ObjectScale.Next: een jaar van onophoudelijke prestaties voor AI-data

AI blijft de lat hoger leggen voor storage. GPU’s kunnen niet inactief blijven zitten wachten op I/O. Streamingfuncties, insluitingen en tussentijdse artefacten mogen niet worden belemmerd door knelpunten bij kleine objecten. LLM-inferentie kan niet worden geschaald als de KV-cache vastzit in het GPU-geheugen in plaats van de versnellers op lijnsnelheid te voeden.

Sinds de release van versie 4.0 een jaar geleden heeft ObjectScale prestatieverbeteringen doorgevoerd op het gebied van zowel kleine als grote objecten, RDMA, GPU‑geoptimaliseerde datapaden en KV‑cache‑offload. Deze zijn gecombineerd met de nieuwste all‑flash Dell PowerEdge‑servertechnologie, waarbij de exascale‑architectuur, efficiëntie en eenvoud waarop bedrijven vertrouwen, behouden zijn gebleven.

Die prestatiegerichte focus is een belangrijke reden waarom ObjectScale is uitgeroepen tot CRN’s 2025 Product of the Year for Enterprise‑Class Storage, een redactioneel geselecteerde onderscheiding die de impact van ObjectScale op de grootste uitdagingen van vandaag voor zakelijke data benadrukt.

Eén platform, voor nog betere prestaties

Uit interne tests is gebleken dat bij softwaregedefinieerde ObjectScale‑implementaties op gecertificeerde Dell PowerEdge‑servers de leesdoorvoer per knooppunt maximaal 40 GB/s1 bedraagt – tot 8× sneller¹ dan de vorige generatie all‑flash‑objectplatforms. Hierdoor beschikken AI‑teams over een compacte engine met een hoge bandbreedte voor grote trainingssets, checkpoints en workloads van verschillende omvang.

Die voordelen reiken veel verder dan het laboratorium. Vandaag de dag bewijst ObjectScale zich in een aantal van de meest veeleisende omgevingen:

• Hoogfrequente handel op schaal: Een groot in New York gevestigd bedrijf dat zich bezighoudt met hoogfrequente handel (HFT) verwerkt meer dan 30 miljard transacties per dag en vertrouwt op ObjectScale om de handels‑, risico‑ en analyse‑engines continu van data te voorzien.
• Wereldwijde financiële dienstverlening: Een wereldwijd opererende financiële instelling maakt gebruik van een ObjectScale‑omgeving met HDD’s verspreid over meerdere locaties om dagelijks 1,5 miljard transacties te verwerken en tegelijkertijd via geautomatiseerde self‑service meer dan 1.000 AI‑, analyse‑ en back‑upworkloads te ondersteunen.
• High‑frequency trading vanuit het Verenigd Koninkrijk: Een in het Verenigd Koninkrijk gevestigde high‑frequency‑tradingonderneming heeft op een kleine ObjectScale proof‑of‑concept‑cluster een totale leesdoorvoer van ongeveer 280 GB/s gerealiseerd.

Kleine objecten, grote prestaties: optimalisatie van chunk‑store en sleutelwaarden

Moderne AI‑pipelines worden gedomineerd door kleine objecten: logboeken, statistieken, functies, tabelsegmenten, vectorblokken en intermediaire trainingsartefacten. Als de objectlaag kleine objecten niet efficiënt kan verwerken, wordt alles later in het proces vertraagd. Met ObjectScale kunnen klanten met een gerust hart AI‑pipelines bouwen die veel kleine objecten bevatten.

Dit gebeurt via een chunk‑store‑engine die veel kleine objecten samenvoegt tot blokken van 128 MB, waarna wiscodering wordt toegepast en de data over de knooppunten worden verdeeld. Voor standaard 10 KB‑bestanden kan één blok uit meer dan 10.000 objecten bestaan, wat de metadata‑overhead en herstelwerkzaamheden vermindert.

Wat dat betekent voor klanten:

• Een hogere doorvoersnelheid van kleine objecten en een lagere latentie – met name op de all‑flash‑gebaseerde ObjectScale XF960‑clusters en de op HDD gebaseerde X560‑clusters die zijn geoptimaliseerd voor het lezen van kleine objecten.
• Snellere herstelprocessen en beter voorspelbare prestaties – dankzij op blokken gebaseerde wiscodering wordt het aantal te herstellen fragmenten na een schijf‑ of knooppuntstoring teruggebracht van miljarden naar miljoenen, waardoor grote NVMe‑schijven binnen enkele uren in plaats van weken kunnen worden hersteld.
• Minder CPU‑capaciteit verspild aan scannen op de achtergrond – ObjectScale controleert objecten inline en verifieert ze vervolgens op stripeniveau, waardoor er CPU‑capaciteit vrijkomt voor actieve lees‑ en schrijfbewerkingen.

In ObjectScale 4.2 gaat een vernieuwde Key‑Value Store nog een stap verder: deze biedt een ongeveer 4× zo hoge geheugenefficiëntie² en een 30–60% lager schijfgebruik² voor metadata. Zoekacties blijven snel en voorspelbaar, zelfs als clusters en objectaantallen toenemen.

