Dokumen Teknis

Arsitektur penyimpanan tingkat lanjut untuk mendukung AI di pusat data.

seagate-supermicro-osnexus

Diciptakan untuk masa depan AI, solusi bersama dari Supermicro, Seagate, dan OSNexus dirancang untuk mendorong efisiensi dan skalabilitas AI.

menit baca

seagate-supermicro-osnexus

Daftar Isi:

    Ringkasan eksekutif.

    Perkembangan kecerdasan buatan (AI) telah mendorong permintaan yang belum pernah terjadi sebelumnya untuk solusi penyimpanan pusat data yang terukur, berperfoma tinggi, dan hemat biaya. Dokumen teknis ini menyajikan solusi komprehensif yang menggabungkan perangkat keras Supermicro, hard disk Seagate Exos yang diaktifkan oleh teknologi Mozaic 3+™ berbasis HAMR dari Seagate, dan perangkat lunak OSNexus QuantaStor. Solusi bersama ini mengatasi pesatnya pertumbuhan dalam hal kebutuhan penyimpanan data berbasis AI, dengan menyediakan arsitektur yang tangguh untuk mendukung konfigurasi peningkatan dan penurunan skala. Manfaat utama mencakup skalabilitas yang disempurnakan untuk mengakomodasi peningkatan beban kerja AI, perfoma luar biasa dengan throughput tinggi dan latensi rendah, efisiensi biaya yang dioptimalkan melalui pengurangan hard disk fisik dan penghematan daya, platform manajemen terpadu yang menyederhanakan operasional, fitur keamanan tingkat lanjut untuk kepatuhan, dan pengurangan dampak lingkungan melalui solusi penyimpanan hemat energi.

    Pendahuluan.

    Evolusi yang pesat dari teknologi AI dan ML (pembelajaran mesin) telah mengubah lanskap penyimpanan data secara mendasar. Kecanggihan daya komputasi, akses demokratisasi bagi para pengembang, dan alat pengembangan yang lebih cepat mendorong lonjakan inovasi berbasis AI. Karena model AI menjadi lebih canggih, kebutuhan akan solusi penyimpanan berperforma tinggi yang terukur semakin meningkat. Data adalah fondasi utama AI, serta kemampuan untuk menyimpan, mengelola, dan mengakses data dalam jumlah besar secara efisien sangat penting untuk melatih model AI dan menerapkan aplikasi AI. Solusi penyimpanan biasa sering kali gagal memenuhi tuntutan ini, sehingga memerlukan pengembangan arsitektur baru yang disesuaikan dengan kebutuhan beban kerja AI.

    Beban kerja AI yang terus berkembang menuntut solusi penyimpanan yang terus berkembang.

    Beban kerja AI menghadirkan tantangan unik yang sulit dipenuhi oleh solusi penyimpanan biasa. Model AI memerlukan data dalam jumlah besar untuk pelatihan, sering kali mencapai skala petabyte. Data ini harus mudah diakses, karena efisiensi proses pelatihan sangat bergantung pada pengambilan data yang cepat. Selain itu, aplikasi AI sering kali melibatkan tugas pemrosesan data berskala besar yang menuntut throughput tinggi dan latensi rendah untuk menghadirkan wawasan real-time.

    Intensitas komputasi beban kerja AI juga menghasilkan metadata dalam jumlah besar, yang harus dikelola secara efisien untuk mencegah hambatan. Solusi penyimpanan biasa, dengan skalabilitas dan perfoma yang terbatas, tidak sesuai untuk tuntutan ini. Solusi ini sering kali tidak memiliki fleksibilitas untuk menangani beban kerja yang dinamis, sehingga menyebabkan inefisiensi dan peningkatan biaya operasional.

    Inovasi berbasis AI memerlukan solusi penyimpanan yang dapat diskalakan dengan cepat, menangani data tidak terstruktur dalam jumlah besar, dan menyediakan akses tanpa batas ke data ini. Misalnya, melatih model AI yang kompleks melibatkan pemrosesan berulang dari kumpulan data besar untuk menyempurnakan algoritme dan meningkatkan akurasi. Banyaknya volume data yang diperlukan untuk iterasi ini dapat membebani sistem penyimpanan tradisional, menyebabkan penundaan dan mengurangi efisiensi operasi AI secara keseluruhan.

