存储优化型 Z4M 机器系列正式发布

空逐月AI 前沿📡 BestBlogs·AI高分精选⭐ 872026-11-071133 阅读💛 37 收藏
存储优化型 Z4M 机器系列正式发布

📌 One-Sentence Summary

Google 宣布 Compute Engine 新一代存储优化型 Z4M 机器系列正式推出,可提供高达 168,000 GiB 的本地 SSD 存储和 400 Gbps 的 Cloud RDMA 网络,满足高要求的 AI/ML 训练及企业数据库工作负载需求。

📝 Summary

Google Cloud 宣布 Compute Engine 存储优化型 Z4M 机器系列正式推出,提供虚拟机和裸金属实例。Z4M 专为 AI/ML 训练和推理工作负载设计,适用于检查点保存、分布式 KV 缓存和并行文件系统等场景,可提供高达 168,000 GiB 的本地 SSD 存储和 400 Gbps 的 Cloud RDMA 网络。Z4M 搭载第五代 Intel Xeon Scalable 处理器和 Titanium SSD,随机读取 IOPS 高达 15.6M,顺序读取吞吐量高达 75,600 MiB/s;与 Z3 相比,IOPS 性能最高提升 70%,吞吐量最高提升 110%。该系列支持 GPUDirect Storage 和 TPUDirect Storage,帮助 GPU 和 TPU 保持满负载运行;同时兼容 Hyperdisk 存储选项,包括 Balanced、Throughput 和 Extreme 层级。

💡 Main Points

Z4M 为 AI/ML 工作负载提供超大存储容量和高性能网络

Z4M 可提供高达 168,000 GiB 的本地 SSD 存储和 400 Gbps 的 Cloud RDMA 网络,随机读取 IOPS 高达 15.6M,顺序读取吞吐量高达 75,600 MiB/s。与 Z3 系列相比,IOPS 性能最高提升 70%,吞吐量最高提升 110%。

Cloud RDMA 相比 TCP 网络可将数据访问延迟最多降低 60%

支持 RDMA 的 400 Gbps 网络有助于降低数据访问延迟,让 GPU 和 TPU 保持满负载运行,使应用提升吞吐量,并优化云资源投入。

Z4M 裸金属实例为智能体 AI 工作负载提供直接硬件访问

裸金属实例可移除虚拟化层,降低自定义虚拟机监控程序和具有特定许可需求的工作负载的延迟;也适合借助 Agent Substrate 大规模运行相互隔离的沙箱。

Z4M 支持数据库和并行文件系统等多种存储优化场景

该系列面向检查点保存、分布式 KV 缓存、并行文件系统(Weka、Sycomp、Silk、VDURA)以及业务关键型企业数据库(SQL、NoSQL、向量数据库、数据搜索)等场景,可持续提供高 I/O 性能。

兼容 Hyperdisk,可按工作负载需求配置块存储

Z4M 虚拟机和裸金属实例支持 Hyperdisk Balanced、Throughput 和 Extreme 存储选项。Hyperdisk Extreme 可为高要求数据库工作负载提供超低延迟,性能最高达 500K IOPS 和 12,500 MiB/s 吞吐量。

💬 Key Quotes

Z4M 可提供高达 168,000 GiB 的本地 SSD(LSSD)存储,并搭配高达 400 Gbps 的 Cloud 远程直接内存访问(RDMA)网络。

与 TCP 网络相比,RDMA 可将数据访问延迟最多降低 60%,从而提升这些高要求工作负载的性能。

Z4M 的随机读取 IOPS 高达 15.6M,顺序读取吞吐量高达 75,600 MiB/s;与 Z3 相比,LSSD 存储性能和吞吐量分别最高提升 70% 和 110%。

Z4M 虚拟机和裸金属实例最多可提供 192 个 vCPU 和 1,536 GiB 内存,满足大规模数据处理需求。

Hyperdisk Extreme 可提供超低延迟;每个 Z4M 虚拟机和裸金属实例最高支持 500K IOPS 和 12,500 MiB/s 吞吐量,非常适合高要求的数据库工作负载。

📊 Article Meta

AI Screening: 87

Source: Google Cloud Blog

Author: bob Napaa

Category: 人工智能

Language: 英文

Read Time: 5 min

Word Count: 1177

Tags:

AI 与智能应用 , 机器学习 , 性能优化 , KV Cache优化 , 人际关系

#AI 与智能应用# 机器学习# 性能优化# KV Cache优化# 人际关系

文章评论(12)

星知秋8 天前

实测过类似工具,作者说的基本属实。

回复
龙文博8 天前

路过

回复
风拾光8 天前

很有价值的分享,感谢整理。

回复
蓝归舟8 天前

看标题就点进来了,内容果然没让人失望。

回复
龙文博8 天前

收藏了,以后慢慢研究。

回复
松听风8 天前

楼主辛苦了,内容很有参考价值。

回复
晨沐雨8 天前

思路清晰,干货满满。

回复
石佳琪8 天前

点赞,必须点赞

回复
逐光而行8 天前

支持作者,持续关注中。

回复
墨向阳8 天前

收藏了,以后慢慢研究。

回复
晨沐雨8 天前

有没有更详细的教程,期待后续。

回复
空向阳8 天前

看标题就点进来了,内容果然没让人失望。

回复