1年間にわたりAIデータに絶え間なく対応してきたパフォーマンス

AIにより、ストレージの水準が継続的に引き上げられています。GPUがI/O待機によってアイドル状態になることはありません。ストリーミング機能、埋め込み、中間アーティファクトは、小規模オブジェクトに起因するボトルネックの影響を受けません。KVキャッシュがラインレートでアクセラレーターに供給されるのではなくGPUメモリー内に閉じ込められていたら、LLM推論は拡張できません。

わずか1年前のバージョン4.0のリリース以来、ObjectScale は小規模および大規模オブジェクト、RDMA、GPU対応データパス、KVキャッシュオフロードといった分野でパフォーマンスのイノベーションを積み重ねてきました。これらは、最新のオールフラッシュDell PowerEdgeサーバーテクノロジーと組み合わせながら、企業が頼りにするエクサスケールアーキテクチャ、効率性、シンプルさを維持しています。

このようなパフォーマンスへのこだわりこそ、ObjectScaleがCRNの2025年エンタープライズクラスストレージ部門年間最優秀製品に選ばれた大きな理由です。この編集部の選考による賞は、今日のエンタープライズデータが直面する最も困難な課題に対してObjectScaleが果たした貢献を称えるものです。

1つのプラットフォームでパフォーマンスの向上をさらに加速

認定済みのDell PowerEdgeサーバーでソフトウェアデファインドObjectScaleを導入した場合、社内テストの結果、ノードあたりの読み取りスループットは最大40 GB/秒1に達し、前世代のオールフラッシュオブジェクトプラットフォームと比較して最大8倍高速¹であることが確認されています。AIチームは、大規模なトレーニングセット、チェックポイント、混在サイズのワークロードに対応するこのコンパクトで高帯域幅のエンジンを利用できます。

これらのメリットはラボの枠を超え、さらに広範囲にもたらされます。現在、ObjectScaleは、最も過酷な環境においてその有効性を証明しています。

大規模な高頻度取引：1日あたり300億件以上の取引を処理している、ニューヨークに拠点を置く大手高頻度取引(HFT)企業は、ObjectScaleを活用して、取引、リスク管理、分析の各エンジンに継続的にデータを供給しています。
グローバルな金融サービス：あるグローバルな金融機関は、マルチサイトのHDD ベースのObjectScale環境を使用して、1日あたり15億件のトランザクションを処理しながら、自動化されたセルフサービスを介して1,000件以上のAI、分析、バックアップワークロードに対応しています。
英国を拠点とする高頻度取引：英国を拠点とするある高頻度取引企業は、小規模なObjectScale概念実証クラスターで合計約280 GB/秒の読み取りスループットを維持しています。

小規模オブジェクト、優れたパフォーマンス：チャンクストアとキー‑バリューの最適化

最新のAIパイプラインは、ログ、メトリック、機能、テーブルセグメント、ベクトルチャンク、トレーニングの中間アーティファクトといった、小さなオブジェクトが主流です。オブジェクト階層が小さなオブジェクトを効率的に処理できない場合、ダウンストリームのすべての処理速度が低下します。ObjectScaleを使用すると、小規模オブジェクト負荷の高いAIパイプラインを自信を持って構築できます。

これは、多数の小さなオブジェクトを128 MBのチャンクにまとめてから、消失訂正符号を適用し、ノード間でデータを分散するチャンクストアエンジンを介して行われます。一般的な10 KBのファイルの場合、1つのチャンクに10,000を超えるオブジェクトを格納できるため、メタデータのオーバーヘッドと再構築作業が削減されます。

お客様にとってのメリット：

小規模オブジェクトの処理量の向上とレイテンシーの低減 – 特に、フラッシュベースのObjectScaleであるXF960とHDDベースのX560クラスターは小規模オブジェクトの読み取りに最適化されています。
再構築の高速化とパフォーマンスの予測可能性の向上 – チャンクベースの消失訂正符号により、ディスクやノードの障害発生後に再構築が必要なシャードの数が数十億から数百万に削減されるため、大容量のNVMeドライブでも数週間ではなく数時間で再構築できます。
バックグラウンドスキャンによってCPUの無駄を削減 – ObjectScaleはオブジェクトのチェックサムをインラインで計算し、ストライプレベルで検証を行うため、アクティブな読み取りや書き込みにCPUリソースを割り当てることができます。

ObjectScale 4.2では、再設計されたキー‑バリューストアがこれをさらに進め、メタデータのメモリー効率が約4倍向上²し、ディスク使用率が30～60%削減²されます。クラスターとオブジェクトの数が増加しても、検索は高速で予測可能な状態が維持されます。