    Selain itu, aplikasi AI semakin banyak digunakan di lingkungan real-time yang memerlukan pemrosesan data langsung. Ini termasuk aplikasi seperti kendaraan otonom, pemeliharaan prediktif, dan layanan kesehatan yang dipersonalisasi. Kasus penggunaan ini memerlukan solusi penyimpanan yang tidak hanya menawarkan kapasitas tinggi, tetapi juga menghadirkan performa luar biasa untuk mendukung analisis data dan pengambilan keputusan secara instan.

    Mendukung konfigurasi peningkatan dan penurunan skala.

    Solusi bersama dari Supermicro, Seagate, dan OSNexus menggabungkan perangkat keras dan perangkat lunak canggih untuk menghadirkan infrastruktur penyimpanan yang tangguh, terukur, dan hemat biaya untuk beban kerja AI. Komponen inti dari solusi ini mencakup server Supermicro dan JBOD, hard disk Seagate Mozaic 3+, SSD Seagate Nytro NVMe, serta perangkat lunak OSNexus QuantaStor.

    Arsitektur solusi bersama ini mendukung konfigurasi peningkatan dan penurunan skala, yang memenuhi beragam kebutuhan penggunaan;

    Peningkatan skala (atau penskalaan vertikal) melibatkan peningkatan kapasitas sistem penyimpanan tunggal atau server dengan menambahkan lebih banyak sumber daya, seperti CPU, memori, dan/atau hard disk penyimpanan. Pendekatan ini memaksimalkan performa masing-masing unit, tetapi memiliki keterbatasan yang melekat dalam hal skalabilitas. 

    Penurunan skala (atau penskalaan horizontal), di sisi lain, melibatkan penambahan lebih banyak node penyimpanan atau server ke sistem, mendistribusikan beban kerja ke beberapa unit. Pendekatan ini mengizinkan skalabilitas tanpa batas, yang memungkinkan sistem menangani beban kerja AI yang lebih besar dan lebih kompleks dengan memperluas arsitektur secara lancar seiring dengan pertumbuhan permintaan.

    Konfigurasi peningkatan skala ideal untuk aplikasi yang lebih kecil dan sensitif biaya, menawarkan throughput hingga 5-10 GB/detik. Sebaliknya, konfigurasi penurunan skala dirancang untuk penggunaan yang lebih besar, dengan penskalaan performa secara linear saat node tambahan digabungkan. Skalabilitas ini memungkinkan solusi untuk mencapai throughput ratusan gigabyte per detik, memenuhi tuntutan beban kerja AI yang intensif.

    Integrasi yang lancar antara server Supermicro, hard disk Seagate, dan perangkat lunak QuantaStor membentuk solusi penyimpanan yang kohesif dan efisien. Arsitektur ini mendukung penyimpanan file dan objek, sehingga memberikan fleksibilitas bagi organisasi untuk memilih konfigurasi yang paling sesuai untuk kebutuhan spesifik mereka. Manajemen terpadu yang disediakan oleh QuantaStor memastikan bahwa semua komponen bekerja secara harmonis, memberikan performa dan keandalan yang optimal. Kemampuan untuk mengelola konfigurasi peningkatan dan penurunan skala dalam satu platform menyederhanakan pengoperasian dan mengurangi kompleksitas terkait dengan pemeliharaan beberapa sistem penyimpanan. 

    Ikhtisar arsitektur.

    Arsitektur tersebut terdiri atas server Supermicro, hard disk Seagate Exos Mozaic 3+, dan Seagate Nytro NVMe SSD, semuanya diatur oleh perangkat lunak OSNexus QuantaStor. Kombinasi ini memenuhi tuntutan beban kerja AI/ML yang intens, sehingga membutuhkan throughput yang tinggi, latensi yang rendah, dan kemampuan untuk menangani kumpulan data yang sangat besar secara efisien.

    Pertimbangan infrastruktur penggunaan.

    • Detail tentang jaringan dan infrastruktur minimum yang diperlukan untuk sukses berada di luar cakupan dokumen teknis ini, tetapi sangat penting untuk pengambilan keputusan arsitektur.
    • Kriteria utama:
      • Kecepatan jaringan (menentukan ukuran media & node yang optimal)
      • Spesifikasi rak (kedalaman rak & ruang U)
      • Anggaran daya dan pendinginan

     

    Arsitektur peningkatan dan penurunan skala.

