IBM：ZNS SSD与SSDFS：改善大容量SSD性能与寿命

阅读收获

• 存储架构师: 掌握SSDFS如何通过CoW、数据迁移及智能分区管理，将ZNS SSD硬件约束转化为性能与寿命优势，启发未来存储系统设计。
• 行业分析师: 洞察SSDFS在降低TCO、延长SSD寿命及实现绿色存储方面的潜力，评估其对数据中心运营成本和ESG战略的深远影响。
• 高校研究者: 学习SSDFS日志结构文件系统在闪存介质上的创新设计，特别是数据温度感知与高效数据缩减技术，为文件系统研究提供前沿案例。

全文概览

固态硬盘（SSD）的性能瓶颈与寿命挑战，一直是数据中心面临的难题。ZNS SSD作为一种新型存储介质，通过强制顺序写入，承诺更高的性能与更长的寿命，但其“仅追加写入”和“有限活跃分区”的硬件限制，又给上层应用带来了巨大的适配压力。如何才能充分释放ZNS SSD的潜力，同时避免复杂的软件改造？SSDFS日志结构文件系统，正是为解决这一矛盾而生。它如何通过精巧的软件设计，将ZNS SSD的局限性转化为优势，实现性能、寿命与成本的全面优化？本文将深入剖析SSDFS的核心机制。

👉 划线高亮 观点批注

图片主要阐述了 ZNS (Zoned Namespace) SSD 的基本概念、工作原理及其相对于传统SSD的优劣势：

1. 架构变革: ZNS 将数据放置的控制权从SSD内部（FTL）转移到了主机端（应用层）。应用可以按“Zone”隔离数据，确保物理介质上的顺序写入，消除了传统SSD因混合写入导致的写放大和不可预测的垃圾回收干扰。
2. 性能与成本收益: 通过强制顺序写入，ZNS SSD 显著提升了吞吐量和QoS稳定性（低长尾延迟），同时大幅降低了对OP（超额配置）空间的需求，从而降低了每GB的存储成本。
3. 技术门槛: 这种架构的代价是要求软件栈进行适配。主机端软件必须遵循NVMe ZNS规范的状态机（如管理打开、关闭、满状态），并严格遵守“仅追加写入”（Append-only）的规则，且需注意并发写入Zone的数量限制。

图片揭示了 SSDFS 是一个专为闪存（特别是 ZNS SSD 或 Open-Channel SSD）设计的 日志结构文件系统 (LFS)。其核心架构特点如下：

1. 三层抽象映射 (Segment -> LEB -> PEB):
   • SSDFS 引入了 Segment 和 LEB 的概念，将文件系统的逻辑操作与底层的物理几何结构（PEB）解耦。这种设计是为了对齐 NAND Flash 的物理特性（即按擦除块管理），这正是 ZNS SSD 要求应用层做到的。
2. 追加写入机制 (Append-only Log Approach):
   • 底部的详细图解证实了 SSDFS 采用 Append-only（仅追加） 的写入方式。数据以 "Log" 为单位写入，每个 Log 内部自带元数据（Bitmap 和 Translation Table）。
   • 这种设计完美契合了 ZNS SSD "不支持随机覆盖写" 的局限性。通过在 Log 内部封装转换表，SSDFS 可以在顺序写入的物理流中维护逻辑数据的索引，无需频繁的原地更新元数据。
3. 自描述的数据结构:
   • 每个 Log 包含 Header、Footer 和内部转换表，意味着数据在物理介质上是“自描述”的。这对于故障恢复（Crash Recovery）和垃圾回收（GC）非常重要，因为系统可以通过扫描物理 Log 重建逻辑映射关系。

===

日志结构详情 (Log Structure Details): 图片的下半部分详细解构了数据是如何写入这些块（Block）中的，采用了典型的 Log-Structured（日志结构） 设计：

