一文读懂:下一代企业级SSD外形规格演进及趋势

哈喽,大家好哈,我是老猫。

今天我们来跟大家聊聊企业级SSD

目前,U.2和M.2接口是数据中心企业级NVMe SSD的主要产品形态。

图片

其中,M.2在1U服务器上使用比较多,而2.5英寸的U.2则在2U服务器上广泛使用,因其可以与原有机械硬盘混合使用,从而具有兼容性强、灵活度高的优势。

但随着国内外服务器形态的规划,数据量的增长速度,性能需求越来越高以及其它长远发展来看,现有的SSD外形规格存在着一些挑战。

为了解决以上挑战,企业与数据中心的固态硬盘外形规格EDSFF规范应运而生,今天我们就来聊聊EDSFF规范和下一代企业级SSD外形规格演进及趋势。

▉ 到底什么是EDSFF?
 
首先,我们来看一下EDSFF的全称:Enterprise & Data Center SSD Form Factor,直接翻译过来就是企业和数据中心固态硬盘规格。
EDSFF基于英特尔以前的Ruler固态硬盘标准,并由Dell、HP、联想等15家公司共同制定,旨在探索行业需求,并设计出一套新的外形尺寸,满足未来企业架构的要求。现在由SNIA作为SFF技术附属技术工作组(SFF TA TWG)的一部分进行维护。
 

图片

EDSFF提供了一系列动态的SSD外形尺寸,与现有的固态硬盘外形尺寸相比,其在容量、可扩展性、性能、可维护性、可管理性、散热和电源管理方面具有优势。
得益于此,今天所有的EDSFF的外形尺寸都共享相同的协议(NVMe)、相同的接口(PCIe)、相同的边缘连接器(SFF-TA-1002)、相同的引脚排列和功能(SFF-TA-1009)。
▉ 为什么需要EDSFF?
 

看到EDSFF的各种规格,有不少小伙伴都会疑问,U.2或M.2规格的SSD,不是已经在企业级市场得到了广泛验证,为什么要出新的规格呢?

其实,并不是说现有的U.2或M.2外形尺寸已经过时,而是由于服务器技术正在快速发展,必须确保服务器上的每一个硬件,都能满足未来的企业架构要求。

我们知道,今天看到的2.5英寸硬盘外形尺寸是1988年由PrairieTek推出的标准,已经存在多年,并逐渐成为机械硬盘流行的外形规格,并被用在笔记本电脑甚至服务器中。

图片

由于目前2.5英寸外型尺寸并不是专为SSD而设计,这就在当前的使用中带来了诸多问题。

比如,现有2.5英寸SSD的功耗上限是25W,随着现在各种用例对性能的需求越来越高,这样的功率限制急需打破。M.2也遇到了散热方面的挑战,同时 M.2 NVMe固态硬盘也不能热插拔,因为连接器不是为热插拔设计的。

此外,随着物联网和IIoT技术(如边缘计算、机器对机器通信、连续实时视频/音频捕获)的发展,再加上更快的通信协议和更强大的接口(5G、WiFi和GPON),基于传统硬盘格式的存储介质在技术上,难以跟上新的服务器需求以及基于PCIe 5和PCIe 6技术的未来服务器发展步伐。

因此,业界需要一个新的标准,于是一个名叫企业和数据中心标准外形尺寸(EDSFF)的工作组成立,下面就让我们进入E1和E3 EDSFF标准,看看服务器将进入怎样一个时代。

▉ 企业级SSD未来规格和趋势


未来满足企业级市场的需求,EDSFF针对下一代企业和数据中心打造了全新的SSD设计规范,不仅可以在1U服务器上实现PB级的存储能力,更可在2U服务器上获得更加极致的存储性能。
 

图片

目前,EDSFF分为E1和E3两大系列每个系列又都分为Short和Long两个版本,并按照不同的厚度和散热配置划分出不同型号,汇总如下:EDSFF提供了一系列企业和数据中心固态硬盘外形尺寸标准,以最大程度适配1U/2U服务器,概览如下:

图片

可以看到,EDSFF SSD在常见的20W、25W功率版本的基础上,增加了40W和70W版本,同时,其PCIe Lane数量也在x4的基础上,增加了x8和x16,这些都为企业级SSD实现更高的读写性能打下基础。

接口方面,EDSFF E1、E3使用了相同的金手指,在有着更高信号质量的同时,兼容性也能得到保证。新的服务器背板连接器尺寸更小,可起到简化服务器内部设计,优化风道,增加服务器散热气流的目的。

E1.S:M.2形态的未来演进方向

我们都知道,M.2主要是为笔记本电脑使用,3.3V电源供电的情况下,最大功率会受到限制,功耗达到8-12W通常都需要散热器。M.2的外形规格用在1U服务器上会面临很多挑战:

比如,在散热方面,PCIe固态硬盘需要很大的散热器,其次不支持热插拔,因为连接器并不是为热插拔设计的,另外难以对固定安装的硬盘进行维护;再次,针对1U机架(1U=4.445厘米,M2宽2.2厘米)的空间利用率也不太理想。