GPU’s en LLM’s van data voorzien: S3 via RDMA en KV‑cache

Naarmate AI‑teams hun training en inferentie opschalen, verschuift het knelpunt steeds meer naar dataverplaatsing en contextgeheugen en niet langer naar de ruwe rekenkracht. De releases van de 4e generatie van ObjectScale richten zich op beide.

S3 via RDMA: objecttoegang met hoge bandbreedte en lage latentie

S3 via RDMA (geïntroduceerd in ObjectScale 4.2 en verbeterd in 4.3) vervangt traditionele TCP door RDMA voor S3‑toegang, wat enorme clientvoordelen biedt bij interne tests:

• Tot 230% hogere doorvoercapaciteit
• Ongeveer 80% lagere latentie
• En tot 98% lager CPU‑gebruik…

…vergeleken met S3 via TCP.³

Met release 4.3 is S3 via RDMA voor ObjectScale beschikbaar in het volledige all‑flash‑portfolio – de softwaregedefinieerde ObjectScale op de R7725xd, XF960 en EXF900 – waardoor toegang tot objectdata met ultralage latentie en hoge doorvoercapaciteit mogelijk wordt.

Door de S3 via RDMA SDK van Dell te integreren met GPU‑ondersteuning en een RoCEv2‑netwerkstack, omzeilt ObjectScale traditionele TCP‑ en CPU‑knelpunten, waardoor een vrijwel direct pad ontstaat tussen GPU’s en NVMe SSD in objectstorage voor veeleisende AI‑pipelines.

KV‑cache: ObjectScale veranderen in een inferentieversneller

Naarmate LLM’s in productie worden genomen, wordt de Key‑Value (KV) Cache essentieel. In plaats van de aandachtsstatussen voor elk token opnieuw te berekenen, maken inferentie‑frameworks opnieuw gebruik van de KV‑cache. Die cache overschrijdt echter al snel de capaciteit van het GPU‑geheugen. Het offloaden van de KV‑cache naar ObjectScale helpt snellere, responsievere AI‑ervaringen te leveren.

De schaalbare KV‑cache‑offloadoplossing van Dell, die wordt aangedreven door ObjectScale en PowerScale, verplaatst de KV‑cache van het GPU‑geheugen naar krachtige gedeelde storage met behulp van vLLM, LMCache, de NIXL‑bibliotheek van NVIDIA en de RDMA‑versnelde S3‑integratie van Dell.

Uit benchmarks blijkt:

• Tot 19× snellere Time to First Token (TTFT)⁴ in vergelijking met een standaard vLLM‑configuratie waarbij de KV‑cache opnieuw op de GPU wordt berekend.
• Tot 5,3× hogere token‑doorvoer⁵ en bijna 3× hogere multi‑turn‑doorvoer⁵ bij tests met de Dell InfoHub, zelfs met KV‑caches van meerdere gigabytes die zijn opgeslagen op ObjectScale en PowerScale.
• Een KV‑cache TTFT van ongeveer 0,86 seconden⁶ op ObjectScale in rechtstreekse vergelijkingen met een concurrerende engine, waarmee het in gepubliceerde tests beter presteert dan VAST.

S3‑tabellen: AI‑geoptimaliseerde analyses zonder de ETL‑last

In ObjectScale 4.3 (Tech Preview) brengen S3‑tabellen op Apache Iceberg gebaseerde, tabelgebaseerde analyses rechtstreeks naar ObjectScale‑buckets. De tabellen zijn beschikbaar op S3 en kunnen worden opgevraagd door engines zoals Spark, Flink, Trino en Starburst zonder dat data hoeven te worden gekopieerd naar aparte databases of warehouses. Dit vermindert de ETL‑overhead en externe afhankelijkheden.

Uit interne tests is het volgende gebleken:

• Tot 2× snellere opname⁷
• Tot 4,5× snellere queries⁷

vergeleken met traditionele, op warehouses gerichte modellen, terwijl geautomatiseerde storageterugwinning en een uniforme IAM ervoor zorgen dat de prestaties op peil blijven en de activiteiten op de lange termijn eenvoudiger worden. ObjectScale evolueert van een loutere landingszone naar een actief, krachtig analyseplatform voor AI‑ en BI‑teams.

