational Programs biểu diễn phép tính thành lệnh tiêu chuẩn. Khi ba tiêu chuẩn của các tầng khác nhau khớp vào nhau như vậy, hệ sinh thái từng phân mảnh theo nhà cung cấp đang hội tụ. Ngăn xếp tiêu chuẩn chia vai trò như sau.
- Mô hình thiết bị và lập trình (SNIA Architecture & Programming Model): tiêu chuẩn khái niệm định nghĩa cấu trúc và vai trò thiết bị như CSx, CSD, CSP, CSA, CSE, CSF và FDM. Nó cung cấp từ vựng chung trung lập với nhà cung cấp.
- Giao diện lệnh (NVMe Computational Programs): chuẩn hóa việc nạp, thực thi và trả kết quả của chương trình tính toán thành lệnh NVMe, điều khiển thiết bị trên nền trình điều khiển và mô hình hàng đợi NVMe hiện có.
- API lập trình (SNIA Computational Storage API): định nghĩa quy ước gọi mà ứng dụng dùng để khám phá, tải, thực thi một CSF và xử lý FDM, bảo đảm tính di động của phần mềm lớp trên.
Chỉ khi cả ba tầng này đều khớp thì "logic tăng tốc viết một lần mới chạy được trên thiết bị của nhiều nhà cung cấp," và nếu không, sẽ nảy sinh sự lệ thuộc (lock-in) vào một thiết bị cụ thể.
Khi áp dụng thực tế, xác định mức phù hợp của tải là điểm xuất phát. Lưu trữ tính toán thu được nhiều ở các tác vụ nơi "kết quả co nhỏ đột ngột so với dữ liệu đã đọc (tỷ lệ giảm lớn)" — tức quét, lọc, tổng hợp và nén — và ngược lại không phù hợp với tác vụ hầu như không giảm dữ liệu mà lặp lại phép tính phức tạp. Ngoài ra, vì tài nguyên tính toán bên trong thiết bị lưu trữ thấp hơn CPU máy chủ về hiệu năng, thiết kế đường phân công "cái gì ở thiết bị, cái gì ở máy chủ" là chìa khóa của hiệu năng. Gần đây, các dự án mở của Linux Foundation và các nhà cung cấp CSD đang hạ gánh nặng tích hợp bằng cách cung cấp runtime và trình điều khiển chung, và các nỗ lực phơi bày lưu trữ tính toán như một tài nguyên trong môi trường Kubernetes cũng đang tiếp tục.
Giá trị ứng dụng của nó nổi bật đặc biệt ở lĩnh vực biên và AI. Môi trường biên bị giới hạn cả băng thông mạng lẫn điện năng, nên thực hiện suy luận, tóm tắt và phát hiện bất thường bên trong thiết bị lưu trữ trước khi gửi dữ liệu cảm biến/video về trung tâm có thể giảm đồng thời cả lượng dữ liệu phải đưa lên lẫn điện năng tiêu thụ. Cấu hình nơi một CSD lõi ARM chạy một mô hình nhẹ bên trong thiết bị lưu trữ để hoàn tất phân loại giai đoạn đầu là tiêu biểu. Trong cả đường ống huấn luyện AI, đẩy tiền xử lý — giải mã, đổi kích thước, chuẩn hóa hàng chục đến hàng trăm terabyte dữ liệu thô — xuống thiết bị lưu trữ có thể làm dịu nút thắt đầu vào (Input Bottleneck) nơi GPU nhàn rỗi chờ nạp dữ liệu. Tuy nhiên, để thực sự gặt hái các hiệu quả này, cả ba tầng của ngăn xếp tiêu chuẩn — mô hình thiết bị (SNIA), giao diện lệnh (NVMe), API lập trình (SNIA CS API) — phải khớp nhau, và đây trở thành hạng mục kiểm tra cốt lõi cho việc chọn nhà cung cấp và thiết kế kiến trúc.
Xét từ góc độ trong nước (Hàn Quốc) ý nghĩa cũng rất lớn. Vì Samsung Electronics và SK hynix dẫn đầu thị trường bộ nhớ/lưu trữ toàn cầu, lưu trữ tính toán trở thành công nghệ chiến lược để chuyển dịch vượt khỏi cung cấp phương tiện lưu trữ đơn thuần sang giải pháp giá trị gia tăng cao. Việc Samsung nhắm vào tăng tốc cơ sở dữ liệu/phân tích bằng SmartSSD kết hợp FPGA, và ngành bộ nhớ đưa lưu trữ tính toán vào lộ trình "điện toán lấy bộ nhớ làm trung tâm" cùng với PIM và CXL, là phần mở rộng của chiến lược như vậy. Trong bài làm của Kỹ sư chuyên nghiệp, dựa trên điểm này, một luận điểm định vị lưu trữ tính toán không như công nghệ thiết bị riêng lẻ mà như giao điểm của việc tái cấu trúc kiến trúc trung tâm dữ liệu và việc nâng cao ngành bán dẫn trong nước mang sức thuyết phục.
