構建高性能計算HPC（High Performance Computing）集群可提升業務的運算速度（使其達到每秒萬億次級的計算速度），因此HPC被應用于解決大規模科學問題的計算和海量數據的處理，其中就包括科學研究、氣象預報、計算模擬、軍事研究、生物制藥、基因測序等。為保障文件、對象、大數據等多種格式數據，在HPC場景下，進行統一存儲性能的高要求，這無疑是對傳統數據存儲方式發起了存儲重構挑戰。
目前HPC應用正從過去的傳統科研領域計算密集型，逐漸向新興的大數據、人工智能以及深度學習等方向進行融合和演進。繼而，數字時代無論是智能制造、智慧醫療、智慧城市、智能家居，HPC都將成為核心技術。特別是近兩年備受關注的人工智能領域，如自動駕駛汽車、無人機、人臉識別、醫療診斷以及金融分析和商業決策等，其核心是大數據支持，HPC成為人工智能模型訓練的重要支撐平臺。
HPC通過極快的處理速度，獲取大量數據進行復雜的運算，實現數據即時分析，達到快速決策的目標。因此，HPC集群對于存儲有著較高的性能要求，保證來自多個HPC服務器密集而多樣的分析行為。
同時，由于未分析的原始數據會越積越多，并且未來還會有更多的數據需要研究/處理，因此容量和擴展性也是重要的考慮因素。HPC的總體數據最終會達到PB級別，需要超大的存儲容量才能完成歸檔。
在多樣化的HPC場景下，日均產生的三維數據可達幾百TB甚至PB級，因此，對存儲性能有著更高的要求。在海量數據的處理過程中，一次數據處理需要經過文件、對象、大數據等多種格式的數據處理，這無疑是對傳統數據存儲方式發起了巨大的重構挑戰。就“自動駕駛”、“石油勘探”場景為例，數據采集的原始數據是NFS格式，需要先轉換為HDFS格式，才能利用大數據系統對數據進行預處理，最終將數據轉換為NFS格式導入進人工智能訓練集群及演練仿真集群 ，對數據進行深度挖掘，進一步調整自動駕駛策略。
在整個數據處理閉環中，數據轉換格式的時間占全過程的35%以上，如何提升多樣性格式數據的處理效率，逐漸成為存儲領域新型技術的主流趨勢。傳統存儲廠商仍通過共享硬件資源池，在一套硬件集群上劃分出多了獨立的邏輯資源池，分別部署對象、塊、文件系統的存儲池，實現硬件集群多樣化格式的共享存儲。但在該資源池中，每一個邏輯資源池僅僅只會支持一種訪問協議，對于跨協議訪問時，仍需要先行拷貝原格式的原始數據，再將其進行數據格式轉換，實現不同格式之間的數據相互轉換及交互。
在數據處理的過程中，數據拷貝產生的冗余副本不僅占用數據的存儲空間，同時在數據格式轉化的過程中，將會產生大量的數據丟失。因此，傳統的共享硬件資源池，僅能提高硬件資源的利用率，無法滿足格式差異化要求及數據處理效率，以滿足日均PB級的數據存儲需求。
? 共享硬件資源池，存儲多個邏輯資源池
? 頻繁跨協議訪問，無法滿足數據格式差異化處理效率
? 產生的冗余副本占用大量的存儲空間
? 語義翻譯過程中，存在數據丟失
柏科數據ISCloud分布式存儲可采用多種協議互通技術，重構底層邏輯架構，部署統一的增值服務，語義抽象層，對多格式的非結構化數據進行統一管理，實現真正意義上的協議互通特性，來解決HPC場景下數據結構多樣化的處理效率，滿足日均PB級的數據存儲需求。
? 提供統一的原生語義，保障語義無損
柏科數據ISCloud分布式存儲采用多種協議互通技術，在設計的過程中進一步重構底層邏輯架構，部署語義抽象層，面對多樣化結構數據提供適合文件、對象、塊及大數據的原生語義。通過原生的語義層可進一步簡化格式處理流程，打通語法上的缺失和限制。在頻繁跨協議訪問場景下，在底層的語義層直接對原數據進行格式預處理，滿足PB級數據格式差異化處理效率。
? 實現真正意義上的資源空間利用及性能保障
在柏科數據ISCloud分布式存儲中，通過部署原生的語義層可進一步簡化格式處理流程，去除原傳統的共享硬件資源池中，數據拷貝產生的冗余副本，在底層邏輯上對原多樣化格式數據處理。將原本復雜的多樣化格式轉化流程，簡化成與單一協議完全一樣的數據訪問路徑，實現不同格式之間的數據相互轉換及交互，實現真正意義上的資源空間利用及性能保障。