E1.S形态在数据中心1U服务器的使用上体现出巨大的优势,具有尺寸小、部署灵活、可方便扩展等特性。

图片

按照厚度和可配置的运行功率不同,E1.S共分为5个版本,对于20W以下的卡,可以使用9.5mm厚度的对称外壳/散热片;对于更高功率的应用,则设计了一个不对称的散热器,厚度达到25mm,并允许25W。9.5mm的对称外壳对于大多数SSD用例来说是足够的;25mm非对称外壳+散热器更适合于非固态硬盘设备;对于更注重高性能的应用场景,15mm和25mm厚度的E1.S是更为理想的选择。

E1.S让企业级NVMe SSD的体积得到大幅缩减,并允许我们在1U服务器中部署更多的硬盘。通常,我们可以在1U服务器的前面板中部署10块U.2或U.3的2.5英寸盘,而在采用9.5mm的E1.S之后,部署数量可以达到32块。

E1.L:完成历史过渡使命

E1.L是E1.S的"加长长长"版本,其设计初衷是打造一款1U服务器可以使用的大容量固态硬盘,主要用于数据中心的冷数据存储。早在2020年,就有基于E1.L的32TB SSD出现,结合1U服务器32盘的部署数量,使得PB/U的存储密度成为现实(即单个1U服务器实现1PB存储容量)。

图片

但容量增大的同时,E1.L也给服务器厂商带来了一些挑战。它实在太长了,318.75mm/12.5英寸的长度会侵占三分之一甚至更多服务器内部空间,而通常服务器的深度只有大约30-36英寸,要求服务器厂商不得不针对E1.L,对服务器进行重新设计。

说实话,E1.L更被看作是一个过渡产品,如今已经完成了其使命。

E3:U.2形态到终极的演进

EDSFF E3是下一代企业级SSD中,尺寸比较接近2.5英寸盘的版本。它分为E3.S和E3.L两个系列,每个系列又分为"1T"和"2T"厚度版本(T代表Thickness).

目前来看,E3在数据中心1U服务器的使用上体现出巨大的优势,其空间利用率更高,可维护性更强,且散热方面更好。

图片

而且E3中尺寸比较接近U.2/U.3 2.5英寸盘的版本,二者可以共享一个机箱。目前已经有服务器厂商推出了E3的服务器产品,它既可以使用E3.S,也可以使用SAS、SATA、NVMe的2.5英寸盘,实现不同类型硬盘的混合部署。

目前,在新一代的PowerEdge服务器(包括AMD/英特尔平台)上,我们也已经能看到E3 SSD的身影。以新一代的PowerEdge R660为例,获得E3 SSD支持后,存储容量最高可达245TB,足足提升60%。

图片

另外,一些服务器厂商也在探索基于E3的新型设备,如GPU、FPGA、NIC等。在存储之外,EDSFF E3也将为企业级应用带来更多可能。

可以说,EDSFF是对现有SSD的一次革新,更让我们对未来的企业级存储市场充满期待!

▉ 总结


目前,EDSFF的外形尺寸都共享相同的协议(NVMe)、相同的接口(PCIe)、相同的边缘连接器(SFF-TA-1002)、相同的引脚排列和功能(SFF-TA-1009)。

PCIe5.0后,U.2和M.2可支持的带宽和性能以及电气特性上已经很难达到要求了,切换到E1.S和E3.S是必然趋势。

E1.S是EDSFF标准演进中的最佳选择,它以宽度换长度,共享相同的PCB;为足够满足PCIe Gen5及以上的固态硬盘散热能力,9.5mm、15mm会成为主流选择。

E3.S形态与U.2形态接近,传统的服务器结构更容易兼容设计,可自然过渡到E3形态。E3的额外高度可使用x8、x16的连接器,能提供更多的通道从而支持更大的带宽。2U可以容纳更多的E3.S/1T薄盘数量,密度可以进一步提升。厚盘可以满足更大功耗的要求。

END

  • 10
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Yolov5 是一种广泛应用于目标检测的算法,其 loss 原理相对简单。Yolov5 通过将目标检测问题转化为一个回归问题,通过预测 bounding box 的坐标来实现目标检测。 Yolov5 的 loss 主要包括三个部分:分类损失、定位损失和目标置信度损失。 分类损失是用来衡量预测的类别与真实类别之间的差异。Yolov5 使用交叉熵损失函数来计算分类损失。对于每个边界框(bounding box),它将计算预测类别的 softmax 概率与真实类别的 one-hot 向量之间的交叉熵。 定位损失用于衡量预测的边界框位置与真实边界框位置之间的差异。Yolov5 使用 Smooth L1 损失函数来计算定位损失。它通过对预测边界框的坐标与真实边界框的坐标之间进行平滑处理,减小了异常值的影响。 目标置信度损失用于衡量预测的边界框与真实边界框之间的 IoU(Intersection over Union)之间的差异。Yolov5 使用 Binary Cross-Entropy 损失函数来计算目标置信度损失。它将预测的边界框是否包含目标与真实边界框是否包含目标之间的差异进行衡量。 最终,Yolov5 的总损失是通过将三个部分的损失加权求和得到的。这些权重可以根据具体的任务和数据集进行调整。 通过最小化 Yolov5 的 loss 函数,模型可以学习到更准确的目标检测结果。这样,我们就可以在图像中准确地检测和定位不同类别的目标。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值