慧榮旗下 Bigtera 推出進化版 SDS 方案， 完美迎合 HPC、AI 科研創新需求

隨著 COVID-19 疫情延燒，甫奪得 TOP500 排行榜冠軍的日本富岳超級電腦，馬上就為醫學專家效勞，憑藉龐大運算力、分析巨量數據，加速執行 COVID-19 的新藥與疫苗開發作業；不可諱言，在高速運算的同時，幾乎容不下任何 I/O 瓶頸，換言之高效儲存設備，絕對是科研計畫中不可或缺的一環。

無獨有偶，臺灣也有來自生醫、製造自動化、安全監控⋯等等許多科研計畫正在執行，除講求豐沛 AI 運算力外， 也對高效儲存系統需求若渴；使得由慧榮科技旗下Bigtera所推出專為 PB 級巨量非結構化資料處理而設計的 VirtualStor Scaler 8.0 軟體定義儲存（SDS）解決方案，獲得諸多科研機關青睞。

慧榮科技產品企劃部協理陳建安表示，以生醫研究計畫內容為例，往往涉及基因定序， 試想一個人擁有 3 萬∼ 5 萬基因體，相當於 200~300GB 資料量，假使總樣本為 10 萬人， 即形成高達 20PB 巨大儲存容量需求；值得一提的，這些巨量資料並非只需存進儲存設備，還要隨時被取出、執行 AI 運算，所以也需要搭配絕佳的存取速度。

破除儲存孤島，彈性配置區塊、檔案與物件儲存服務

綜觀傳統儲存設備，主要支援 Scale-up 擴充模式，利用同一台控制器，向下串接不斷擴增的硬碟，但往上介接 AI 的這一段，永遠是同一條路，無從拓寬路面、容易形成瓶頸，以致經常陷入「容量增加、效能卻上不去」窘境，且受制於 Vendor Locking 效應，也容易衍生儲存孤島疑慮，凡此種種，都難以滿足科研機關的需求。

反觀奠基於 x86 標準架構的SDS，則採取 Scale - out 擴展路徑，可近乎無限制擴增節點，在增加容量的同時，也同步提升 IOPS、Bandwidth、Throughput，藉此成為支撐高效能運算（HPC）、AI 運算的強力後盾，因而相對易於贏得科研單位的青睞。

尤其以 Bigtera VirtualStor Scaler 而論，不僅如同一般 SDS，皆能自由自在匯聚跨廠牌 x86 資 源，成為一個不受供應商綁定的大型 Pool，更難能可貴的是，可同時提供區塊、檔案及物件等儲存協定，裨益用戶因應多種應用場景需求，根據同一座 Pool 靈活配置 LUN、File System 或 S3 Bucket；以 Bigtera 近年承作的國家級科研機構數據中心案件為例，該用戶便利用 VirtualStor Scaler 同時配置物件、區塊兩種服務，藉由前者滿足生醫研究專案所生成的大量檔案儲存需求， 後者則用於支持 OpenStack 架構的虛擬機運行。

S3-to-S3 無縫遷移，確保服務不中斷

更特別之處，在於 VirtualStor 從 7.0 升級為 8.0 的進化過程，增添了諸多極具亮點的特色， 對於解決科研機關長期面臨的痛點，可望產生立竿見影的助益。比方說科研機關過去在轉換新舊儲存設備時，若要進行兩端 S3 資料遷移，原本的服務必須停機一至數週，導致所有研究工作隨之停頓，堪稱用戶難以忍受之痛；如今受惠於 VirtualStor 8.0 新增的 S3-to-S3 獨家無縫遷移功能，即可在背景執行資料搬遷，既有服務照常運轉、不需停機。

慧榮科技產品企劃部資深經理陳昭斌補充說，一旦啟用 S3-to-S3 功能，讀寫閘道便移入 Bigtera SDS 設備，假設使用者（例如醫師、資料科學家）所欲存取的資料未完成遷移、還在舊設備，便會透過讀寫閘道導向該筆資料的所在地，讀取不成問題，執行中的研究計畫絲毫不受影響。他進一步指出，其實從 7.0 版本開始，已納入 NAS/SAN 無縫移轉機制，如今範圍擴大至物件儲存，至此用戶已能完整顧及資料完整性、 服務不中斷等關鍵需求，又因設備汰舊換新而達到效能倍增效果，對於加速研究專案的執行，可謂如虎添翼。

另一方面，過去用戶透過物件儲存系統存入大量檔案後，經常會面臨檔案搜尋不易的痛點；為此，Bigtera 從去年底開始祭出兩階段補強措施，至今已將難題迎刃而解。在第一階段，Bigtera 巧妙運用 Metadata 機制，詳細對應到每筆資料屬性，如此用戶只要將不同 Metadata 檔案匯出到外部 Elasticsearch引擎，便可精準地 Tag 到想要查找的檔案，大幅提升資料搜尋效率；時至今年中旬，Bigtera 完成第二階調整計畫，直接將 Elasticsearch 內建於 VirtualStor，意謂用戶可進一步省卻 Metadata 匯出程序，讓使用體驗再度優化升級。

IOPS 倍增之餘，還能節省機櫃空間

也許有人好奇，現今有大量公有雲 S3 儲存可供運用，是否意謂不需要在地端斥資佈建大型 SDS 系統？對此陳建安說明，對於科研機關而言，執行 AI 訓練的素材，往往動輒數千萬、甚至上億筆海量檔案，這些檔案經常需要從儲存空間取出， 交由 GPU Server 做標註、計算，之後再回存， 若非最終產出判斷邏輯，否則仍須進進出出無數回合，試想這些海量檔案若放置於公有雲，在雲地之間頻繁來回，勢必衍生巨大的資料傳輸費用，反倒加重總體成本負擔；顯見對於 AI 分析需求繁重的科研機關，在私有雲環境建置大型 SDS Pool 才是正解，至於確定日後使用不到的檔案， 再歸檔至公有雲即可。

論及 VirtualStor Scaler 所能帶給用戶的具體效益，以 Bigtera 參與的國家級科研單位的實例來看，歷經舊換新過程，除了讓 IOPS 性能增長一倍、大幅減少資料查找與傳輸的時間外，在硬體配置上從原本 15 台 4U 節點，縮減到 8 台 4U 節點（掛載 60 顆硬碟），使機櫃佔用空間從 60U 驟降為 32U，連帶降低能耗、冷卻成本，可謂一舉數得。