ObjectScale.Next : une année de performances sans relâche pour les données d’IA

L’IA ne cesse de hausser la barre en matière de stockage. Les processeurs graphiques ne peuvent pas rester inactifs en attendant les E/S. Les fonctionnalités de diffusion en continu, les intégrations et les artéfacts intermédiaires ne peuvent pas être restreints par les goulots d’étranglement de petits objets. L’inférence des GML ne peut pas évoluer si le cache KV est coincé dans la mémoire du processeur graphique au lieu d’alimenter les accélérateurs à la fréquence de ligne.

Depuis la sortie de la version 4.0 il y a un an, ObjectScale a continué à innover en matière de performances en ajoutant des fonctionnalités pour les petits et les grands objets, les chemins de données RDMA, les chemins de données sensibles au processeur graphique et le déchargement de la mémoire cache KV, tout en associant ces fonctionnalités à la technologie de serveur Dell PowerEdge All‑Flash la plus récente, et en préservant l’architecture exascale, l’efficacité et la simplicité dont les entreprises ont besoin.

L’accent sur la performance est l’une des principales raisons pour lesquelles ObjectScale a été nommé produit de l’année 2025 du CRN pour le stockage de classe entreprise, un prix choisi par des rédacteurs qui souligne l’impact d’ObjectScale sur les défis les plus difficiles d’aujourd’hui en matière de données d’entreprise.

Une plateforme unique, des gains de performance cumulatifs

Dans les déploiements ObjectScale définis par logiciel sur des serveurs Dell PowerEdge qualifiés, des tests internes ont démontré un débit de lecture par nœud allant jusqu’à 40 Go/sec1, soit jusqu’à 8 fois plus rapide¹ que les plateformes d’objets All‑Flash de la génération précédente. Cela donne aux équipes d’IA un moteur compact et à bande passante élevée pour les grands ensembles de formation, les points de contrôle et les charges de travail de tailles mixtes.

Ces gains vont bien au-delà du laboratoire. Aujourd’hui, ObjectScale fait ses preuves dans certains des environnements les plus exigeants :

• Négociations à haute fréquence à grande échelle : une grande entreprise de négociation à haute fréquence basée à New York traite plus de 30 milliards de transactions par jour, en s’appuyant sur ObjectScale pour maintenir les moteurs de négociation, de gestion des risques et d’analyse continuellement alimentés en données.
• Services financiers mondiaux : une société financière mondiale utilise un environnement multisite basé sur des lecteurs de disques durs ObjectScale pour traiter 1,5 milliard de transactions quotidiennes tout en servant plus de 1 000 charges de travail d’IA, d’analyse et de sauvegarde par l’intermédiaire d’un libre‑service automatisé.
• Négociation à haute fréquence basée au Royaume‑Uni : une société de négociation à haute fréquence basée au Royaume‑Uni a maintenu un débit de lecture global d’environ 280 Go/s sur une petite grappe de démonstration de faisabilité ObjectScale.

Petits objets, grandes performances : stockage de morceaux et optimisations de la valeur‑clé

Les pipelines d’IA modernes sont dominés par de petits objets : journaux, indicateurs, fonctionnalités, segments de tableau, blocs vectoriels et artéfacts d’entraînement intermédiaire. Si le niveau objet ne peut pas traiter efficacement les petits objets, tout en aval ralentit. ObjectScale permet aux clients de construire en toute confiance des pipelines d’IA forts en petits objets.

Il le fait grâce à un moteur de stockage de blocs qui stocke de nombreux petits objets en blocs de 128 Mo avant d’appliquer un codage d’effacement et de distribuer les données entre les nœuds. Pour les fichiers typiques de 10 ko, plus de 10 000 objets peuvent résider dans un seul bloc, ce qui réduit le temps système des métadonnées et le travail de reconstruction.

Ce que cela signifie pour les clients :

• Débit de petits objets plus élevé et latence plus faible – en particulier sur toutes les grappes ObjectScale XF960 All‑Flash et X560 basées sur le lecteur de disque dur, réglées pour les lectures de petits objets.
• Reconstructions plus rapides et performances plus prévisibles – le codage d’effacement basé sur des blocs réduit les fragments pour recréer après la défaillance d’un disque ou d’un nœud et passer de milliards à des millions, de sorte que de grands lecteurs NVMe peuvent être reconstruits en quelques heures plutôt qu’en plusieurs semaines.
• Moins de gaspillage des ressources du processeur pour l’analyse en arrière‑plan – ObjectScale vérifie par totalisation les objets en ligne, puis vérifie au niveau de la bande, libérant ainsi les cycles du processeur pour les lectures et les écritures actives.

Dans ObjectScale 4.2, un magasin de valeurs‑clés repensé va plus loin, offrant une efficacité de mémoire environ 4 fois supérieure² et une utilisation du disque inférieure de 30 à 60 %² pour les métadonnées. Les recherches restent rapides et prévisibles, même lorsque les grappes et le nombre d’objets augmentent.

