SECTIONS
EDITIONS
NETWORK
AIXX Pedia Die Enzyklopädie der Rechenleistung

AIXX Pedia › Infrastruktur-Eintrag › NVMe All-Flash-Speicher

Offizielle NVIDIA-Grafik zum Rechenzentrum (Herstellerbild)
Szenengrafik AI-Rechenzentrum · AIXX Pedia (offizielle NVIDIA-Website)

NVMe All-Flash-Speicher

Speicherschicht für AI-Cluster · NVMe-oF · GPUDirect Storage · Infrastruktur-Lexikonartikel

Überblick OVERVIEW

NVMe All-Flash-Speicher Sie ist das „dritte Standbein“ des AI-Clusters: Neben Rechenleistung (GPUs) und Netzwerk (NVLink/Fabric) liegt die gesamte Datenpipeline für Training und Inferenz — Checkpoint-Schreib-/Lesezugriffe, Trainingsdatensatz-Durchsatz, KV-Cache-Tiering — vollständig auf der Speicherschicht. Das NVMe-Protokoll (SSDs direkt am PCIe-Bus, ohne klassische SAS/SATA-Controller) + All-Flash-Arrays + NVMe-oF-Netzwerk + GPUDirect Storage (Daten gelangen direkt vom Speicher in den GPU-Speicher, ohne Kopiervorgang über die CPU, laut offizieller NVIDIA-Dokumentation[3]) – ein Standardbaustein moderner KI-Speicherarchitekturen.

Warum es in KI-Clustern zum Muss wird: Checkpoints in Tausender-GPU-Clustern bewegen sich schnell im Bereich mehrerer Dutzend TB, Trainingsdatensätze liegen im Hundert-TB-Bereich – der Durchsatz von Festplatten oder Hybrid-Arrays reicht nicht aus, um die GPUs zu füttern, und jede Sekunde, in der eine GPU auf Daten wartet, ist verbranntes Geld. NVMe-oF bringt die All-Flash-Performance ins Netzwerk (RDMA-Direktzugriff[1]), GPUDirect Storage nimmt die CPU aus dem Datenpfad – diese beiden Faktoren entscheiden, ob die Speicherschicht Beschleuniger oder Flaschenhals ist.

Dieser Eintrag ist ein Auswahl-Eintrag für die Produktkategorie : Behandelt Speicherarchitekturen aus AI-Cluster-Perspektive, Auswahlkriterien sowie Einkauf und Abnahme — nicht produktspezifisch. Für Speicher gibt es keinen einheitlichen Marktpreis; der tatsächliche Preis richtet sich nach dem Angebot des Verkäufers.

Einsatzszenarien FIT

AIXX Index (0–100): gewichtete Schätzung der Szenenpassung. 90+ Flaggschiff-Niveau · 75+ Ausgezeichnet · 60+ brauchbar · unter 60 nicht geeignet.

Datenpipeline für Training großer Modelle 93AIXX Index
Durchsatz für Trainingsdatensätze + schnelles Schreiben/Lesen von Checkpoints — mit direktem GPUDirect-Storage-Pfad steht die GPU-Zufuhr nie still; All-Flash-NVMe ist die einzige Klasse, die mithalten kann.
Hot-Data-Schicht für Inferenzdienste 88AIXX Index
Laden der Modellgewichte (Bestandteil der First-Token-Latenz) + KV-Cache-Tiering — die NVMe-Schicht als Overflow-Ebene für den GPU-Speicher ist die gängige Architektur.
Front-End-Schicht für Data Lakes 78AIXX Index
All-Flash-Cache-Schicht zwischen Objektspeicher (kalte Daten) und GPU-Cluster — „Objekt-Lake + All-Flash-Cache“ ist das Standardmuster zweistufiger Architekturen.
Ganz normale Dateifreigaben 40AIXX Index
Für gewöhnliche Fileshares ohne GPU-Anbindung braucht es keine NVMe-oF-Architektur — ein reguläres NAS ist günstiger; bezahlen Sie nicht für Performance, die Sie nicht nutzen.

Historie HISTORY

2011 : Veröffentlichung der NVMe-1.0-Spezifikation: SSDs direkt am PCIe-Bus, ein für Flash geborenes Protokoll verdrängt SAS/SATA-Pfade — das protokolltechnische Fundament der All-Flash-Arrays (öffentliche Branchenangaben).

