Um die Effizienz von Rechenzentren zu steigern, werden Speichergeräte häufig über das Netzwerk in Pools zusammengefasst und gemeinsam genutzt. Leistungsunterschiede führen jedoch zu einer unzureichenden Kapazitätsauslastung. Forscher des Massachusetts Institute of Technology haben ein Softwaresystem namens Sandook entwickelt, das drei Hauptquellen für Leistungsunterschiede gleichzeitig handhaben und die Leistung der Speichergeräte erheblich verbessern kann. Im Gegensatz zu herkömmlichen Methoden, die jeweils nur eine Differenzquelle adressieren, bietet das neue System einen deutlichen Geschwindigkeitsvorteil.
Sandook verwendet eine zweistufige Architektur: Ein zentraler Controller ist für die makroskopische Aufgabenverteilung zuständig, während lokale Controller Daten schnell umleiten, wenn ein Gerät auf Schwierigkeiten stößt. Das System kann sich in Echtzeit an sich ändernde Workloads anpassen, ohne dass spezielle Hardware erforderlich ist. In Tests mit realen Aufgaben wie dem Training von KI-Modellen und Bildkomprimierung erreichte es fast die doppelte Leistung herkömmlicher Methoden.
Gohar Chaudhry, Doktorand der Elektrotechnik und Informatik (EECS) und Hauptautor der Studie, erklärt: „Menschen neigen dazu, mehr Ressourcen einzusetzen, um Probleme zu lösen, aber das ist in vielerlei Hinsicht nicht nachhaltig. Wir wollen die Lebensdauer dieser teuren und kohlenstoffintensiven Ressourcen maximieren. Mit einer adaptiven Softwarelösung kann man immer noch viel Leistung aus den vorhandenen Geräten herausholen, bevor man sie ersetzen muss.“
Das Sandook-System optimiert die Leistungsunterschiede in Pools von Solid-State Drives (SSDs). Diese Unterschiede können auf das Alter der Geräte, den Verschleiß, unterschiedliche Kapazitäten, Interferenzen zwischen Lese- und Schreibvorgängen sowie den Garbage-Collection-Prozess zurückzuführen sein. Durch globale Planung und lokale Reaktion kann das System die Workloads dynamisch anpassen und die Gesamteffizienz steigern.
Die Forscher testeten Sandook an einem Pool von 10 SSDs und bewerteten vier Aufgaben: Datenbankbetrieb, Training von Machine-Learning-Modellen, Bildkomprimierung und Speicherung von Benutzerdaten. Im Vergleich zu statischen Methoden steigerte Sandook den Durchsatz jeder Anwendung um 12 % bis 94 % und erhöhte die Gesamtkapazitätsauslastung der SSDs um 23 %. Das System ermöglichte es den SSDs, 95 % ihrer theoretischen Maximalleistung zu erreichen, ohne dass Hardware-Upgrades erforderlich waren.
Die Studie wurde vom MIT-Team durchgeführt. Die Forschungsarbeit wird auf dem USENIX Symposium on Networked Systems Design and Implementation (NSDI 2026) vom 4. bis 6. Mai 2026 in Renton, Washington, vorgestellt. In Zukunft planen die Forscher, die neuesten SSD-Protokolle zu integrieren und die Vorhersagbarkeit von KI-Workloads zu nutzen, um die Effizienz weiter zu steigern.
Veröffentlichungsdetails: Autor: Adam Zewe, Massachusetts Institute of Technology; Titel: „New software may nearly double pooled SSD performance in data centers“.