Alimentation des processeurs graphiques et des GML : S3 sur RDMA et mémoire cache KV

À mesure que les équipes d’IA développent l’entraînement et l’inférence, le goulot d’étranglement devient de plus en plus le mouvement des données et la mémoire contextuelle, et non le calcul brut. Les versions de 4e génération d’ObjectScale se concentrent sur les deux.

S3 sur RDMA : large bande passante, accès aux objets à faible latence

S3 sur RDMA (introduit dans ObjectScale 4.2 et amélioré dans 4.3) remplace le protocole TCP traditionnel par RDMA pour l’accès à S3, offrant ainsi des avantages considérables aux clients dans les tests internes :

• Jusqu’à 230 % de débit plus élevé
• Une latence environ 80 % plus faible
• Et jusqu’à 98 % d’utilisation du processeur réduite…

…comparativement à S3 sur TCP.³

Avec la version 4.3, S3 sur RDMA pour ObjectScale est disponible dans l’ensemble du portefeuille All‑Flash – ObjectScale défini par logiciel sur R7725xd, XF960 et EXF900 – ce qui permet un accès à très faible latence et à haut débit aux données d’objets.

En intégrant la S3 de Dell sur RDMA SDK avec la prise en charge du processeur graphique et une pile de réseautage RoCEv2, ObjectScale contourne les goulots d’étranglement traditionnels du TCP et du processeur, créant ainsi un chemin quasi direct entre les processeurs graphiques et les disques SSD NVMe dans le stockage d’objets pour les pipelines d’IA exigeants.

KV Cache : transformer ObjectScale en accélérateur d’inférence

À mesure que les GML passent en production, le cache de valeur‑clé (KV) devient essentiel. Au lieu de recalculer les états d’attention pour chaque jeton, les cadres d’inférence réutilisent le cache KV, mais ce cache dépasse rapidement la mémoire du processeur graphique. Le déchargement du cache KV vers ObjectScale permet d’offrir des expériences d’IA plus rapides et plus réactives.

La solution évolutive de déchargement du cache KV de Dell, alimentée par ObjectScale et PowerScale, fait passer le cache KV de la mémoire du processeur graphique au stockage partagé à hautes performances à l’aide de vLLM, de LMCache, de la bibliothèque NIXL de NVIDIA et de l’intégration accélérée de la S3 dans RDMA de Dell.

Les tests de performance montrent :

• Un temps d’obtention du premier jeton (TTFT) jusqu’à 19 fois plus rapide⁴ par rapport à une configuration vLLM standard qui recalcule le cache KV sur le processeur graphique.
• Un débit de jetons jusqu’à 5,3 fois plus élevé⁵ et un débit à tous multiples près de 3 fois plus élevé⁵ lors des tests d’InfoHub Dell, même avec des caches KV multigigaoctets stockés sur ObjectScale et PowerScale.
• Le TTFT du cache KV était d’environ 0,86 seconde⁶ pour ObjectScale lors de comparaisons directes avec un moteur concurrent, ce qui le place au‑devant de VAST lors des tests publiés.

Tables de la S3 : analyses optimisées par l’IA sans la latence de l’ETL

Dans ObjectScale 4.3 (aperçu technique), les tables de la S3 apportent l’analyse native des tables basées sur Apache Iceberg directement dans les compartiments d’ObjectScale. Les tables sont hébergées sur S3 et peuvent être interrogées par des moteurs tels que Spark, Flink, Trino et Starburst sans copier les données dans des bases de données ou des entrepôts distincts, ce qui réduit le temps du système ETL et les dépendances externes.

Des tests internes ont démontré :

• Une ingestion jusqu’à 2 fois plus rapide⁷
• Des interrogations jusqu’à 4,5 fois plus rapides⁷

par rapport aux modèles traditionnels centrés sur l’entrepôt, tandis que la récupération automatisée du stockage et la gestion unifiée des identités et des accès aident à maintenir des performances élevées et à simplifier les opérations au fil du temps. ObjectScale passe d’une zone d’atterrissage à une surface d’analyse active et à hautes performances pour les équipes d’IA et de veille stratégique.