Prestaties zonder in te leveren op schaalbaarheid, efficiëntie of eenvoud

Prestaties hebben alleen zin als ze gepaard gaan met schaalbaarheid, efficiëntie en eenvoud. De releases van de 4e generatie van ObjectScale verbeteren deze elementen ook:

• Een gemoderniseerde Key‑Value Store ondersteunt een wereldwijde VDC‑groei van maximaal 122%⁸ ten opzichte van eerdere versies, terwijl er veel minder geheugen en schijfruimte voor metadata wordt gebruikt.
• Dankzij compressie op bucketniveau en verschillende algoritmen (Snappy, LZ4, ZSTD, Deflate) kunnen teams de instellingen afstemmen op snelheid of compressieverhouding, afhankelijk van de workload, waarbij compressieanalyses de besparingen omzetten in een FinOps‑signaal in plaats van een willekeurige instelling.
• De nieuwe opties voor het wissen van codering van 24+2 en 24+4 van ObjectScale verminderen de schrijfversterking met wel 75%⁹, waardoor de slijtage van media en de achtergrondoverhead worden verminderd, zodat er meer I/O beschikbaar is voor applicaties; klanten zien tot 25% snellere opname van grote objecten¹⁰, plus tot 2× hogere schrijfprestaties voor middelgrote objecten¹¹ op HDD‑platforms met hoge capaciteit zoals de EX500.
• Dankzij een geïntegreerde load balancer, verbeterde ruimtevrijmaking bij geografische replicatie en cloud‑native tools (Kubernetes COSI, Terraform) blijven grootschalige ObjectScale‑omgevingen beheerbaar, ook naarmate ze groeien.

Het resultaat is een platform dat prestatieverbeteringen en operationele eenvoud combineert, waardoor teams niet gedwongen worden te kiezen.

Waarom een ObjectScale‑roadmap waarin prestaties voorop staan belangrijk is

Naarmate AI‑modellen en datapipelines steeds complexer worden, blijven prestaties de hoogste prioriteit in de roadmap van ObjectScale, of het nu gaat om het verder verbeteren van de doorvoercapaciteit voor kleine en grote objecten, het uitbreiden van S3 via RDMA en GPU‑bewuste datapaden, of het verdiepen van de integratie met KV‑cache, contextgeheugen en AI‑geoptimaliseerd zoeken.

Voor organisaties die werken aan de volgende generatie AI en analytics komt dat neer op een eenvoudige belofte: uw object store zal u niet in de weg staan.

Bronnen

¹Gebaseerd op een analyse van Dell waarin ObjectScale 4.2 op de PowerEdge R7725xd wordt vergeleken met ECS 3.8 op de ECS EXF900 wat betreft de prestaties bij het lezen van objecten, september 2025. De werkelijke resultaten kunnen variëren.
²Gebaseerd op een analyse van Dell waarbij de Key‑Value Store van ObjectScale 4.2 werd vergeleken met die van ObjectScale 4.1, augustus 2025. De werkelijke resultaten kunnen variëren.
³Gebaseerd op interne tests van Dell met ObjectScale S3 via RDMA, december 2025. De werkelijke resultaten kunnen variëren.
⁴Gebaseerd op interne tests van Dell Technologies met het LLaMA‑3.3‑70B Instruct‑model en Tensor Parallelism=4. In de tests werd de prestatie van de Time to First Token (TTFT) gemeten bij een cache‑hitpercentage van 100% voor de KV‑cache, waarbij de combinatie van Dell’s vLLM + LMCache + NVIDIA NIXL‑stack op PowerScale en ObjectScale storage werd vergeleken met een standaard vLLM‑configuratie als referentie. De werkelijke resultaten kunnen variëren. November 2025.
⁵Gebaseerd op interne tests van Dell Technologies met het LLaMA‑3.3‑70B Instruct‑model en Tensor Parallelism=4. In de tests werd de TPS‑doorvoer (tokens per seconde) gemeten met behulp van de LMbenchmark multi‑turn inference suite, waarbij de combinatie van Dell’s vLLM + LMCache + NVIDIA NIXL‑stack op PowerScale en ObjectScale storage werd vergeleken met een basisconfiguratie die gebruikmaakt van standaard vLLM met caching uitsluitend in het GPU‑geheugen. De werkelijke resultaten kunnen variëren. November 2025.
⁶Gebaseerd op interne tests van Dell Technologies met het LLaMA‑3.3‑70B Instruct‑model en Tensor Parallelism=4. Bij de tests werd de prestatie van de Time to First Token (TTFT) gemeten bij een cache‑hitpercentage van 100% voor de KV‑cache. De werkelijke resultaten kunnen variëren. November 2025.
⁷Gebaseerd op interne tests van Dell met ObjectScale S3‑tabellen, september 2025. De werkelijke resultaten kunnen variëren.
⁸Gebaseerd op een analyse van Dell waarbij de Key‑Value Store van ObjectScale 4.2 werd vergeleken met die van ObjectScale 4.1, augustus 2025. De werkelijke resultaten kunnen variëren.
⁹Gebaseerd op interne tests van Dell waarbij 24+4 en 24+2 EC‑configuraties werden vergeleken met 12+4 op AFA en ObjectScale 4.3‑code, december 2025. De werkelijke resultaten kunnen variëren.
¹⁰Gebaseerd op interne tests van Dell met 4.3‑code op de XF960, waarbij drie schema’s voor het wissen van codering met elkaar zijn vergeleken, december 2025. De daadwerkelijke resultaten kunnen afwijken.
¹¹Gebaseerd op interne tests van Dell waarbij de functie was ingeschakeld op ObjectScale 4.3 op een HDD, vergeleken met wanneer de functie was uitgeschakeld, december 2025. De werkelijke resultaten kunnen variëren.