     

    • Arsitektur peningkatan skala
      • Arsitektur ini ideal untuk lingkungan yang memerlukan penyimpanan berdensitas tinggi yang hemat biaya. Ini menggunakan hard disk NVMe dual-port dalam sasis 24 ruang dari Supermicro, yang memberikan ketersediaan dan performa tinggi dengan memungkinkan akses bersama ke hard disk utama. Arsitektur mendukung ekspansi melalui JBOD, yang memungkinkan hingga empat JBOD untuk disambungkan ke pengontrol peningkatan skala, sehingga mendukung konfigurasi dengan penyimpanan hingga tujuh petabyte dengan hard disk kelas perusahaan Mozaic 3+.
      • Dalam konfigurasi peningkatan skala, QuantaStor menggunakan OpenZFS, yakni sistem file tingkat perusahaan berperforma tinggi yang dikenal dengan perlindungan data, skalabilitas, dan efisiensinya yang canggih, terutama di lingkungan penyimpanan berskala besar, yang memungkinkan pemeriksaan integritas data yang efisien dan optimalisasi penyimpanan. Arsitektur ini sangat cocok untuk beban kerja dan lingkungan AI/ML skala kecil yang memprioritaskan peminimalan biaya dan pemaksimalan densitas.
    Gambar produk dengan informasi singkat fitur.

    Perbesar

     

    • Arsitektur penurunan skala
      • Arsitektur penurunan skala dirancang untuk memberikan skalabilitas performa linear dengan menambahkan lebih banyak node. Ini menggunakan teknik kode penghapusan dan replika di seluruh node untuk memastikan ketersediaan tinggi dan redundansi data. Arsitektur ini sangat cocok untuk beban kerja AI/ML skala besar yang di dalamnya kebutuhan performa dan kapasitas terus meningkat. Misalnya, melatih model bahasa besar (LLM), seperti GPT (transformator pra-pelatihan generatif) atau BERT (representasi encoder dua arah dari transformator), memerlukan daya komputasi dan penyimpanan data yang sangat besar, sehingga arsitektur penurunan skala penting untuk mengelola peningkatan kompleksitas dan volume data. Selain itu, penelitian genomik berbasis AI, yang memerlukan pemrosesan data genom dalam skala besar untuk tugas seperti analisis varian dan studi ekspresi gen, juga mendapat manfaat yang signifikan dari skalabilitas dan ketersediaan tinggi yang disediakan oleh arsitektur penurunan skala.
      • Arsitektur ini dapat menggabungkan node hibrid (menggabungkan NVMe dan hard disk) dengan node all-flash, sehingga memberikan fleksibilitas dalam mengonfigurasi kluster berdasarkan persyaratan performa dan kapasitas tertentu. Dalam konfigurasi penurunan skala, QuantaStor memanfaatkan integrasinya dengan teknologi Ceph, yang unggul dalam menyediakan penyimpanan terdistribusi node dalam jumlah besar.

    Pertimbangan utama dan opsi desain.

    Bergantung pada persyaratan performa spesifik dan kebutuhan kapasitas data beban kerja AI/ML, konfigurasi yang berbeda mungkin diperlukan untuk mencapai hasil yang optimal. Faktor seperti volume data yang sedang diproses dan kecepatan akses data akan menentukan apakah konfigurasi hibrid atau all-flash yang paling sesuai untuk skenario tersebut. Selain itu, pertimbangan anggaran dan persyaratan skalabilitas akan memengaruhi opsi desain untuk arsitektur. 

    • Konfigurasi hibrid.  
      • Dalam konfigurasi hibrid, kombinasi NVMe SSD dan hard disk berkapasitas tinggi digunakan untuk menyeimbangkan performa dan biaya. Arsitektur ini mendukung hingga 60 atau 90 hard disk dalam JBOD, sehingga cocok untuk beban kerja AI/ML yang memerlukan performa tinggi dan kapasitas besar dalam rentang PB seperti penelitian medis dan fisika. 
      • Wadah hibrid peningkatan skala biasa mungkin menggunakan tiga hard disk NVMe per wadah untuk metadata dan pemindahan file kecil, dikombinasikan dengan hard disk berkapasitas besar untuk menyimpan kumpulan data yang lebih besar. Konfigurasi hibrid penurunan skala akan memiliki tiga atau lebih hard disk NVMe per node.
    • Konfigurasi all-flash 
      • Konfigurasi all-flash direkomendasikan untuk beban kerja AI/ML yang memerlukan performa tinggi, seperti tugas analitik real-time atau pemrosesan data intensif. 
      • Konfigurasi penurunan skala ini dapat menghasilkan throughput hingga 1 TB/detik dengan memanfaatkan ratusan hard disk NVMe dalam kluster penurunan skala. 
    • Pertimbangan untuk kapasitas dan performa 
      • Hal ini penting untuk menyeimbangkan kapasitas penyimpanan dengan persyaratan performa. Misalnya, dalam kluster hibrid yang ditingkatkan dengan campuran flash dan hard disk, sekitar 3% dari total penyimpanan mungkin berupa flash untuk mengoptimalkan performa, sedangkan dalam kluster hibrid yang ditingkatkan, penyimpanan flash berjumlah sekitar 1% dari total penyimpanan. Dengan hard disk yang menawarkan keunggulan jelas dalam hal biaya per terabyte dan TCO, sedangkan SSD perusahaan memiliki harga premium 6 banding 1, maka hard disk tetap menjadi pilihan untuk kapasitas besar di pusat data. 
      • Arsitektur memungkinkan untuk memulai dengan kluster yang lebih kecil dan memperluasnya sesuai kebutuhan dengan menambahkan lebih banyak node atau JBOD, memastikan bahwa infrastruktur penyimpanan dapat berkembang seiring dengan beban kerja AI/ML. 