2016–2020 , All-Flash-Arrays werden zum Mainstream: Die NVMe-oF-Spezifikation bringt NVMe ins Netzwerk (RDMA-Direktzugriff), All-Flash-Arrays von Anbietern wie Dell/NetApp/Pure werden zum neuen Standard im Enterprise-Speicher, und GPU-Cluster basieren zunehmend auf All-Flash als Speicherfundament (Branchenangaben[1]).

2020 : NVIDIA veröffentlicht GPUDirect Storage : Speicherdaten gelangen per RDMA direkt in den GPU-Speicher, ohne Umweg über die CPU (laut NVIDIA-Entwicklerblog und offizieller Dokumentation[2][3]) – die letzte Meile beim KI-Speicher ist geschlossen, das CUDA-Ökosystem legt ein weiteres Stück nach.

2023–2026 , Standard in KI-Clustern: Die Checkpoint- und Datendurchsatz-Anforderungen des Trainings großer Modelle schieben den Speicher ins Zentrum der Infrastruktur – „Objektspeicher (kalt) + All-Flash-Cache (heiß) + GPUDirect-Durchleitung“ als dreistufige KI-Speicher-Referenzarchitektur (laut Branchen-Referenzarchitektur[4]).

Auswahlparameter SELECTION GUIDE

ParameterWorauf achtenErläuterung der Messgrößen
Durchsatz (GB/s)Abgleich der aggregierten Lese-/Schreibbandbreite mit der GPU-VerbrauchsgeschwindigkeitRückrechnung des Speicherthroughputs aus dem „Cluster-Datenverbrauch pro Stunde“ mit 30 % Reserve (Schätzansatz)
IOPS und LatenzBei kleinen IOs (Checkpoint-Metadaten, KV-Cache-Tiering) zählen IOPS und P99-LatenzHoher Durchsatz ≠ niedrige Latenz — beide Lastarten getrennt betrachten
NVMe-oF-UnterstützungNetzwerkerweiterung über RDMA-Transport (RoCE/IB)Abgleich mit der Cluster-Fabric: IB-Netzwerk mit IB-RDMA, Ethernet mit RoCE
GPUDirect StorageStehen Speicherarray/Dateisystem auf der NVIDIA-GDS-Kompatibilitätsliste?maßgeblich ist die offizielle Kompatibilitätsliste (laut NVIDIA-Dokumentation[3]) – für Lösungen außerhalb der Liste muss die Durchleitungsanbindung separat entwickelt werden
Paralleles DateisystemLustre/GPFS-Familie/herstellerspezifische parallele DateisystemeWenn mehrere GPU-Knoten denselben Datensatz parallel lesen, ist paralleler Durchsatz entscheidend
Kapazitäts-TieringDrei Ebenen: heiß (NVMe) / warm (Hybrid) / kalt (Objekt/Band)All-Flash nur für heiße Daten — die Kapazitätskosten werden über Tiering gedrückt
DatenschutzErasure Coding/Replikate, Snapshots, standortübergreifende Disaster RecoveryDas Sicherheitsnetz für Trainingsdatensätze und Checkpoints — Ausgestaltung nach Datenwert

Die Auswahlangaben basieren auf der Aufbereitung öffentlicher Architekturdokumentationen durch diese Datenbank (Stand 10/2026)[1][3][4]; maßgeblich sind die Produktdokumentation des Herstellers und tatsächliche Lasttests.

All-Flash-ArrayNVMe-SSD-Pool NVMe-oF-NetzwerkRDMA-Durchleitung GPU-SpeicherGPUDirect ohne CPU-Umweg Datenpfad AI-Speicher · NVMe-oF + GPUDirect Storage (schematisch)

Dreistufige AI-Speicherarchitektur TIERING

EbeneMedium/FormInhaltKennzahlen
Heiße EbeneNVMe-All-Flash-Array / verteiltes NVMeAktive Trainingsdatensätze, Checkpoints, KV-Cache-TieringDurchsatz + GPUDirect-Durchleitung
Warme EbeneHybrid-Flash / hochkapazitives NVMeAktuelle Datensatzversionen, Preprocessing-ZwischenprodukteKapazitäts-Kosten-Nutzen
Kalte EbeneObjektspeicher / BandRohdaten-Lake, historische ArchiveKosten pro Kapazitätseinheit

Die Drei-Schicht-Architektur basiert auf der Aufbereitung öffentlicher Referenzarchitekturen durch diese Datenbank[4]; die Schichtungsstrategie wird an den Lebenszyklus der Geschäftsdaten angepasst.

