对知识的存储和保留是人类文明的基石,可想而知也是所有类型智慧生命的文明的基础。尽管和一般意义的“知识”不太一样,远在人类使用壁画、结绳之前,脱氧核糖核酸DNA和核糖核酸RNA就开始编码记录着从远古到当前生物生命机能的几乎所有讯息,这也是对于“Theory of Evolution”,笔者赞同“进化论”而不赞同“演化论”的译名的原因:生命总是会逐渐完善的。科学/文明亦如是。
绝大多数生命体遗传信息的存储介质:基因。在地球长达40亿年的生命史当中,基因何时出现的还是一个未解之谜。图片来源:Shakiestone,维基百科
以上不算偏题,只有通过NVS(Non-Volatile Storage,非易失性存储)进行知识的积累并保留提供给下一代,生命/科学/文明才可能进化。DNA在环境中就能保存达一百万年(尽管在让人类追溯其起源的时候仍然是杯水车薪),而使用DNA进行数据存储正式近年新兴的一个方向之一。不过,当前存储工业界的目光主要仍然是在NVM(Non-Volatile Memory,非易失性内存)之上,NVS和NVM的区别在哪里?
大意是指:理想情况下地我们想要的是无限大的Memory(内存),但实际上我们必须建立一个“内存”的分级架构,每一层都具有更大的容量,但也具有更慢的存取速度,图片来源:Intel
上面提及的分级架构:快速但容量小的Memory与慢速但容量大的Storage,图片来源:Intel
因此,Memory内存与Storage存储的差别就在于性能与速度,前面提及的基因……目前来看性能显然是很有问题的,描述为NVS不成问题。因此,业界所希望看到的NVM非易失性内存,也就是能具有当前的Memory的高性能,并具有Storage所具有的非易失性。
什么是NVM?凡是使用了NVM的都叫NVM……因此,其实际上也包含了一般被归类为Storage的传统SSD,来源:SNIA,SNIA(Storage Networking Industry Association,中文大致为存储网络工业协会)成员包括了存储业界的各大厂商
可见,上面两个图片的说法略有差别,SNIA意义下的NVM实际上包含了一般被归类为Storage的传统SSD,因此NVM这个术语尽管用的比较多,但用来填补Memory和Storage之间的空隙的这个设备通常使用一个新的术语:SCM(Storage Class Memory,存储类内存),相关的还有:PM(Persistant Memory,持久化内存),它们是什么?
SCM(Storage Class Memory)的定义,大概是由2008/2009年左右的IBM提出,来源:IBM, HotChip 22,2010
按照IBM的定义,SCM是非易失性的(因此它属于NVM),并且具有类似DRAM的性能和DISK的成本,因此,总的来说,它属于NVM当中略偏向内存的那一部分,尽管SCM模糊了Memory和Storage的区别。
SCM的起源主要是其时为了寻找比当时所用的NAND Flash要速度更快、成本更低、能源效率更高而发展的一系列新型存储技术的统称,包括了如今为人熟知的RRAM、PCM、MRAM等等等等技术,这个要求导致了SCM可以填补Memory和Storage之间的空隙:
SCM(Storage Class Memory)的定义,大概是由2008/2009年左右的IBM提出,来源:IBM, HotChip 22,2010
SCM还可以根据其偏向分为S-type或M-type,当然笔者喜欢比较现代的记法:SCM-S和SCM-M,后缀的S和M就和本体中的S和M一样:
M类型工作方式类似内存(同步模式),S类型工作方式类似存储(异步模式),来源:IBM
上图最大的价值在于给出了SCM的三种控制器连接方式:内存控制器(类似NVDIMM,下面会介绍)、IO控制器(使用PCIe接口)、存储控制器(SAS/SATA接口),其实Flash一样可以具有这三种连接方式,但SCM的原始定义里面说的是比“当时”的SLC/MLC更好的NVM,因此,实际SCM里面也包括了基于扩展Flash技术打造的高性能部分。
接下来说说PM(Persistant Memory,持久化内存),它的定义比较清晰:
PM的显著特点就是可以字节寻址,支持包括RDMA在内的DMA方式,这些都是内存的典型特征,来源:SNIA
SNIA的定义将NVM划分为Disk-like(类磁盘)和Memory-like(类内存)两种,其中规定类似内存、可以直接寻址、支持DMA直接内存访问的NVM称为Persistent Memory。SNIA在2012年7月成立了SNIA NVM Programming Technical Work Group (NVMp TWG)来制定NVM的通用编程模型,并在里面定义了Persistant Memory 的应用模型:
NVM的两种访问模型,左为非PM的普通类型,使用传统的File文件和Block块访问模式,右为专为PM类NVM设计的方式,其支持Volume卷和File模式,和非PM NVM不同,PM的两种方式都是用类似内存的Load/Store访问原语,来源:NetApp,但里面的图实际来自于SNIA的NVM Programming Model (NPM),第一个正式版本在2013年12月21日发布
因此,Persistant Memory是NVM/SCM当中以内存方式运作的那部分,对应SCM当中通过内存控制器和IO控制器连接的两种类型,但不包括通过存储控制器连接的方式。Persistant Memory的实物笔者测试过PMC-Adaptec(现归于Microsemi旗下)的NVRAM产品,其实为一块PCIe插卡,但既能提供块访问的模式(因而也能提供文件访问的模式),又能提供Load/Store的类内存访问模式,测试的时候SNIA的NVM Programming Model尚在制定之中。需要特别指出的是,PMC-Adaptec的NVRAM可以同时提供两种访问模式,这时用户需要自己注意锁和同步的问题。
最后来说说NVDIMM(Non-Volatile Dual In-line Memory Module),其出现要比Persistant Memory要晚一些,SNIA在2014年成立了NVDIMM SIG来负责制定相关的部分规范(电气部分则由于使用了DIMM外型因子所以JEDEC有关):
NVDIMM可以分为-N、-F、-P三个类型,来源:SNIA SSSI
NVDIMM中-N/-F/-P的分别,来源:SNIA SSSI
按照Persistant Memory的定义,NVDIMM属于Persistant Memory,也就是通过内存控制器连接的NVM/SCM,NVDIMM的特点如下所示:
NVDIMM Messaging and FAQ来源:SNIA
早期Intel曾有基于Optane的NVDIMM会于2017Q3发布的规划,当我们现在知道这个日期被推迟到了2018年,因此这里不再介绍更多的细节。HPE曾经提及提供其NVDIMM的测试样品,但最终未能成行,希望未来还能有机会对其进行介绍。
综上所述,NVM、SCM、PM、NVDIMM是前者递进包含后者的关系。可以看出的是,我们收到的Intel Optane SSD DC P4800X AIC符合SCM的定义(理所当然地符合NVM定义),但不是NVDIMM,也不是PM,更多的细节将会在后续文章中持续披露。下一篇文章将对Optane使用的内存技术进行解析,敬请期待。
你知道的关于的Intel&Micron 3D XPoint的事不一定是对的
http://solution.zhiding.cn/2015/0824/3059679.shtml
Intel Skylake-SP处理器评测(一)
http://solution.zhiding.cn/2017/0711/3095479.shtml
Intel Skylake-SP处理器评测(二)
http://solution.zhiding.cn/2017/0713/3095592.shtml
好文章,需要你的鼓励
最新数据显示,Windows 11市场份额已达50.24%,首次超越Windows 10的46.84%。这一转变主要源于Windows 10即将于2025年10月14日结束支持,企业用户加速迁移。一年前Windows 10份额还高达66.04%,而Windows 11仅为29.75%。企业多采用分批迁移策略,部分选择付费延长支持或转向Windows 365。硬件销售受限,AI PC等高端产品销量平平,市场份额提升更多来自系统升级而非新设备采购。
清华大学团队开发出LangScene-X系统,仅需两张照片就能重建完整的3D语言场景。该系统通过TriMap视频扩散模型生成RGB图像、法线图和语义图,配合语言量化压缩器实现高效特征处理,最终构建可进行自然语言查询的三维空间。实验显示其准确率比现有方法提高10-30%,为VR/AR、机器人导航、智能搜索等应用提供了新的技术路径。
新一代液态基础模型突破传统变换器架构,能耗降低10-20倍,可直接在手机等边缘设备运行。该技术基于线虫大脑结构开发,支持离线运行,无需云服务和数据中心基础设施。在性能基准测试中已超越同等规模的Meta Llama和微软Phi模型,为企业级应用和边缘计算提供低成本、高性能解决方案,在隐私保护、安全性和低延迟方面具有显著优势。
IntelliGen AI推出IntFold可控蛋白质结构预测模型,不仅达到AlphaFold 3同等精度,更具备独特的"可控性"特征。该系统能根据需求定制预测特定蛋白质状态,在药物结合亲和力预测等关键应用中表现突出。通过模块化适配器设计,IntFold可高效适应不同任务而无需重新训练,为精准医学和药物发现开辟了新路径。