6. Cân nhắc và hàm ý (góc nhìn Kỹ sư chuyên nghiệp)
Lưu trữ tính toán không phải công nghệ "đẩy mọi phép tính xuống thiết bị lưu trữ," mà là phương tiện tối ưu hóa có chọn lọc nhằm nâng hiệu quả toàn hệ thống bằng cách giảm di chuyển dữ liệu. Do đó, quyết định áp dụng nên được đưa ra từ góc nhìn tổng hợp cân nhắc cùng nhau chiến lược áp dụng, các đánh đổi, tiêu chuẩn, bảo mật và vận hành, chứ không từ một con số hiệu năng đơn lẻ.
- Chiến lược áp dụng — giảm tải có chọn lọc và thiết kế phân công: Lưu trữ tính toán chỉ thu được nhiều ở các đoạn tập trung với tỷ lệ giảm dữ liệu cao. Phải lập hồ sơ truy vấn/đường ống để chỉ giao cho thiết bị các nhân làm giảm lưu lượng bus như quét, lọc, nén, và thiết kế phân công dị cấu nơi CPU/GPU máy chủ đảm nhiệm phép tính phức tạp, lặp lại. Cân nhắc tỷ lệ giảm cùng với hiệu năng tính toán của thiết bị là tiêu chí thực tế.
- Đánh đổi — hiệu năng, điện năng, độ phức tạp: Tài nguyên tính toán bên trong thiết bị lưu trữ thấp hơn máy chủ về năng lực xử lý, và ngân sách nhiệt/điện (thường vài đến vài chục W mỗi ổ) cũng bị giới hạn. Phóng to logic tính toán có thể làm giảm tài nguyên dành cho điều khiển phương tiện và độ bền, và cách khả lập trình thì linh hoạt nhưng cao về độ phức tạp phát triển và kiểm chứng. Định ranh giới xử lý đến đâu bên trong thiết bị là bài toán khó cốt lõi của thiết kế.
- Sự lệ thuộc vào tiêu chuẩn và hệ sinh thái: Để hiệu năng phần cứng chuyển thành hiệu năng dùng thực, tiêu chuẩn SNIA/NVMe và sự hỗ trợ của trình biên dịch/runtime/trình điều khiển là thiết yếu. Nếu tiêu chuẩn thiếu, phân mảnh theo nhà cung cấp hạ tính di động và tăng rủi ro lệ thuộc (lock-in), nên sự khớp với các tiêu chuẩn mở (SNIA, NVMe, Wasm) nên được đặt làm tiêu chí ưu tiên của quyết định áp dụng.
- Bảo mật và độ tin cậy: Vì mã do máy chủ gửi xuống được thực thi bên trong thiết bị, có rủi ro mã độc hại hay lỗi làm hỏng thiết bị lưu trữ hoặc rò rỉ dữ liệu. Cần cô lập hộp cát như eBPF/Wasm, ký và xác minh mã, cùng cơ chế bảo đảm tính toàn vẹn của kết quả tính toán, và chính sách quản lý khóa khi giải mã dữ liệu mã hóa bên trong thiết bị cũng phải được thiết kế cùng.
- Vận hành và khả quan sát (Observability): Vì phép tính diễn ra "vô hình" bên trong thiết bị, truy vết nguyên nhân suy giảm hiệu năng hay lỗi khó hơn so với dạng tập trung. Phải có cả hệ thống giám sát phơi bày một cách tiêu chuẩn thông lượng, độ trễ, điện năng theo từng CSF và trạng thái hàng đợi thiết bị, lẫn chiến lược vận hành quản lý nhất quán firmware thiết bị và phiên bản CSF, mới vận hành được đáng tin cậy trong môi trường thực.
- Triển vọng — tái cấu trúc hướng hạ tầng lấy dữ liệu làm trung tâm: Trọng lực dữ liệu (Data Gravity) càng lớn thì dòng chảy "gửi tính toán về phía dữ liệu" được dự báo càng mạnh. Lưu trữ tính toán sẽ tiến hóa, kết hợp với PIM, CXL và SmartNIC (DPU), thành hạ tầng tăng tốc dị cấu lấy tối thiểu hóa di chuyển dữ liệu (data-centric computing) làm trục, và nhiều khả năng xác lập vị thế như phương tiện cốt lõi hạ sự lệ thuộc vào CPU máy chủ trong các đường ống dữ liệu AI, phân tích quy mô lớn và môi trường biên.
Tài liệu tham khảo
- 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
Tóm tắt một câu: Lưu trữ tính toán là kiến trúc hướng dữ liệu đặt tài nguyên tính toán bên trong hoặc gần SSD để hoàn tất xử lý giai đoạn đầu như lọc, nén, mã hóa ngay trong thiết bị mà không di chuyển toàn bộ dữ liệu lên máy chủ, giảm nút thắt di chuyển dữ liệu và tải máy chủ; trên nền tiêu chuẩn SNIA/NVMe, thành bại của nó phụ thuộc vào thiết kế phân công dị cấu giảm tải có chọn lọc các phép tập trung có tỷ lệ giảm cao, và vào việc bảo đảm bảo mật cùng hệ sinh thái.