Ökosystem und Herstellerlandschaft VENDORS

Drei Spielertypen im AI-Speicher (eigene Zusammenfassung, keine Kaufermpfehlung):

LagerVertreterPositionierung und Merkmale
Enterprise-All-Flash-ArraysDell PowerStore/PowerScale, NetApp AFF, Pure FlashArray//FlashBlade, Huawei OceanStor, Inspur AS-SerieVollständige Enterprise-Datenschutz- und Betriebsstrukturen; AI-Eignung hängt von GPUDirect-Kompatibilität und parallelem Durchsatz ab (öffentliche Produktlinienangaben)
AI-nativer SpeicherVAST Data, WEKA, VDURA u. a. neue Generation paralleler DateisystemeFür GPU-Cluster gebaut: paralleles Dateisystem + NVMe-Tiering + tiefe GDS-Integration (laut Referenzarchitektur[4])
Eigenbau/Open SourceEigenlösungen wie Lustre, Ceph, JuiceFSBei sehr großen Clustern hohe Kontrolle durch Eigenbau; der Personalbedarf für den Betrieb ist der Kostenfaktor (öffentliche Ökosystemangaben)

Herstellerinformationen sind eine Zusammenstellung öffentlicher Produktlinien; maßgeblich sind die offiziellen Angaben der jeweiligen Hersteller. Die SSD-Komponentenseite (Samsung/Solidigm/WD Enterprise-NVMe-Laufwerke) ist eine separate Lieferkette und beim Array-Kauf bereits enthalten.

Offizielle NVIDIA-Grafik zum Rechenzentrum
Infrastrukturszenario AI-Rechenzentrum (offizielles Bild · NVIDIA-Website)

Fotos der Speicherhardware werden nach Prüflieferung nachgereicht; KI-generierte Bilder werden nicht als Echtbilder ausgegeben.

Deployment und Integration DEPLOYMENT

Dreipunkt-Checkliste für den Speicher-Go-Live: Fabric-Abgleich (Speichernetz und Compute-Fabric auf derselben Route: IB-Cluster mit IB-RDMA-Speichernetz, Ethernet mit RoCE — gemischte Routen erfordern Gateways und kosten Latenz wie Durchsatz); GDS-Anbindung (Komponenten gemäß offizieller NVIDIA-GDS-Dokumentation[3] installiert, unter der Voraussetzung, dass das Array auf der Kompatibilitätsliste steht); Stresstest und Einstufung (Durchsatztest mit realen Trainingslasten — Paper-Specs zählen nicht; ob die GPU warten muss, erfahren Sie nur aus dem Stresstest).

Betriebshinweis: Die Monitoring-Kennzahlen der Speicherschicht (Durchsatz/IOPS/P99-Latenz/Kapazitätsfüllstand) sollten auf einem Bildschirm mit dem GPU-Cluster-Monitoring laufen — die erste Anlaufstelle bei „auffällig niedriger GPU-Auslastung“ ist die Zuführgeschwindigkeit des Speichers (eigene Betriebserfahrung).

Beschaffung und Abnahme PROCUREMENT

Abnahmepunkte beim AI-Speichereinkauf (drei Punkte):

1
Stresstest mit realer Last vorab
Durchsatz und Latenz mit dem tatsächlichen Datensatz der Ziel-Trainings-/Inferenzlast testen — Hersteller-Demodaten ≠ Ihre Datenform; Lösungen, die den Stresstest nicht bestehen, kommen nicht in den Vertrag.
2
GDS-Kompatibilität und Durchleitung im Praxistest
Array steht auf der NVIDIA-GDS-Kompatibilitätsliste (offizielle Angabe[3]) + gemessene Durchleitungsbandbreite – „NVMe-oF-Unterstützung“ ist nicht gleichzusetzen mit „GPUDirect-Unterstützung“, das sind zwei getrennte Prüfungen.
3
Fehler drills
Drei Übungen: Datenträgerausfall mit Rebuild, Controller-Wechsel, Netzwerkunterbrechung mit Wiederverbindung — der Preis dafür, dass der Speicher mitten im Training zickt, ist ein kompletter Neustart der Runde — erst nach bestandenen Übungen live gehen.

Vollständige Sechs-Punkte-Abnahmeurteile siehe in diesem Eintrag «Wie nimmt man ab?» dieses Eintrags.