GPUとLLMのフィード：S3 over RDMAとKVキャッシュ

AIチームがトレーニングと推論の規模を拡張するにつれてボトルネックとなるのは、rawコンピューティングではなく、データ移動とコンテキストメモリーになります。ObjectScaleの第4世代リリースは、その両方に重点を置いています。

S3 over RDMA：高帯域幅、低レイテンシーのオブジェクトアクセス

S3 over RDMA（ObjectScale 4.2で導入され、4.3で強化）は、従来のTCPをRDMAに置き換えてS3アクセスを実現し、社内テストではクライアントに大きなメリットをもたらしています。

スループットの最大230%向上
レイテンシーの約80%短縮
CPU使用率の最大98%削減…

…S3 over TCPと比較した場合³

リリース4.3では、ObjectScale向けのS3 over RDMAがオールフラッシュポートフォリオ（R7725xd、XF960、EXF900上のソフトウェアデファインドObjectScale）全体で利用できるようになり、オブジェクトデータへの超低レイテンシー、高スループットアクセスが可能になります。

ObjectScaleは、GPU対応のS3 over RDMA SDKとRoCEv2ネットワーキングスタックを統合することで、従来のTCPやCPUによるボトルネックを回避し、高負荷なAIパイプライン向けに、GPUとオブジェクトストレージ内のNVMe SSDとの間に、ほぼダイレクトなパスを構築します。

KVキャッシュ：ObjectScaleを推論アクセラレーターに変換

LLMが本番環境に移行すると、キー‑バリュー(KV)キャッシュが不可欠になります。推論フレームワークでは、トークンごとにアテンション状態を再計算する代わりにKVキャッシュを再利用しますが、そのキャッシュはすぐにGPUメモリーの容量を超えてしまいます。KVキャッシュをObjectScaleにオフロードすることで、より高速で応答性の高いAIエクスペリエンスを実現できます。

ObjectScaleとPowerScaleを搭載したDellの拡張性の高いKVキャッシュオフロードソリューションは、vLLM、LMCache、NVIDIAのNIXLライブラリー、DellのRDMA高速S3統合を使用して、KVキャッシュをGPUメモリーからハイパフォーマンス共有ストレージへと移動させます。

ベンチマークの結果は以下の通りです。

GPU上のKVキャッシュを再計算する標準的なvLLM構成と比較した場合、最初のトークンまでの時間(TTFT)が最大19倍高速化⁴。
トークンのスループットは最大5.3倍⁵、マルチターンのスループットはほぼ3倍⁵向上（Dell InfoHubによるテスト、ObjectScaleとPowerScaleに保存された数ギガバイト規模のKVキャッシュを使用した場合でも同様）。
KVキャッシュのTTFTは約0.86秒⁶ （ObjectScale上での競合エンジンとの直接比較において、公表されているテスト結果ではVASTを上回る性能を発揮）。

S3テーブル：AIに最適化された分析（ETLドラッグなし）

ObjectScale 4.3 (Tech Preview)では、S3テーブルにより、Apache Icebergベースのテーブルネイティブ分析がObjectScaleバケットに直接導入されます。テーブルはS3上に存在し、Spark、Flink、Trino、Starburstなどのエンジンでクエリーを実行できるため、データを別々のデータベースやウェアハウスにコピーすることなく、ETLのオーバーヘッドと外部依存関係を削減できます。

社内テストでは次のことが示されています。

データの取り込みが最大2倍高速化⁷
クエリーが最大4.5倍高速化⁷

従来のウェアハウス中心のパターンと比較して、ストレージの自動再利用と統合IAMにより、長期的に高いパフォーマンスを維持しつつ、運用を簡素化できます。ObjectScaleは、単なるランディングゾーンから、AIおよびBIチームのアクティブでハイパフォーマンスな分析サーフェスとして機能するように移行しています。

