【從伺服器、超融合平臺到儲存的分解式基礎架構潮流】邁向分解化的資料中心基礎架構

目前在分散式儲存領域掀起的分解化架構應用潮流，對於整個資料中心基礎架構領域而言，可將其看作規模更大的分解化架構潮流的一部分。

事實上，當VAST Data在分散式儲存叢集領域推出分解式架構之前，在超融合基礎架構產品（HCI）領域，以及伺服器領域，就已先一步掀起分解式架構的潮流。

超融合產品的分解式架構

最初的超融合產品，也是屬於非常典型的無共享叢集架構，每一個超融合系統節點，都是含有完整運算與儲存資源、標準化的「積木（Building Block）」機箱單元，之後，再透過Hypervisor與儲存平臺提供的叢集功能，將多臺超融合機箱組成具備高可用性、高擴展能力的叢集，藉此提供建置與擴展上的便利性。但如此一來，也存在著運算與儲存負載互相干擾、資源擴充受到對稱式架構的限制、儲存資源只能供內部使用等問題。

因此，從2016年起，市場上開始出現徹底分解運算與儲存節點的新形態超融合產品，如Dell的PowerFlex、NetApp的HCI、HPE的dHCI等。為了與過去的超融合架構區隔，一些廠商把這種新架構稱為「非聚合式」或「分解式」超融合（Disaggregated HCI）。

到了2020年以後，壟斷超融合市場的兩大軟體平臺——VMware的vSAN與Nutanix的AOS，也陸續支援分解式的部署型態，例如，VMware的HCI Mesh功能，Nutanix提供的純運算節點（Compute Only Node），以及純儲存節點（Storage Only Node）功能等。

超融合平臺的分解式架構

自2020年起，超融合平臺也開始普遍支援分解式架構，不再局限超融合系統最初的「運算與儲存合一」型態。例如，Nutanix便能提供純運算節點（Compute Only Node），以及純儲存節點（Storage Only Node）的配置。圖片來源／Nutanix

在超融合產品品牌位居領先的Dell，也為其主力超融合產品VxRail導入分解式部署型態，提供純運算功能的VxRail dynamic節點。

VMware、Nutanix與Dell等廠商的先後投入，也讓分解式架構成為超融合領域的標準規格之一。

分解式架構的伺服器

比起分散式儲存系統或超融合系統的分解式架構，更徹底的分解式架構應用，是伺服器領域的可組合式基礎架構（Composable Infrastructure），將伺服器基礎架構資源分解為不同類型的資源池，如CPU池、記憶體池、GPU池、儲存池等，彼此透過PCIe或乙太網路互連，然後在系統軟體的管理下，視前端應用程式的需求，從資源池中取出適當的硬體資源組成虛擬伺服器，提供給用戶端使用。

最徹底的分解式應用：可組合式基礎架構伺服器

在當前各式各樣分解式IT基礎架構中，分解層次最深、分解顆粒度最細的一種類型，便是可組合式基礎架構伺服器，上圖中Liqid的Matrix解決方案，是這領域代表性產品，以PCIe交換器為核心，搭配提供儲存空間的儲存機箱，提供GPU、網路卡等資源的擴展機箱，以及標準的通用伺服器，在Liqid Command Center管理平臺下，視需求組合不同資源，提供用戶端使用。圖片來源／Liqid

HPE在2016年推出第1套可組合式基礎架構產品Synergy，陸續又有Attala Systems、Dell、DriveScale、Enfabrica、Fungible、GigaIO、Liqid與WD等廠商，推出這類產品。雖然陸續有廠商退出市場或遭到併購，目前仍有GigaIO、Liqid等活躍於這個領域。

殊途同歸的分解式應用

分散式儲存、超融合系統，與伺服器領域的分解式架構應用，分解的形式與層次各有不同。

分散式儲存與超融合系統的分解式架構，都是將叢集分解為獨立的運算節點與儲存節點，但分解的層次不同。超融合系統是分離上層的Hypervisor主機節點，與底層的儲存叢集節點；而分散式儲存則是將儲存叢集節點，分解為控制器節點與儲存空間節點。

而伺服器領域的可組合式基礎架構，分解的層次則達到元件層級，可將伺服器基礎架構分解為運算模組、儲存裝置與交換器，有些產品還能提供GPU卡、FPGA卡、網路卡、儲存級記憶體裝置等元件的分解。

儘管分解的型態與層次有所差異，然而，無論分散式儲存、超融合、還是伺服器領域，應用分解式架構的概念與目的都是相同的——分解的目的，是為了能夠更靈活的組合應用與擴展，透過對基礎架構資源的「分解與組合」，更靈活地因應IT應用需求。

不過，在實際應用上，伺服器領域的可組合式基礎架構，或許是變革的腳步太大，以及缺乏通用標準等問題，發展至今一直沒有進入主流應用環境。至於超融合系統領域的分解式架構，目前則已成為這個領域的標準應用功能之一。

而我們這次封面故事的主題——分散式儲存領域的分解式架構，我們認為可望乘著AI、機器學習等應用的熱潮，在未來幾年內獲得更廣泛的應用，憑藉分解與重組儲存控制器與儲存空間的靈活性，將能更妥善地適應關鍵應用程式所需的規模、彈性與效能。