    Manajemen dan pengoptimalan.

    Pengelolaan dan pengoptimalan yang efektif sangat penting untuk memastikan bahwa beban kerja AI/ML berperforma terbaik dalam arsitektur penyimpanan. Manajemen canggih QuantaStor menghadirkan operasi yang ramping, memberikan kontrol dan pengawasan yang komprehensif di berbagai konfigurasi.

    • Manajemen terpadu QuantaStor
      • QuantaStor menyediakan bidang kontrol terpadu yang menyederhanakan pengelolaan arsitektur peningkatan dan penurunan skala. Ini mendukung fitur canggih seperti auto-tiering, enkripsi end-to-end, dan kepatuhan terhadap standar industri, memastikan bahwa infrastruktur penyimpanan aman dan dioptimalkan untuk beban kerja AI/ML. 
      • Teknologi grid pada perangkat lunak memungkinkan penskalaan penyimpanan yang lancar di beberapa lokasi, sehingga meniadakan kompleksitas pengelolaan sistem yang berbeda-beda.

    Kasus dan skenario penggunaan.

    Beban kerja AI/ML yang berbeda memerlukan solusi penyimpanan yang disesuaikan untuk mencapai performa dan efisiensi biaya yang optimal. Bergantung pada skala dan kompleksitas beban kerja, konfigurasi peningkatan skala, penurunan skala, atau campuran dapat digunakan untuk memenuhi permintaan spesifik dari berbagai industri dan aplikasi.

    • Kasus penggunaan peningkatan skala
      • Konfigurasi peningkatan skala ideal untuk lingkungan dengan beban kerja AI/ML yang lebih kecil atau yang memprioritaskan efisiensi biaya. Konfigurasi ini sangat cocok untuk aplikasi seperti penyimpanan media dan hiburan, virtualisasi server, dan pengarsipan data. 
    • Kasus penggunaan penurunan skala 
      • Konfigurasi penurunan skala dirancang untuk komputasi berperforma tinggi, kumpulan data, dan lingkungan AI/ML yang sangat penting untuk meningkatkan performa dan kapasitas. Konfigurasi ini juga ideal untuk penyimpanan objek skala besar dan analitik real-time. 
    • Kasus penggunaan campuran
      • Organisasi dapat menerapkan konfigurasi peningkatan dan penurunan skala dalam lingkungan yang sama, menggunakan manajemen terpadu QuantaStor untuk menjaga konsistensi dan mengoptimalkan performa di berbagai beban kerja.

    whitepaper-joint-ai-supermicro-figure-4

    Perbesar

    Kemajuan teknologi.

    Kemajuan teknologi yang terkandung dalam solusi ini sangat penting untuk efektivitasnya. Hard disk Seagate Exos Mozaic 3+ merupakan kemajuan yang signifikan di bidang teknologi penyimpanan. Dengan memanfaatkan teknologi HAMR, hard disk ini mencapai densitas area yang belum pernah ada sebelumnya, sehingga memungkinkan kapasitas penyimpanan yang lebih besar dalam dimensi fisik yang sama. Kemajuan ini tidak hanya menjawab kebutuhan penyimpanan data berskala besar, tetapi juga meningkatkan efisiensi energi karena lebih sedikit hard disk yang diperlukan untuk menyimpan jumlah data yang sama.