Abnahme-Verfahren ACCEPTANCE TEST

Sechs Abnahmekriterien (Abnahmerahmen für AI-Speicher): Auspacken und Bestandsaufnahme → Basis-Durchsatz → GPUDirect-Durchleitung → Parallel-Lesen → Fehlerübungen → Langzeit-Abstimmung.

1
Auspacken und Inventur
Controller/NVMe-Laufwerke/Cache-Module nach Packliste erfassen; Seriennummern und Lizenzstatus (Kapazitäts-/Feature-Lizenzen) exportieren und dokumentieren.
2
Basis-Durchsatz
Aggregierten Lese-/Schreibdurchsatz mit Standardtools wie fio messen: bestanden bei ≥85 % der Herstellerangabe (Schätzansatz) — Blockgröße und Queue Depth sollten der realen Last entsprechen.
3
GPUDirect-Durchleitung
Gemäß der offiziellen NVIDIA-GDS-Dokumentation installieren und den offiziellen Benchmark ausführen[3]: Bestanden, wenn die Durchleitungsbandbreite von Speicher zu GPU-Speicher den Vorgaben entspricht und die CPU-Auslastung im Vergleich zum Umleitungsmodus deutlich niedriger ist.
4
Parallel-Lesen
Mehrere GPU-Knoten lesen denselben Datensatz parallel: Linearität des aggregierten Durchsatzes und P99-Latenz müssen die Vorgaben erfüllen — Lösungen, die auf einem Knoten schnell, auf mehreren aber einbrechen, bestehen diese Hürde nicht.
5
Fehler drills
Drei Übungen: Laufwerk ziehen und Rebuild, Controller-Wechsel, Netzwerkunterbrechung: bestanden, wenn keine Daten verloren gehen und die Wiederanlaufzeit innerhalb der vertraglichen SLA liegt.
6
Langzeit-Stabilitätstest
Durchgehende Abstimmung mit realer Trainingslast ≥24 Stunden (Urteilsrahmen): stabile Speicher-Durchsatzkurve, keine Warte- bzw. Hungerphasen der GPUs — erst nach bestandener Abstimmung gilt die Lieferung als abgeschlossen.

Versand & Auslieferung LOGISTICS

1
Transport und Einlagerung von Speicher-Arrays
Ein vollbestücktes NVMe-Array ist schwer und die Festplatten erschütterungsempfindlich: Originalverpackung plus Transport-Datenlogger (sofern vorhanden); nach Ankunft ausreichend ruhen lassen, erst dann einschalten (gemäß Herstellerangaben).
2
Daten­sicherheit und Datenreste
Bei gebrauchten Storage-Arrays sind Datenreste des Vorbesitzers eine absolute Sicherheitsgrenze: Nach Ankunft eine vollständige Secure Erase aller Laufwerke (nach Datensicherheitsrichtlinien) durchführen, bevor das System ins Netz geht – die Daten des Vorbesitzers gehören nicht in Ihr Rechenzentrum.
3
Gemeinsame Warenannahme
Gehäuse, Zubehör und Lizenzen an drei Stellen prüfen; die sechs Prüfpunkte der Abnahme vollständig durchlaufen, erst dann abnehmen – Storage ist das Zuhause der Daten, bei den Abnahmekriterien gilt: lieber strenger als nachsichtig.

Glossarkarten GLOSSARY

NVMe

Ein für Flash entwickeltes Speicherprotokoll: SSDs direkt am PCIe-Bus, hohe Queue-Depth, niedrige Latenz – im Vergleich zu SAS/SATA holt das Protokoll die volle Flash-Geschwindigkeit heraus. NVMe SSDs sind die Grundbausteine von All-Flash-Arrays.

NVMe-oF

NVMe over Fabrics: bringt das NVMe-Protokoll ins Netzwerk (RDMA-Transport über IB oder RoCE) – Server greifen auf entfernte All-Flash-Arrays zu wie auf lokale Datenträger, mit minimalem Leistungsverlust (Branchenangaben[1]).

GPUDirect Storage(GDS)

NVIDIA-Technologie zur Speicher-Durchleitung: Daten gelangen von NVMe/Array per RDMA direkt in den GPU-Speicher, ohne Kopiervorgang über die CPU – eine Schlüsseltechnologie zur Effizienzsteigerung beim Trainingsdaten-Laden sowie beim Checkpoint-Schreiben und -Lesen (laut offizieller Dokumentation[3]).