Des performances sans renoncer à l’évolutivité, à l’efficacité ou à la simplicité

La performance n’est utile que si elle est associée à l’évolutivité, à l’efficacité et à la simplicité. Les versions de 4e génération d’ObjectScale améliorent également ces dimensions :

• Un magasin de valeur‑clé modernisé prend en charge la croissance mondiale du centre de données virtuel allant jusqu’à 122 %⁸ par rapport aux versions antérieures tout en utilisant beaucoup moins de mémoire et de disque pour les métadonnées.
• La compression au niveau du compartiment et les algorithmes multiples (Snappy, LZ4, ZSTD, Deflate) permettent aux équipes de personnaliser la vitesse ou le ratio de compression en fonction de la charge de travail, avec des analyses de compression qui transforment les économies en un signal d’opérations financières plutôt qu’un paramètre aveugle.
• Les nouvelles options de codage d’effacement 24+2 et 24+4 d’ObjectScale réduisent l’amplification en écriture jusqu’à 75 %⁹, ce qui réduit l’usure des médias et le temps de système en arrière‑plan, ce qui augmente les applications E/S ; les clients voient une ingestion d’objets volumineux jusqu’à 25 fois plus rapide¹⁰ et une performance d’écriture d’objet de taille moyenne jusqu’à 2 fois plus élevée¹¹ sur les plateformes de lecteurs de disques durs à haute capacité comme EX500.
• Un équilibreur de charge intégré, une récupération améliorée de l’espace de réplication géographique et des outils natifs dans le nuage (Kubernetes COSI, Terraform) permettent de gérer les environnements ObjectScale à grande échelle au fur et à mesure qu’ils se développent.

Il en résulte une plateforme où les améliorations des performances et la simplicité opérationnelle vont de pair, plutôt que de forcer les équipes à choisir.

Pourquoi une feuille de route ObjectScale axée sur la performance est importante

Alors que les modèles d’IA et les pipelines de données deviennent de plus en plus complexes, la feuille de route d’ObjectScale demeure la performance en premier, qu’il s’agisse d’aller plus loin sur le débit d’objets de petite et de grande taille, d’étendre la S3 sur le RDMA et les chemins de données sensibles au processeur graphique, ou d’approfondir l’intégration avec le cache KV, la mémoire en contexte et la recherche optimisée par l’IA.

Pour les organisations qui créent leur nouvelle génération d’IA et d’analyses, cela se traduit par une promesse simple : votre magasin d’objets ne vous retiendra pas.

Sources

¹Selon une analyse de Dell comparant ObjectScale 4.2 sur PowerEdge R7725xd à ECS 3.8 sur ECS EXF900 pour les performances de lecture d’objets, septembre 2025. Les résultats réels peuvent varier.
²Selon une analyse de Dell comparant le magasin de valeur‑clé d’ObjectScale 4.2 à celui utilisé dans ObjectScale 4.1, août 2025. Les résultats réels peuvent varier.
³Selon des tests réalisés à l’interne par Dell sur ObjectScale pour la S3 sur RDMA, décembre 2025. Les résultats réels peuvent varier.
⁴Selon des tests réalisés à l’interne par Dell Technologies à l’aide du modèle d’instructions LLaMa‑3.3‑70B avec parallélisme du tenseur=4. Les tests mesurent les performances du délai d’obtention du premier jeton (TTFT) avec un taux de réussite de la mémoire cache KV de 100 %, comparant la pile vLLM + LMCache + NVIDIA NIXL sur PowerScale de Dell et le stockage ObjectScale à une configuration vLLM standard de base. Les résultats réels peuvent varier. Novembre 2025.
⁵Selon des tests réalisés à l’interne par Dell Technologies à l’aide du modèle d’instructions LLaMa‑3.3‑70B avec parallélisme du tenseur=4. Les tests ont mesuré le débit TPS (jetons par seconde) à l’aide de la suite d’inférence à tours multiples LMbenchmark, comparant la pile vLLM + LMCache + NVIDIA NIXL sur PowerScale de Dell et le stockage ObjectScale à une configuration de base utilisant vLLM standard avec mise en cache dans la mémoire graphique uniquement. Les résultats réels peuvent varier. Novembre 2025.
⁶Selon des tests réalisés à l’interne par Dell Technologies à l’aide du modèle d’instructions LLaMa‑3.3‑70B avec parallélisme du tenseur=4. Les tests mesurent les performances du délai d’obtention du premier jeton (TTFT) avec un taux de réussite de la mémoire cache KV de 100 %. Les résultats réels peuvent varier. Novembre 2025.
⁷Selon des tests de tables réalisés à l’interne par Dell sur ObjectScale S3, septembre 2025. Les résultats réels peuvent varier.
⁸Selon une analyse de Dell comparant le magasin de valeur‑clé d’ObjectScale 4.2 à celui utilisé dans ObjectScale 4.1, août 2025. Les résultats réels peuvent varier.
⁹Selon des tests réalisés à l’interne par Dell sur les schémas EC 24+4 et 24+2 par rapport à 12+4 sur le code AFA et ObjectScale 4.3, décembre 2025. Les résultats réels peuvent varier.
¹⁰Selon des tests internes réalisés par Dell sur le code 4.3 sur XF960 par rapport aux 3 schémas de codage d’effacement, décembre 2025. Les résultats réels peuvent varier.
¹¹Selon des tests réalisés à l’interne par Dell sur la fonctionnalité activée sur ObjectScale 4.3 sur lecteur de disque dur par rapport à la fonctionnalité désactivée, décembre 2025. Les résultats réels peuvent varier.