Новый Infortrend EonStor GS 5024U достигнул производительности в 2 400 000 IOPS

Компания Infortrend представила новую систему хранения данных EonStor GS 5024U, которая устанавливает новую планку производительности для корпоративных ИИ-нагрузок. Пиковые 2 400 000 IOPS делают решение одним из наиболее производительных NVMe-массивов в своём классе — особенно актуальным для задач обучения нейронных сетей и инференса в реальном времени.

Ключевые показатели производительности

EonStor GS 5024U демонстрирует параметры, которые раньше были характерны лишь для специализированных кластерных решений:

Такие показатели достигнуты благодаря использованию твёрдотельных накопителей PCIe 5.0 NVMe, высокоскоростных интерфейсов 200GbE и процессоров Intel Xeon 6 нового поколения.

Технологии, ориентированные на ИИ-инфраструктуру

Однако производительность — не единственное, что имеет значение. EonStor GS 5024U создавался с расчётом на современные ИИ-рабочие нагрузки, где узким местом часто становится именно передача данных к GPU.

NVMe-oF (NVMe over Fabrics) и GPUDirect Storage (GDS) позволяют GPU-ускорителям обращаться к данным напрямую, минуя центральный процессор. Это сокращает задержки и снижает нагрузку на CPU при массированном обучении моделей.

Для сред высокопроизводительных вычислений (HPC) система поддерживает Lustre — параллельную файловую систему, широко применяемую в суперкомпьютерных кластерах. Наряду с этим реализована POSIX-совместимая файловая система, что упрощает интеграцию с существующими приложениями без переработки кода.

Надёжность и масштабируемость для ЦОД

Для корпоративных заказчиков не менее важна отказоустойчивость:

По масштабируемости: система поддерживает до 3 расширений NVMe JBOF (дисковых полок), петабайтные объёмы хранения и автоматическое многоуровневое хранение данных с поддержкой до 4 уровней — горячие данные остаются на быстрых NVMe, холодные автоматически перемещаются на более экономичные носители.

Где применяется EonStor GS 5024U

Решение ориентировано на три ключевых сценария работы с ИИ:

1. Предобучение больших языковых моделей (LLM Pre-training) — высокая пропускная способность обеспечивает  непрерывную подачу данных к GPU-кластеру.
2. Инференс в реальном времени (RAG) — ультранизкая задержка 0,3 мс критична для систем, генерирующих ответы на основе языковых моделей.
3. Fine-tuning и доменная адаптация моделей — быстрая итерация при переобучении под конкретную задачу или отрасль.

Получите консультацию

Если вы оцениваете возможности обновления инфраструктуры хранения или планируете развёртывание ИИ-платформы в вашем ЦОД — специалисты Датастрим ДЕП готовы подготовить коммерческое предложение с учётом ваших задач и объёмов. Свяжитесь с нами для получения консультации или запроса КП.

→ СВЯЗАТЬСЯ С МЕНЕДЖЕРОМ