SECTIONS
EDITIONS
NETWORK
AIXX Pedia La enciclopedia del mundo del cómputo

AIXX Pedia › Ficha de infraestructura › Almacenamiento todo-flash NVMe

Imagen oficial de datacenter de NVIDIA (imagen del fabricante)
Escenario de centro de datos de IA · AIXX Pedia (sitio oficial de NVIDIA)

Almacenamiento todo-flash NVMe

Capa de almacenamiento de clústeres de IA · NVMe-oF · GPUDirect Storage · glosario de infraestructura

Resumen OVERVIEW

Almacenamiento todo-flash NVMe Es la «tercera pata» de los clústeres de AI: además del cómputo (GPU) y la red (NVLink/fabric), el pipeline de datos de entrenamiento e inferencia — escritura/lectura de checkpoints, rendimiento del conjunto de datos de entrenamiento, estratificación del KV cache— recae enteramente en la capa de almacenamiento. Protocolo NVMe (SSD directo a PCIe, saltándose controladores SAS/SATA tradicionales) + arreglos all-flash + red NVMe-oF + GPUDirect Storage (Los datos van directamente del almacenamiento a la memoria de la GPU sin pasar por copias en la CPU, según la documentación oficial de NVIDIA[3]), una pieza clave del estándar de almacenamiento para IA moderna.

Por qué se volvió imprescindible en los clústeres de IA: los checkpoints de un clúster de mil GPUs rondan las decenas de TB y los datasets de entrenamiento se miden en cientos de TB; el rendimiento de discos mecánicos o arrays híbridos no da abasto, y cada segundo que la GPU espera datos es dinero quemado en tarjetas. NVMe-oF extiende el rendimiento all-flash a la red (vía RDMA directo[1]) y GPUDirect Storage elimina la CPU del camino de datos: estas dos cosas deciden si la capa de almacenamiento es un acelerador o un cuello de botella.

Esta entrada es una entrada de selección de categoría : aborda la arquitectura de almacenamiento desde la perspectiva del clúster de IA, los parámetros de selección y la aceptación en compras, sin centrarse en un único producto. No hay precio de mercado unificado para el almacenamiento: el precio real está sujeto a la cotización del vendedor.

Casos de uso FIT

AIXX Index (0–100): estimación ponderada según la adecuación al escenario. 90+ nivel insignia · 75+ Excelente · 60+ utilizable · menos de 60 no aplicable.

Pipeline de datos para entrenamiento de grandes modelos 93AIXX Index
Throughput de datasets de entrenamiento + escritura y lectura rápida de checkpoints— con GPUDirect Storage en modo directo, la GPU no se queda sin datos; el NVMe all-flash es el único nivel que puede seguirle el ritmo.
Capa de datos calientes para servicios de inferencia 88AIXX Index
carga de pesos del modelo (componente de la latencia del primer token) + estratificación del KV cache — usar NVMe como capa de desborde de la memoria GPU es la arquitectura dominante.
Capa frontal del data lake 78AIXX Index
Capa de caché all-flash entre el almacenamiento de objetos (datos fríos) y el clúster de GPUs— «lago de objetos + caché all-flash» es la práctica estándar de la arquitectura en dos tramos.
Compartición de archivos general 40AIXX Index
Un uso de compartición de archivos que no alimenta a la GPU no necesita una arquitectura de nivel NVMe-oF— un NAS convencional es más económico; no pagues por un rendimiento que no vas a usar.

Historia HISTORY

En 2011 , se publica la especificación NVMe 1.0: un protocolo que conecta los SSD directo a PCIe y nace para la memoria flash, reemplazando el canal SAS/SATA— la base protocolar de los arrays all-flash (fuente pública del sector).

2016-2020 : mainstreamización de los arrays all-flash: la especificación NVMe-oF extiende NVMe a la red (RDMA directo) y los arrays all-flash de Dell/NetApp/Pure se convierten en el nuevo estándar del almacenamiento empresarial; los clústeres de GPU empiezan a montarse sobre bases all-flash (según el sector[1]).

En 2020 , NVIDIA lanza GPUDirect Storage : los datos de almacenamiento llegan por RDMA directamente a la memoria de la GPU sin pasar por la CPU (según el blog de desarrolladores y la documentación oficial de NVIDIA[2][3]), se resuelve el último kilómetro del almacenamiento para IA y el ecosistema CUDA suma otra victoria.