Paralleles Dateisystem

Speicherarchitektur für parallelen Multi-Node-Zugriff auf dasselbe Dateisystem (Lustre/GPFS-Familie u. ä.): Daten werden auf mehrere Storage-Nodes gestrippt und die Durchsätze aggregiert – wenn tausend GPUs gleichzeitig das Trainingsset lesen, hält nur ein paralleles Dateisystem durch.

Checkpoint

Sicherungspunkte des Trainings: periodisches Schreiben von Modellgewichten plus Optimizer-Status auf den Speicher – Checkpoints großer Modelle bewegen sich im Zehn-TB-Bereich; zu langsames Schreiben bremst das Training, ein Verlust kostet den gesamten Fortschritt. Checkpoint-Durchsatz ist die erste Prüffrage für AI-Storage.

KV-Cache-Tiering

Lösung für knappen GPU-Speicher im Inferenzbetrieb: KV-Cache, der nicht mehr in den GPU-HBM passt, wandert auf die NVMe-Ebene – NVMe-Bandbreite ersetzt Speicherkapazität; eine Architekturkomponente für lange Kontexte und hohe Batch-Concurrency.

Grenzen & Kontroversen LIMITS

  • Durchsatz-Illusion Der angegebene Herstellerdurchsatz gilt für Laborbedingungen – unter realen Trainingslasten (kleine gemischte IOs, Multi-Node-Concurrency) wird die Zielmarke oft halbiert; nur ein Benchmark mit echten Workloads zeigt die Wahrheit (Erfahrungswerte aus der Prüfung dieses Bestands).
  • GDS-Kompatibilitätslücke : „NVMe-oF-Unterstützung“ ist nicht gleichzusetzen mit „Aufnahme in die NVIDIA-GDS-Kompatibilitätsliste“ – für Lösungen außerhalb der Liste muss die Durchleitungsanbindung selbst entwickelt werden; versteckte Kosten einplanen (laut offizieller Dokumentation[3]).
  • Kostenfalle All-Flash-Kapazität Auch kalte Daten auf All-Flash zu legen ist ein Budget-Schlund – ein dreistufiges Tiering (Hot/Warm/Cold) ist Kostendisziplin; All-Flash dient ausschließlich heißen Daten (Erfassung dieses Bestands).
  • Datenreste bei gebrauchten Storage-Arrays Die Datensicherheit der Vornutzung ist bei gebrauchten Arrays ein rechtliches Risiko – Nachweise über Secure Erase müssen als Transaktionsvoraussetzung gelten (Erfahrungswerte aus der Prüfung dieses Bestands).
  • Vendor Lock-in Parallele Dateisysteme sind eng mit dem Management-Stack des Arrays verzahnt; ein Markenwechsel zur Halbzeit ist teuer – bei der Auswahl auch die „Schwierigkeit des Datenauszugs“ als Parameter bewerten (Erfassung dieses Bestands).

Marktlage MARKET NOTE

NVMe All-Flash Storage · Marktdatenband noch nicht aktiviert

AI-Storage wird überwiegend projektförmig beschafft (große Unterschiede bei Konfiguration, Kapazität und Software-Stack), gebrauchte Arrays müssen zudem die Datensicherheitsprüfung bestehen – derzeit kein überprüfbarer, einheitlicher Marktdatensnapshot, Ehrlichkeitsprinzip dieser Datenbank: kein Marktdatenband; der Preis richtet sich nach dem tatsächlichen Angebot des Verkäufers 。

Angebotssuche: AIXX Markthalle › (Provisionsfreie Vermittlung, keine eigene Handelstätigkeit, keine Kenntnis und keine Vermutung von Abschlusspreisen – die Daten bleiben daher neutral). Sobald ausreichend Marktdaten vorliegen, wird dieser Abschnitt auf das Standard-Marktdatenband umgestellt.

FAQ FAQ

Worin unterscheidet sich der Speicher eines AI-Clusters von gewöhnlichem Enterprise-Storage?

Drei Unterschiede: Durchsatzgrößenordnung (das Füttern eines Tausend-GPU-Clusters ist ein Vielfaches normaler Enterprise-Lasten), Durchreichungsarchitektur (GPUDirect Storage umgeht die CPU), Concurrency-Muster (mehrere GPU-Nodes lesen denselben Datensatz parallel) – normales NAS oder Hybrid-Flash-Arrays kommen an diesen drei Punkten nicht mit.