拡張性、効率性、シンプルさを損なうことなくパフォーマンスを発揮

パフォーマンスは、拡張性、効率性、シンプルさを備えている場合にのみ有用です。ObjectScaleの第4世代リリースでは、これらの側面も強化されています。

モダナイズされたキー‑バリューストアは、以前のバージョンと比較して最大122%⁸のグローバルVDC成長率をサポートしながら、メタデータに使用するメモリーとディスクを大幅に抑えます。
バケット単位の圧縮と複数のアルゴリズム（Snappy、LZ4、ZSTD、Deflate）により、チームはワークロードに応じて速度や圧縮率を最適化できます。また、圧縮分析により、節約効果は単なる盲目的な設定ではなく、FinOpsのシグナルとして活用できるようになります。
ObjectScaleの新しい24+2および24+4の消失訂正符号オプションにより、書き込みの増幅が最大75%⁹削減され、メディアの摩耗とバックグラウンドのオーバーヘッドが低減されるため、より多くのI/Oをアプリケーションに割り当てることが可能になります。EX500などの大容量HDDプラットフォームでは、大規模オブジェクトの取り込み速度が最大25%高速化¹⁰し、中規模オブジェクトの書き込みパフォーマンスも最大2倍¹¹に向上します。
統合されたロードバランサー、改善されたジオレプリケーションスペースの再利用、クラウドネイティブツール（Kubernetes COSI、Terraform）により、大規模なObjectScale環境の成長に合わせた管理が可能になります。

その結果、パフォーマンスの向上と運用のシンプルさのどちらかの選択をチームに強制するのではなく、両方を同時に提供するプラットフォームが実現します。

パフォーマンスを最優先とするObjectScaleロードマップが重要な理由

AIモデルやデータパイプラインがますます複雑化する中、ObjectScaleのロードマップは一貫してパフォーマンス最優先を掲げています。具体的には、小規模および大規模オブジェクトのスループット向上、S3 over RDMAやGPU対応データパスの拡張、さらにはKVキャッシュ、コンテキストメモリー、AI最適化検索との統合の強化などです。

次世代のAIや分析を構築している組織にとって、それはつまり、オブジェクトストアが開発の妨げになることはない、という1つの確かな約束となります。

出典

¹オブジェクト読み取りパフォーマンスについて、PowerEdge R7725xd上のObjectScale 4.2とECS EXF900上のECS 3.8を比較したDellの分析（2025年9月）に基づきます。実際の結果は異なる場合があります。
²ObjectScale 4.2のキー‑バリューストアとObjectScale 4.1で使用されているキー‑バリューストアを比較したDellの分析（2025年8月）に基づきます。実際の結果は異なる場合があります。
³ObjectScale S3 over RDMAに関するDellの社内テスト（2025年12月）に基づきます。実際の結果は異なる場合があります。
⁴Tensor並列化=4に設定したLLaMA‑3.3‑70B Instructモデルを使用したデル・テクノロジーズの社内分析に基づきます。テストでは、KVキャッシュのヒット率が100%の条件下で最初のトークンまでの時間(TTFT)のパフォーマンスを測定し、PowerScaleおよびObjectScaleストレージ上で動作するDellのvLLM+LMCache+NVIDIA NIXLスタックと標準的なvLLM構成（ベースライン）とを比較しました。実際の結果は異なる場合があります。（2025年11月）。
⁵Tensor並列化=4に設定したLLaMA‑3.3‑70B Instructモデルを使用したデル・テクノロジーズの社内分析に基づきます。テストでは、LMbenchmarkのマルチターン推論スイートを使用してTPS（1秒あたりのトークン数）スループットを測定し、PowerScaleおよびObjectScaleストレージ上で動作するDellのvLLM+LMCache+NVIDIA NIXLスタックと、標準のvLLMにGPUメモリーのみのキャッシュを使用するベースライン構成とを比較しました。実際の結果は異なる場合があります。（2025年11月）。
⁶Tensor並列化=4に設定したLLaMA‑3.3‑70B Instructモデルを使用したデル・テクノロジーズの社内分析に基づきます。テストでは、KVキャッシュのヒット率が100%の条件下で、最初のトークンまでの時間(TTFT)のパフォーマンスを測定しました。実際の結果は異なる場合があります。（2025年11月）。
⁷ObjectScale S3テーブルに関するDellの社内テスト（2025年9月）に基づきます。実際の結果は異なる場合があります。
⁸ObjectScale 4.2のキー‑バリューストアとObjectScale 4.1で使用されているキー‑バリューストアを比較したDellの分析（2025年8月）に基づきます。実際の結果は異なる場合があります。
⁹AFAおよびObjectScale 4.3コードを使用した24+4および24+2 ECスキームと12+4構成を比較したDellの社内テスト（2025年12月）に基づきます。実際の結果は異なる場合があります。
¹⁰XF960上で4.3コードをテストし、3つの消失訂正符号スキームを比較したDellの社内テスト（2025年12月）に基づきます。実際の結果は異なる場合があります。
¹¹HDD上でObjectScale 4.3の機能を有効にした場合と無効にした場合を比較したDellの社内テスト（2025年12月）に基づきます。実際の結果は異なる場合があります。