2023-2026 , estandarización en clústeres de IA: las necesidades de checkpoints y rendimiento de datos del entrenamiento de grandes modelos colocan el almacenamiento en el centro de la infraestructura: la arquitectura en tres capas «lago de objetos (frío) + caché all-flash (caliente) + acceso directo GPUDirect» se convierte en la arquitectura de referencia para IA (según arquitecturas de referencia del sector[4]).

Parámetros de selección SELECTION GUIDE

ParámetroQué mirarCriterio de medición
Throughput (GB/s)Coincidencia del ancho de banda agregado de lectura/escritura con la velocidad de consumo de la GPUCalcular el throughput de almacenamiento a partir de «datos consumidos por hora por el clúster», con un 30 % de margen (criterio estimado)
IOPS y latenciaEn escenarios de IO pequeño (metadatos de checkpoints, estratificación del KV cache) mirar IOPS y latencia P99Alto throughput ≠ baja latencia; evaluar ambas cargas por separado
Soporte NVMe-oFExtensión a red bajo transporte RDMA (RoCE/IB)Cotejar con la ruta fabric del clúster: red IB con IB-RDMA, Ethernet con RoCE
GPUDirect StorageSi el array/sistema de archivos figura en la lista de compatibilidad GDS de NVIDIAla lista oficial de compatibilidad de NVIDIA es la referencia (según su documentación[3]); para soluciones fuera de la lista, el acceso directo requiere desarrollo adicional.
Sistema de archivos paraleloLustre/familia GPFS/FS paralelos propios del fabricanteMúltiples nodos GPU leyendo concurrentemente el mismo dataset: el throughput paralelo es clave
Escalonamiento de capacidadTres niveles: caliente (NVMe)/tibio (híbrido)/frío (objeto/cinta)All-flash solo para datos calientes— el costo de capacidad se reduce mediante el escalonamiento
Protección de datosErasure coding/replicación, snapshots, recuperación ante desastres en otro sitioEl seguro de los datasets de entrenamiento y checkpoints; dimensionar según el valor de los datos

Criterios de selección elaborados por esta biblioteca a partir de documentación arquitectónica pública (criterios de octubre de 2026)[1][3][4]; lo definitivo es la documentación del fabricante y las pruebas de estrés reales.

Array all-flashPool de SSD NVMe Red NVMe-oFRDMA directo Memoria de GPUGPUDirect sin pasar por la CPU Camino de datos del almacenamiento para IA · NVMe-oF + GPUDirect Storage (esquema)

Arquitectura de almacenamiento para IA en tres tramos TIERING

CapaMedio/formatoQué se alojaIndicador clave
Capa calienteArray all-flash NVMe / NVMe distribuidoConjuntos de entrenamiento activos, checkpoints, estratificación del KV cacheThroughput + paso directo GPUDirect
Capa tibiaHíbrido / NVMe de gran capacidadVersiones recientes de datasets, productos intermedios de preprocesamientoRelación capacidad-precio
Capa fríaAlmacenamiento de objetos / cintaLago de datos original, archivo históricoCosto por unidad de capacidad

La arquitectura de tres capas es una elaboración de esta biblioteca a partir de arquitecturas de referencia públicas[4]; la estrategia de capas se adapta al ciclo de vida de los datos de cada negocio.

Ecosistema y panorama de fabricantes VENDORS

Tres tipos de actores en el almacenamiento para IA (recopilación de esta base, no constituye recomendación de compra):

CampoRepresentantesPosicionamiento y características
Arrays all-flash empresarialesDell PowerStore/PowerScale, NetApp AFF, Pure FlashArray//FlashBlade, Huawei OceanStor, serie AS de InspurProtección de datos y sistemas de operación empresariales completos; la adaptación a IA depende de la compatibilidad GPUDirect y el throughput paralelo (criterio de líneas de producto públicas)
Almacenamiento nativo para IAVAST Data, WEKA, VDURA y otros fabricantes de nueva generación de sistemas de archivos paralelosPensado para clústeres de GPU: FS paralela + capas NVMe + integración profunda con GDS (según arquitecturas de referencia[4]).
Autoconstrucción/código abiertoLustre, Ceph, JuiceFS y otras soluciones propiasEn clústeres muy grandes, el autocontrol es fuerte; el personal de operación es el costo (criterio del ecosistema público)

La información de fabricantes es una recopilación de líneas de producto públicas; lo específico está sujeto a los materiales oficiales de cada fabricante; el lado de las memorias NAND (discos NVMe empresariales de Samsung/Solidigm/Western Digital) es otra capa de la cadena de suministro, ya incluida en la compra del array.

