高性能计算（HPC）、人工智能（AI），大数据（BigData）是当今数据密集的企业所面临的重大机遇和挑战，更多“数据大”企业开始关注IT基础设施和架构的革新。作为数据的最终归宿和一切分析计算的基础，存储设备的稳定性，扩展性，和性能表现成为了IT系统优化工作的重中之重。
然而，大多数企业可能不甚了解，存储系统的高性能，其实是相对的，有高带宽的、有高IOPs的、有元数据性能表现出色的。不可能在单个系统中各个维度都追求极致性能表现。
存储性能常见优化方式
通常而言，带宽（吞吐量）和每秒I/O操作数（IOPS）是衡量存储性能的两大指标。
在实际应用中
※希望得到更“高”的IOPS，就需要尽可能【减少】每次数据存取请求涉及到的盘数；
※希望吞吐更“大”(高带宽)，就需要聚合【更多】个盘的带宽。
显然，带宽与IOPS两项指标像不可兼得的鱼和熊掌，不可能在一套存储系统中都得到极致优化。
通用存储本来是个傻盒子
如果没有合适的方法和人工干预，存储只能根据当前的IO特性，以确定的缓存策略和数据一致性策略，甚至数据的摆放位置来为应用提供服务，无法【根据应用的特点】实现对存储特性的精确动态调优，但高性能计算、AI训练和大数据分析对应的数据访问模式是不同的。
需要存储在
不同时段：When
不同配置区域：Where
为应用的不同计算阶段：What
提供尽可能高的存取效率和并行能力
所以如何让【存储感知应用】才是设计存储系统时需要重点关注的
存储性能如何优化更合理
通过大量客户案例以及对用户数据处理模式的研究表明，从计算任务调度入手，控制计算任务的调度执行，让计算在开始执行之前给存储发送【提示性信息】，协助存储系统预判此次任务的IO模式，以做出策略选择和定向优化，才是王道。
存储系统如果具备了【应用感知】和【存算协同】，则可使存储系统变得可控、可视、可变，为存储赋予了【自我调节】的能力，主动适配上层业务场景。
“存”与“算”如何协同？
面向应用针对性的测试，能体现存储在特定业务模式下的表现，这里需要引出另一个理念：【计算和存储的协同设计】。其目的是为了让存储系统更适应数据计算应用的模式，发挥更好的数据存取效能。
在存储方面，针对不同的应用场景、不同的IO模型、不同的空间密度和性能需求，极道设计了两个系列的分布式存储系统：极道的ALAMO和ANNA。
ALAMO：分布式文件存储系统
ALAMO可聚合所有多个存储单元的容量、处理能力和带宽资源，便于大量客户端的同时数据访问。ALAMO通过灵活的设计结构，既可以全部对称部署，又可以在超大规模的情况下非对称部署，实现大数据容量和小的元数据聚合代价。满足海量复杂数据对大容量、高宽带和频繁元数据操作的要求并且可轻松扩展至上百节点，达到PB甚至EB级容量。ALAMO灵活的数据冗余策略，以及高可用架构完美的满足了客户对数据高可靠、高可用性的需求。
ANNA：非结构化(文件/对象)分布式存储系统
ANNA面向高IOPS和元数据密集应用。ANNA的性能随节点数量增加线性增加，并且高度智能化，可根据数据热度提供智能存储分层策略，利用负载均衡策略消除性能瓶颈。
同时ANNA还提供融合应用容器的支持，利用存储节点的剩余计算能力直接运行应用程序，极大减轻网络负荷。
在计算方面，针对多样化的数据结构、多样性计算框架，极道设计了ABC融合计算系统
ABC融合计算系统
极道的ABC融合计算系统（A代表AI，B代表大数据Big Data，C代表Computing即传统的高性能/高通量计算和新兴的图计算。）是一款可以动态地构建计算框架的分布式计算系统。并且以高度智能化的计算框架动态构建和系统资源统一调度，不仅使多调度器之间相互合作，突破了计算集群规模瓶颈；智能的执行引擎还可以帮助用户按照自身业务需要快速构建可视化、可编辑的数据分析流程，获得极致的数据并行处理和高效的分析计算，实现业务的敏捷开发。
“存算”协同让存储性能达到极致
通过智能调度，ABC融合计算系统可以动态感知应用的IO类型，并根据数据流动态调节每一个计算阶段所需的计算框架、分配合适的计算资源，让每一阶段计算都极速高效。
同时，辅以应用感知提高计算和存储的协同，让计算在存取数据过程中与存储充分协作，以便在计算过程中采用更好的缓存策略、数据一致性策略，甚至将数据调度到合适的存储位置，获得更好的数据存储效能。
【存算协同】，使极道分布式存储系统能够【自动根据应用的IO模式进行适配】，具有不同性能特点的应用得以“物尽其用”，从根源上消除了存储性能瓶颈，实现了复杂应用场景下数据存取性能的最优化。
