de.wedoany.com-Bericht: Liqid liefert die gepoolte Speicherebene für das Abaco-System, das Micron für das Pacific Northwest National Laboratory (PNNL) des US-Energieministeriums entwickelt. Die Plattform bietet über 160 TB kohärenten Speicher über mehrere Server hinweg und richtet sich an KI- und wissenschaftliche Workloads, bei denen die Effizienz des Datenzugriffs stärker limitiert als die Prozessorleistung.
Die derzeitige Rechenleistung wächst schneller, als Speicherkapazität, Bandbreite und Lokalität Schritt halten können. Große Graphmodelle, wissenschaftliche Simulationen, molekulare Workloads und KI-Inferenz geraten häufig ins Stocken, weil Prozessoren auf Daten warten oder Bediener Aufgaben aufgrund der Speicherlimits einzelner Server aufteilen müssen. Der Ansatz von Abaco betrachtet Speicher als gemeinsame, programmierbare Ressource und nicht als feste Komponente, die dauerhaft an eine einzelne Maschine gebunden ist. Laut Liqid kann das Rack-Scale-Design bis zu 160 TB DRAM einem einzelnen Host zuweisen oder die Kapazität auf bis zu 16 Knoten verteilen. Micron ist der Haupttechnologieauftragnehmer des Projekts, während Liqid die Erweiterungshardware, die Switch-Fabric, Host-Adapter und die Orchestrierungsebene bereitstellt. Diese Bereitstellung bleibt auf Laborebene und ist kein Signal dafür, dass Mainstream-Rechenzentren bereits bereit sind, ihre Infrastruktur um disaggregierten Speicher neu aufzubauen – aber sie bringt die Diskussion von Architekturdiagrammen zu tatsächlich laufender Hardware.
Die EX 5410C-Plattform von Liqid unterstützt CXL 2.0 und bietet bis zu 40 TB DRAM pro Gehäuse; mehrere Gehäuse können einen Kapazitätspool von über 160 TB bilden. Die Liqid-Matrix-Software weist die Kapazität Hosts zu und integriert Tools wie Kubernetes, Slurm und Ansible. Die Kernaussage lautet: Teurer Speicher sollte nicht verschwendet werden, nur weil er im falschen Server ungenutzt bleibt. Bediener können große Pools Simulationen, Analyseaufgaben oder Inferenz-Workloads zuweisen und diese Kapazität anschließend für andere Aufgaben umwidmen. Idealerweise erhöht dies die Auslastung und verzögert Serverkäufe.
In der Praxis hängt die Wirtschaftlichkeit jedoch vom Workload-Verhalten ab. Speicherpooling führt Fabric-Komponenten, Adapter, Verwaltungssoftware und neue betriebliche Abhängigkeiten ein – lokaler DRAM bleibt einfacher. Hochgradig latenzempfindliche Anwendungen tolerieren möglicherweise keine Remote-Zugriffsmuster, selbst wenn die CXL-Fabric hohe Bandbreite bietet. Käufer müssen Entscheidungen auf Basis von Messdaten ihrer eigenen Aufgaben treffen, nicht nur anhand aggregierter Kapazitätszahlen. Auch die Fehlerdomänen verändern sich: Ein über mehrere Knoten geteilter Speicherpool erhöht die Flexibilität, doch ein Fabric- oder Verwaltungsfehler kann gleichzeitig mehr Systeme betreffen. Die Kapazitätsplanung verlagert sich von Serverbeschaffung hin zu Orchestrierungsstrategien, und die entsprechenden Überwachungs-, Zugriffskontroll- und Wiederherstellungsprozesse müssen neu aufgebaut werden.