Imagen oficial de datacenter de NVIDIA
Escenario de infraestructura de centro de datos de IA (imagen oficial · sitio web de NVIDIA)

Las fotos reales de equipos de almacenamiento se irán subiendo conforme lleguen los lotes verificados; las imágenes generadas por IA no se presentan como fotos reales.

Despliegue e integración DEPLOYMENT

Tabla de tres pasos para poner en producción el almacenamiento: Cotejo del fabric : (la red de almacenamiento sigue la misma ruta que el fabric de cómputo: clústeres IB con red de almacenamiento IB-RDMA, Ethernet con RoCE— mezclar rutas exige gateway y penaliza latencia y throughput); Habilitación de GDS (componentes desplegados según la documentación oficial de GDS de NVIDIA[3], asumiendo que el array está en la lista de compatibilidad); Pruebas de estrés para dimensionar : (pruebas de throughput con las tareas reales de entrenamiento— las especificaciones de papel no cuentan; solo con pruebas se sabe si la GPU espera o no).

Consejo de operación: monitorear las métricas de la capa de almacenamiento (throughput/IOPS/latencia P99/nivel de capacidad) en la misma pantalla que el monitoreo del clúster de GPUs— «utilización de GPU anormalmente baja» tiene como primer punto de revisión la velocidad de alimentación del almacenamiento (criterio de experiencia de operación de esta base).

Compra y aceptación PROCUREMENT

Puntos clave de aceptación para la compra de almacenamiento para IA (tres ítems):

1
Pruebas de estrés con tareas reales primero
Probar throughput y latencia con el dataset real de la tarea objetivo de entrenamiento/inferencia— los datos demo del fabricante ≠ la forma de tus datos; las soluciones que no pasen la prueba no entran al contrato.
2
Compatibilidad GDS y prueba real del paso directo
Array dentro de la lista de compatibilidad GDS de NVIDIA (criterio oficial[3]) + ancho de banda medido en pruebas directas: «soportar NVMe-oF» no significa «soportar GPUDirect», son dos cosas que hay que validar por separado.
3
Ejercicios de falla
Tres ejercicios: reconstrucción por falla de disco, conmutación de controladores y reconexión tras corte de red: el costo de que el almacenamiento titubee a mitad de un entrenamiento es repetir toda la ronda— aprobar los ejercicios antes de entrar en producción.

Los seis criterios completos de aceptación se ven en esta entrada «Cómo verificar» de esta ficha.

Cómo hacer la aceptación ACCEPTANCE TEST

Seis criterios de aceptación (marco de aceptación de almacenamiento para IA): inventario al desempaquetar → throughput básico → paso directo GPUDirect → lectura concurrente → ejercicios de falla → pruebas de estabilidad prolongada.

1
Inventario al desempaquetar
Verificar controladores/discos NVMe/módulos de caché contra la lista de embalaje; exportar y archivar números de serie y estado de licencias (licencias de capacidad/licencias de funciones).
2
Throughput básico
Con herramientas estándar como fio mide lectura/escritura agregada: ≥85% del valor nominal del fabricante se considera Aprobado (criterio estimado); atento a que el tamaño de bloque y la profundidad de cola reflejen la carga real.
3
Passthrough GPUDirect
Desplegar según la documentación oficial de NVIDIA GDS y ejecutar las pruebas oficiales[3]: se considera Aprobado si el ancho de banda directo de almacenamiento a memoria de GPU cumple el objetivo y el uso de CPU es notablemente inferior al modo con intermediario.
4
Lectura concurrente
Varios nodos GPU leyendo el mismo dataset en paralelo: la linealidad del throughput agregado y la latencia P99 deben cumplir el objetivo; una solución que va rápida con un nodo y se desploma con varios no pasa esta prueba.
5
Ejercicios de falla
Tres simulacros: extracción y reconstrucción de discos, conmutación de controladora y caída de red: se considera Aprobado si no se pierden datos y el tiempo de recuperación queda dentro del SLA contractual.
6
Prueba de estabilidad prolongada
Prueba conjunta con tareas reales de entrenamiento durante ≥24 horas continuas (criterio del marco de referencia): la curva de throughput del almacenamiento debe ser estable y las GPU sin esperas por hambre de datos; solo se entrega si la prueba conjunta se supera.