Ist GPUDirect Storage zwingend erforderlich?

Dringend empfohlen: Daten umgehen die CPU und erreichen direkt den GPU-Speicher, wodurch Latenz und CPU-Last beim Trainingsdaten-Laden und Checkpoint-Schreiben gleichermaßen sinken (laut offizieller Dokumentation); Lösungen ohne GDS laufen ebenfalls, aber der Durchsatz über die CPU hat eine niedrige Obergrenze und die Host-Ressourcen werden vom Datentransport aufgefressen.

Warum ist der Checkpoint die erste Prüffrage für Storage?

Checkpoints großer Modelle bewegen sich im Zehn-TB-Bereich und werden häufig geschrieben: zu langsames Schreiben bremst das Training (GPUs warten aufs Speichern), ein Schreibabbruch kostet den gesamten Fortschritt – Checkpoint-Durchsatz und -Zuverlässigkeit trennen AI-Storage von gewöhnlichem Storage.

Kann man All-Flash-Arrays gebraucht kaufen?

Ja, aber drei Hürden sind zu nehmen: Datensicherheit (Nachweis der Secure Erase der Vornutzung ist Transaktionsvoraussetzung), Gesundheit (vollständiger Export der Schreiblebensdauer/SMART-Werte der NVMe-Laufwerke), Lizenzen (wandern Kapazitäts- und Feature-Lizenzen mit der Hardware mit?). Storage ist das Zuhause der Daten – bei den Abnahmekriterien gilt: lieber strenger als nachsichtig.

Müssen Storage-Netz und Compute-Netz getrennt sein?

Gleiche Technologie mit logischer Schichtung wird empfohlen: IB-Cluster mit IB-RDMA-Storage-Netz, Ethernet-Cluster mit RoCE – gemischte Technologien erfordern Gateway-Konvertierung und kosten Latenz wie Durchsatz. Auf Traffic-Ebene lassen sich Storage- und Compute-Netz physisch/logisch trennen, damit Checkpoint-Schreibvorgänge die Trainingskommunikation nicht beeinträchtigen.

Auswahlvergleich und Weiterführendes COMPARE

Quellen REFERENCES

  1. Introl — AI-Optimized Storage: NVMe-oF, GPUDirect & Parallel File Systems (Architekturübersicht 2025) https://introl.com/blog/ai-optimized-storage-nvme-gpudirect-…
  2. NVIDIA Developer Blog — NVIDIA GPUDirect Storage (Ankündigung 2020) https://developer.nvidia.com/blog/gpudirect-storage/
  3. NVIDIA offizielle Dokumentation — GPUDirect Storage Overview Guide (Deployment- und Kompatibilitätsangaben) https://docs.nvidia.com/gpudirect-storage/overview-guide/ind…
  4. VDURA — AI Storage Reference Design (Angaben zur All-Flash-Referenzarchitektur) https://www.vdura.com/resources/reference-architecture/ai-st…
  5. Angebotsuche — AIXX Börse (provisionsfreie Vermittlung; für AI-Storage derzeit kein Marktsnapshot, der Preis richtet sich nach dem Angebot des Verkäufers) https://www.aixx.vip/hall.html
Versionen und Korrekturen | Dieser Eintrag wird von der AIXX Pedia-Redaktion gepflegt: KI-gestützt entworfen, Fakten manuell verifiziert. Aktualisiert am 10.10.2026 · Version v1.0 · Jede Änderung ist nachvollziehbar dokumentiert. Fehler entdeckt? Gerne über Korrekturkanal einreichen – nach Prüfung erfolgt eine öffentliche Korrektur mit Eintrag in der Versionshistorie.

Videoerklärung VIDEO

Datenbank
RedaktionsrichtlinienInteressenmeldung zu dieser DatenbankKorrekturkanal
Auszug aus der Redaktionsverfassung
Jede Aussage mit QuelleSchwächen immer benannt · Korrekturen öffentlich dokumentiertKeine bezahlten EinträgeKeine Werbung oder Verkaufselemente in EinträgenMarktdaten ausschließlich als Datenmodul eingebunden
AIXX-Familie
AIXX PediaAIXX BörseAIXX News
Marktüberblick: AIXX Börse · © 2026 AIXX Pedia · Ein Angebot von AIXX