• Full log (完整日志): 展示了一个填满的日志单元，包含 Header（头部，蓝色）、中间的数据区和 Footer（尾部，红色）。
• Partial log (部分日志): 展示了一个块中包含多个较小的日志片段，表明系统支持变长的写入粒度。
• Log Internal Layout (日志内部布局):
  • 右下角详细放大了一个 Log 的内部构成：
    • Header: 头部信息。
    • Block bitmap: 块位图，用于标记数据的有效性或位置。
    • Offset translation table: 偏移量转换表，这是关键元数据，用于在追加写入模式下定位逻辑地址到物理地址的映射。
    • Payload: 实际存储的数据负载。
    • Footer: 尾部信息，用于完整性校验或结束标记。

图片详细阐述了 SSDFS 如何通过软件设计克服 ZNS SSD 的硬件限制，其核心思想是 “基于迁移的写时复制 (Migration-based CoW)”：

1. 应对“大分区”与“仅追加”: SSDFS 不尝试在原位修改数据，而是利用 Copy-On-Write (CoW) 策略。所有更新（无论是用户数据还是元数据）都通过 "Migration" (迁移) 或 "Moving" (移动) 操作写入到新的Zone中。这顺应了 ZNS 的 Append-only 特性，并巧妙地将“垃圾回收”转化为了“数据迁移”过程，避免了传统意义上文件系统层面的复杂GC逻辑。
2. 应对“有限的活跃分区”: 为了不触碰 ZNS 硬件对 Open Zones 数量的限制（通常很小），SSDFS 对不同类型的数据（7种类型）实施严格的分类管理。它计算出 最小需要 14 个活跃分区（7类 2状态），并以此为基准设计调度逻辑，确保任何时刻打开的Zone数量都在硬件允许范围内。
3. 大粒度管理: 通过采用 32K/64K 的大逻辑块 和 压缩方案，SSDFS 试图更高效地填满巨大的 ZNS 分区，减少因小块随机写入带来的碎片化问题，从而提升空间利用率。

SSDFS 的这种设计非常精妙，它实际上是将 LSM-tree (日志结构合并树) 的思想应用到了文件系统层面。对于正在评估 ZNS 方案的架构师来说，这张图不仅解释了 怎么做，还暗示了 代价：系统必须预留足够的内存和计算资源来处理这些后台的 Compaction 和 Migration 任务，这可能会在重负载下消耗部分主机 CPU 资源。

图片揭示了 SSDFS 在 ZNS SSD 上进行 智能数据放置 (Data Placement) 的核心启发式算法：

1. 基于脏页率的温度感知: SSDFS 不依赖复杂且昂贵的历史访问追踪，而是采用了一种轻量级的、基于内存状态的方法。它认为：如果在缓存中一个文件的脏页比例很高，那么它就是一个正在被频繁写入的“热”文件。
2. 服务于冷热数据分离:
   • 这种分类机制的最终目的是为了解决 ZNS 的痛点。
   • 热文件 (High Temperature) 写入到 Hot Zones（这些分区的数据更新快，失效快，适合短命数据）。
   • 冷文件 (Low Temperature) 写入到 Cold Zones（这些分区的数据相对静态，适合长期保存）。
3. 优化迁移效率: 通过将相同温度的数据归类到同一个 Zone，SSDFS 可以最大程度地减少 Zone 内的“空洞”（无效数据），从而降低上一张图片中提到的 "Migration scheme" (迁移方案) 的频率和开销，延长 SSD 寿命并提升性能。