Transporte y entrega LOGISTICS

1
Transporte y reposo del array de discos
Un array a plena carga de discos NVMe pesa mucho y los discos temen las vibraciones: embalaje original del fabricante + registrador de datos de transporte (si está configurado); dejar reposar tras la entrega antes de encender (según el fabricante).
2
Seguridad y residuos de datos
Los restos de datos anteriores de un array de almacenamiento de segunda mano son una línea roja de seguridad: borrado seguro completo de los discos tras la recepción (según la norma de seguridad de datos) antes de conectarlo a la red; los datos del propietario anterior no deben entrar en tu CPD.
3
Inspección conjunta a la llegada
Verifica tres puntos: estado exterior, accesorios y licencias; firma la recepción solo tras superar las seis comprobaciones de «cómo validar» — el almacenamiento es el hogar de los datos, y los estándares de aceptación deben ser altos, no bajos.

Fichas de términos GLOSSARY

NVMe

Protocolo de almacenamiento nacido para la memoria flash: SSD conectado directo al bus PCIe, alta profundidad de cola y baja latencia; frente a SAS/SATA, libera la velocidad de la flash. Los SSD NVMe son el bloque básico de los arrays all-flash.

NVMe-oF

NVMe over Fabrics: extiende el protocolo NVMe a la red (transporte RDMA, sobre IB o RoCE); los servidores acceden a arrays all-flash remotos como si fueran discos locales, con pérdidas de rendimiento mínimas (según el sector[1]).

GPUDirect Storage(GDS)

La tecnología de acceso directo de NVIDIA: los datos van del almacenamiento NVMe/arrays por RDMA directamente a la memoria de la GPU sin copias intermedias en la CPU; tecnología clave para acelerar la carga de datos de entrenamiento y la lectura/escritura de checkpoints (según documentación oficial[3]).

Sistema de archivos paralelo

Arquitectura de almacenamiento con acceso concurrente multi nodo al mismo sistema de archivos (familia Lustre/GPFS, etc.): distribuye los datos en franjas (striping) entre varios nodos de almacenamiento para agregar throughput; solo un FS paralelo aguanta que un clúster de mil GPU lea el dataset de entrenamiento a la vez.

Checkpoint

Punto de guardado del proceso de entrenamiento: volcado periódico de los pesos del modelo + estado del optimizador; los checkpoints de grandes modelos se cuentan en decenas de TB: escribir lento frena el ritmo del entrenamiento y perderlos arruina todo el progreso. El throughput de checkpoint es la primera prueba del almacenamiento para IA.

Escalera por niveles del KV cache

Solución de desbordamiento de memoria en servicios de inferencia: el KV cache que no cabe en el HBM de la GPU pasa a la capa NVMe; se intercambia ancho de banda NVMe por capacidad de memoria, un componente de las arquitecturas de inferencia con contextos largos y lotes grandes concurrentes.

Limitaciones y controversias LIMITS

  • Ilusión de throughput : el throughput nominal del fabricante es un valor de laboratorio en condiciones ideales; con cargas reales de entrenamiento (mezcla de IO pequeños, concurrencia multinodo) el cumplimiento suele quedarse a la mitad; solo el estrés con tareas reales es el espejo que no engaña (criterio de experiencia de verificación de esta base).
  • Fragmentación de compatibilidad GDS : «soportar NVMe-oF» no significa «estar en la lista de compatibilidad GDS de NVIDIA»; las soluciones fuera de la lista requieren desarrollo propio para el acceso directo, un coste oculto que hay que calcular (según documentación oficial[3]).
  • Trampa de coste del all-flash total : meter también los datos fríos en all-flash es un agujero negro presupuestario; la arquitectura de tres niveles (caliente/templado/frío) es disciplina de coste; el all-flash solo sirve datos calientes (criterio de esta base).
  • Residuos de datos en arrays de segunda mano : la seguridad de los datos anteriores de un array de segunda mano es un riesgo de nivel legal; el certificado de borrado seguro debe ser condición previa de la transacción (criterio de experiencia de verificación de esta base).
  • Vendor lock-in : los sistemas de archivos paralelos están profundamente ligados a la pila de gestión del array, y migrar de marca a mitad de camino cuesta caro; al elegir, valora también «lo difícil que es sacar los datos» como parámetro (criterio de esta base).

Notas de mercado MARKET NOTE

Almacenamiento all-flash NVMe · franja de mercado aún no disponible

El almacenamiento para IA se compra sobre todo por proyectos (grandes diferencias de configuración/capacidad/pila de software), y los arrays de segunda mano deben superar además el filtro de seguridad de datos; de momento no hay una instantánea de mercado unificada y verificable, Principio de honestidad de este repositorio: no publicamos bandas de mercado; el precio real está sujeto a la cotización del vendedor 。

Búsqueda de unidades en venta: AIXX Exchange Hall › (Intermediación sin comisión; no participa en transacciones, no conoce ni especula con precios de cierre, de ahí su neutralidad). Cuando se acumulen suficientes instantáneas de mercado, esta sección se convertirá en la franja de mercado estándar.