    Keuntungan TCO dari hard disk Mozaic 3+ cukup besar, termasuk 3× kapasitas penyimpanan dalam dimensi pusat data yang sama dengan biaya 25% lebih rendah per TB, konsumsi daya 60% lebih rendah per TB, dan pengurangan 70% karbon per TB (dibandingkan dengan hard disk PMR 10 TB, kapasitas hard disk umum yang memerlukan peningkatan di pusat data saat ini). Konsumsi daya hard disk yang lebih rendah berarti pengurangan biaya energi, sedangkan densitas yang lebih tinggi mengurangi kebutuhan akan ruang fisik, sehingga menghemat infrastruktur pusat data. Selain itu, hard disk dengan kandungan karbon yang lebih rendah menjadikannya pilihan yang lebih ramah lingkungan, sejalan dengan tujuan keberlanjutan yang semakin penting bagi perusahaan modern.

    Integrasi Seagate Nytro NVMe SSD menambahkan lapisan performa yang ditingkatkan. Hard disk berkecepatan tinggi ini sangat penting untuk mengelola operasi baca dan tulis intensif seperti beban kerja AI. Latensinya yang rendah memastikan bahwa data dapat diakses dan diproses secara real time, yang sangat penting untuk melatih model AI dan menerapkan aplikasi AI. Desain port ganda SSD meningkatkan keandalan, karena memungkinkan pengoperasian terus-menerus meskipun satu port gagal.

    Perangkat lunak OSNexus QuantaStor semakin menyempurnakan solusi dengan menyediakan manajemen data cerdas dan fitur keamanan tingkat lanjut. Kemampuan auto-tiering dari perangkat lunak ini memastikan bahwa data disimpan di tingkat yang paling tepat, sehingga mengoptimalkan performa dan biaya. Enkripsi menyeluruh dan kepatuhan terhadap standar industri membantu melindungi data dengan mengatasi masalah keamanan dan privasi yang sangat penting dalam aplikasi AI, terutama di industri seperti perawatan kesehatan dan keuangan tempat data sensitif sering ditangani.

    whitepaper-joint-ai-supermicro-figure-6

    Perbesar

     

    Manfaat solusi.

    Solusi gabungan dari Supermicro, Seagate, dan OSNexus menawarkan beberapa manfaat utama yang memenuhi kebutuhan spesifik beban kerja AI/ML. Manfaat ini meliputi:

    • Skalabilitas: Kemampuan solusi untuk meningkatkan dan menurunkan skala akan memastikan bahwa solusi tersebut dapat tumbuh seiring dengan meningkatnya tuntutan beban kerja AI. Baik organisasi menangani beberapa terabyte ataupun beberapa petabyte data, solusi ini dapat mengakomodasi kebutuhan mereka tanpa memerlukan perbaikan infrastruktur penyimpanan secara menyeluruh.
    • Performa: Penggunaan Seagate Nytro NVMe SSD dan hard disk Mozaic 3+, dikombinasikan dengan kemampuan manajemen QuantaStor, menghadirkan performa yang luar biasa. Hal ini sangat penting untuk beban kerja AI/ML yang memerlukan throughput tinggi dan latensi rendah agar berfungsi secara efektif.
    • Efisiensi biaya: Arsitektur solusi ini dirancang untuk mengoptimalkan pengeluaran modal dan operasional. Dengan mengurangi jumlah hard disk fisik yang diperlukan, menurunkan konsumsi daya, dan menawarkan platform manajemen terpadu yang fleksibel, solusi ini secara signifikan menurunkan total biaya kepemilikan (TCO).
    • Manajemen terpadu: Kemampuan QuantaStor untuk mengelola arsitektur peningkatan skala dan penurunan skala dari satu interface menyederhanakan operasi dan mengurangi kerumitan yang terkait dengan solusi penyimpanan multivendor. Pendekatan terpadu ini tidak hanya menghemat waktu tetapi juga mengurangi potensi kesalahan dan meningkatkan efisiensi secara keseluruhan.
    • Keamanan dan kepatuhan: Solusi ini mencakup fitur keamanan canggih yang melindungi data dari akses yang tidak sah dan memastikan kepatuhan terhadap standar industri. Hal ini sangat penting untuk aplikasi AI dalam industri yang diatur, di mana pelanggaran data dapat mengakibatkan sanksi hukum dan keuangan yang signifikan.
    • Dampak lingkungan: Penggunaan hard disk Seagate yang dibuat pada platform Mozaic 3+ mengurangi dampak lingkungan dari pusat data dengan menurunkan konsumsi daya dan mengurangi ruang fisik yang diperlukan untuk penyimpanan. Hal ini sejalan dengan meningkatnya penekanan pada keberlanjutan di sektor teknologi.