图片从 TCO (总拥有成本) 和 ESG (环境、社会和治理) 的角度对 SSDFS 进行了定位，超越了纯粹的性能讨论。其核心观点包括：

1. 极致的写放大优化: SSDFS 通过激进的数据缩减技术（压缩、差分编码、紧凑化），将原本巨大的逻辑写入量（如100KB）在物理层大幅缩减（如12KB）。这直接降低了 写放大系数 (WAF)。
2. 显著延长硬件寿命: 由于写入物理介质的数据量大幅减少，SSD 的磨损速度降低了 2到10倍。对于大规模数据中心而言，这意味着硬件采购周期的延长和巨大的资本支出（CapEx）节省。
3. 绿色存储技术: 该技术被包装为一种“绿色”解决方案，强调通过软件算法的优化来减少硬件浪费和电力消耗，符合当前数据中心追求碳中和的趋势。

===

• 寿命预估对比图 (Lifetime estimation - Bottom Left):
  • 这是一个横向条形图，对比了不同文件系统在特定负载下（如 10-10000, 10-1000 次更新循环）对SSD寿命的影响。
  • 表现: 浅蓝色的 SSDFS 条柱长度占据了绝对优势，远超其他传统文件系统（ext4/xfs）甚至是为了Flash设计的系统（f2fs/nilfs2）。
  • 结论文字: 在真实场景下，SSDFS可将SSD寿命延长2到10倍。
• 写入I/O请求对比图 (Write I/O requests - Bottom Middle):
  • 图表展示了不同文件系统产生的写入I/O量的相对比例。
  • 结论文字: 与其他文件系统相比，SSDFS能减少1.5倍到20倍的写入I/O请求。
  • 这就解释了左图寿命延长的原因：写入更少，磨损自然更小。

图片的核心观点是：SSDFS 通过“空间换时间”和“算力换IO”的策略，在特定场景下实现了超越传统文件系统的性能。

1. 逻辑吞吐量优势: 在“创建”和“更新”这两个通常受限于写入I/O的操作中，SSDFS 取得了近 2倍 的性能优势。这主要归功于其 在线压缩 (Inline Compression) 和 紧凑化 (Compaction) 技术——通过减少实际写入闪存的数据量，变相提升了逻辑写入速度。
2. 配置敏感性: 图表中 128K vs 8M 的差异表明，SSDFS 的性能高度依赖于 Segment Size 的配置。大段（8M）有利于高吞吐读取，而较小的段可能在元数据操作或删除上更灵活。
3. 场景定位: 图片底部的说明强调了“高压缩率数据”。这暗示 SSDFS 最适合存储文本日志、数据库备份等可压缩数据，在这些场景下，它能利用 CPU 算力大幅减少后端存储介质的 I/O 瓶颈。

ZNS SSD 与计算型存储的比较

整理至此，脑子里忽然闪了下计算型存储的概念和场景价值，与 ZNS SSD将IO行为上移至Host软件层（文件系统）来改善大容量SSD可用性相比，计算型存储为了减少数据复制，在SSD上集成更多算力。

延伸思考

这次分享的内容就到这里了，或许以下几个问题，能够启发你更多的思考，欢迎留言，说说你的想法~

1. SSDFS通过“算力换IO”策略，将大量后台任务转移到CPU。在实际生产环境中，如何平衡CPU资源消耗与存储性能提升，避免新的系统瓶颈？
2. ZNS SSD要求上层应用进行适配，SSDFS作为文件系统层面的解决方案，其推广和普及面临哪些生态挑战？如何激励更广泛的软件栈（如数据库、容器存储）进行ZNS-aware的优化？
3. SSDFS的数据温度感知机制基于“脏页率”，这是一种轻量级启发式算法。在面对复杂多变的工作负载时，这种机制的准确性和适应性如何？是否存在更普适或更精细的温度感知策略？

原文标题：Building an efficient eco-system using ZNS SSD[1]

Notice：Human's prompt, Datasets by Gemini-3-Pro

#FMS25 #ZNS大容量硬盘

---【本文完】---

丰子恺-护生画集-林间的音乐队

👇阅读原文，搜索🔍更多历史文章。

1. https://files.futurememorystorage.com/proceedings/2025/20250806_FARC-203-1_Dubeyko.pdf ↩