Preguntas frecuentes FAQ

¿En qué se diferencia el almacenamiento de un clúster de IA del almacenamiento empresarial convencional?

Tres diferencias: escala de throughput (alimentar un clúster de mil GPU es decenas de veces una carga empresarial típica), arquitectura de paso directo (GPUDirect Storage evita la CPU) y patrón de concurrencia (múltiples nodos GPU leyendo el mismo dataset en paralelo); un NAS convencional o un array híbrido no da abasto ante ninguna de las tres.

¿Es imprescindible GPUDirect Storage?

Muy recomendable: los datos llegan directo a la memoria de GPU sin pasar por la CPU, reduciendo a la vez latencia y uso de CPU en la carga de datos de entrenamiento y la lectura/escritura de checkpoints (criterio de la documentación oficial); las soluciones sin GDS también funcionan, pero el techo de throughput del paso por CPU es bajo y el trasiego de datos devora recursos del host.

¿Por qué el checkpoint es la primera prueba del almacenamiento?

Los checkpoints de grandes modelos se cuentan en decenas de TB y se escriben con frecuencia: si la escritura es lenta, frena el entrenamiento (las GPU esperan al volcado) y si se interrumpe, se pierde todo el progreso; el throughput y la fiabilidad de los checkpoints son la línea divisoria entre almacenamiento para IA y almacenamiento convencional.

¿Se puede comprar un array all-flash de segunda mano?

Sí, pero pasando tres filtros: seguridad de datos (el certificado de borrado seguro de los datos anteriores es condición de la transacción), salud (exportación completa de vida útil de escritura/SMART de los SSD NVMe) y licencias (si las licencias de capacidad y características se transfieren con el hardware). El almacenamiento es el hogar de los datos: los estándares de aceptación deben ser altos, no bajos.

¿Hay que separar la red de almacenamiento de la red de cómputo?

Recomendado, misma tecnología con capas separadas: clústeres IB con red de almacenamiento IB-RDMA, clústeres Ethernet con RoCE; mezclar tecnologías exige pasarelas de conversión que penalizan latencia y throughput. A nivel de tráfico, la red de almacenamiento y la de cómputo pueden aislarse física o lógicamente para evitar que la escritura de checkpoints golpee la comunicación del entrenamiento.

NVMe (página conceptual)GB200 NVL72GB300 NVL72CDU de refrigerado por líquidoBlueField-3ConnectX-7GPUDirect StorageSistema de archivos paraleloEscalera por niveles del KV cache

Guía de selección y extensiones COMPARE

Referencias REFERENCES

  1. Introl — AI-Optimized Storage: NVMe-oF, GPUDirect & Parallel File Systems (reseña de arquitectura 2025) https://introl.com/blog/ai-optimized-storage-nvme-gpudirect-…
  2. NVIDIA Developer Blog — NVIDIA GPUDirect Storage (nota de lanzamiento de 2020) https://developer.nvidia.com/blog/gpudirect-storage/
  3. Documentación oficial de NVIDIA — GPUDirect Storage Overview Guide (criterios de despliegue y compatibilidad) https://docs.nvidia.com/gpudirect-storage/overview-guide/ind…
  4. VDURA — AI Storage Reference Design (criterio de arquitectura all-flash de referencia) https://www.vdura.com/resources/reference-architecture/ai-st…
  5. Búsqueda en venta — AIXX (Intermediación sin comisión; sin instantánea de mercado de almacenamiento IA por ahora, el precio está sujeto a la cotización del vendedor) https://www.aixx.vip/hall.html
Versiones y correcciones |Esta entrada es mantenida por la redacción de AIXX Pedia, redactada con asistencia de IA y verificada por humanos. Actualizada el 10-10-2026 · versión v1.0 · todos los cambios quedan registrados y son consultables. ¿Encontró un error? Puede comunicarse mediante canal de correcciones tras verificarlo se corregirá públicamente y se anotará en el historial de versiones.

Vídeo explicativo VIDEO

Esta base
Política editorialSobre esta base (declaración de intereses)canal de correcciones
Resumen de la constitución editorial
Cada afirmación con fuenteDefectos siempre indicados · correcciones públicas y trazablesNo se aceptan entradas pagadasCero elementos de captación o venta dentro de las entradasLos datos de cotización solo se montan como módulo de datos
Familia AIXX
AIXX PediaAIXX ExchangeAIXX Noticias
Repaso de mercado: AIXX Exchange · © 2026 AIXX Pedia · una producción de AIXX