    Kasus penggunaan dan aplikasi.

    Solusi ini cukup fleksibel untuk mendukung berbagai kasus penggunaan di berbagai industri. Beberapa contohnya meliputi: 

    • Layanan Kesehatan: Beban kerja AI/ML dalam perawatan kesehatan, seperti analitik prediktif dan pengobatan yang dipersonalisasi, memerlukan kemampuan untuk memproses data dalam jumlah besar dengan cepat dan aman. Solusi bersama ini menawarkan skalabilitas, performa, dan keamanan yang diperlukan untuk mendukung aplikasi ini.
    • Keuangan: Di bidang keuangan, AI digunakan untuk tugas seperti mendeteksi penipuan, perdagangan algoritmik, dan manajemen risiko. Aplikasi ini memerlukan pemrosesan data berkecepatan tinggi dan analitik real-time, yang keduanya didukung dengan arsitektur penyimpanan performa tinggi dari solusi tersebut.
    • Media dan hiburan: Industri media dan hiburan menghasilkan data dalam jumlah besar, terutama dengan meningkatnya penggunaan video resolusi tinggi. Kemampuan solusi untuk menangani penyimpanan data skala besar dan menyediakan akses cepat ke file membuatnya ideal untuk tugas seperti pengeditan, rendering, dan pengarsipan video. 
    • Manufaktur: AI/ML digunakan dalam manufaktur untuk pemeliharaan prediktif, kontrol kualitas, dan pengoptimalan rantai pasokan. Aplikasi ini menghasilkan volume data yang besar yang perlu disimpan dan dianalisis secara efisien. Solusi bersama ini memberikan skalabilitas dan performa yang diperlukan untuk mendukung kasus penggunaan ini. 
    • Penelitian dan pengembangan: Penelitian berbasis AI di beberapa bidang seperti farmasi, genomik, ilmu material, dan pemodelan iklim memerlukan kemampuan untuk menyimpan dan memproses kumpulan data besar. Throughput solusi yang tinggi dan latensi rendah membuatnya sangat cocok untuk aplikasi yang menuntut ini. 

    Kesimpulan.

    Solusi AI gabungan yang dikembangkan oleh Supermicro, Seagate, dan OSNexus menawarkan arsitektur penyimpanan yang komprehensif, terukur, dan hemat biaya yang disesuaikan dengan tuntutan unik beban kerja AI/ML. Dengan menggabungkan teknologi perangkat keras dan perangkat lunak canggih, solusi ini menghadirkan performa, keandalan, dan efisiensi yang luar biasa, menjadikannya pilihan ideal bagi Organisasi yang ingin memanfaatkan AI untuk mendapatkan keunggulan kompetitif. Baik digunakan dalam perawatan kesehatan, keuangan, media, manufaktur, atau penelitian, solusi ini menyediakan infrastruktur tangguh yang diperlukan untuk mendukung aplikasi AI generasi berikutnya dan membuka jalan bagi masa depan inovasi berbasis AI di seluruh industri. 

    Tabel solusi.

    Topologi Produk Model Ketahanan Kapasitas Mentah Kapasitas yang Dapat Digunakan Spesifikasi Rinci
    Peningkatan skala Hibrid SBB; Paritas tiga kali lipat 2.039 TB mentah 1.512 TB dapat digunakan tautan
    Peningkatan skala SBB All-flash Paritas ganda(4d+2p) 737 TB mentah 553 TB dapat digunakan tautan
    Penurunan skala Hyper All-flash EC2k+2m/REP3 1.106 TB mentah 533 TB dapat digunakan tautan
    Penurunan skala 4U/36 EC4K+2m/REP3 3.974 TB mentah 2.513 TB dapat digunakan tautan
    Penurunan skala 4U/36 EC8K+3m/REP3 8.342 TB mentah 5.786 TB dapat digunakan tautan
    Penurunan skala Pemuatan atas node ganda EC8K+3m/REP3 11.981 TB mentah 8.406 TB dapat digunakan tautan


    Akronim Dan Informasi Tambahan.

    SBB: Storage Bridge Bay.
    EC: Kode Penghapusan.
    “Paritas ganda” dan “paritas tiga kali lipat” mengacu pada jumlah blok paritas yang digunakan untuk menyediakan redundansi data dan toleransi kesalahan.
    String numerik berkaitan dengan model ketahanan.