【導讀】對于在 2026 年管理EB級基礎設施的數(shù)據(jù)中心運營商而言，關鍵問題已不再僅僅是是否擁有備份，而是存儲基礎設施能否提供符合實際運營需求的數(shù)據(jù)韌性：包括在線業(yè)務所需的高可用性、跨故障域的數(shù)據(jù)持久性，以及抵御攻擊所需的不可變歸檔能力。

設施規(guī)劃中的乘數(shù)效應

云服務提供商通過糾刪碼、異地冗余和自動分層等多重保護機制，承諾提供 11 個 9（99.999999999%）的數(shù)據(jù)持久性。但現(xiàn)實的經濟邏輯是：當數(shù)據(jù)在三個可用區(qū)之間進行地理冗余時，根據(jù)復制和糾刪碼方案的不同，備份和副本數(shù)據(jù)量可能會達到原始存儲占用的 2 到 3 倍。這一“乘數(shù)效應”不僅作用于數(shù)據(jù)容量，還會同步放大以下成本維度，包括：機架空間、電力消耗、散熱需求和持續(xù)運營成本。

在當前云數(shù)據(jù)中，絕大多數(shù)仍存儲在硬盤（HDD）上，因此每TB功耗、組件壽命以及故障帶來的運營成本，已成為影響數(shù)據(jù)中心能效（PUE）和單機架成本的核心變量。  

組件故障的隱藏成本

傳統(tǒng)數(shù)據(jù)中心財務模型通常將數(shù)據(jù)持久性基礎設施視為線性乘數(shù)，但這忽略了在總體擁有成本（TCO）中占據(jù)主導地位的運營成本。例如：在部署一百萬個存儲組件、且年故障率為1%的場景下，運營人員平均每天面臨約 27 次組件故障，并需要執(zhí)行重建操作。每次重建都會帶來連鎖影響：持續(xù)讀取壓力作用于相鄰設備，從而功耗增加、散熱負荷加劇、網絡帶寬被占用，觸發(fā)級聯(lián)故障的風險。

組件可靠性直接決定了重建頻率。若年故障率分別為 0.5% 和 1.5%，則每日重建操作的頻率將產生三倍的差異。這不僅會導致可量化的能耗波動和制冷負荷變化（因多個機架同時處于高利用率狀態(tài)所致），還會引發(fā)網絡擁塞，并占用技術人員用于組件更換的時間。

勒索軟件推動“不可變歸檔”成為剛需

如今，勒索軟件攻擊者已將目標轉向生產存儲系統(tǒng)，甚至包括那些旨在確?？捎眯缘娜哂鄼C制。這一嚴峻現(xiàn)實，使數(shù)據(jù)韌性策略——特別是日益與在線系統(tǒng)隔離或物理隔離的不可變歸檔存儲——從合規(guī)性要求提升為不可或缺的運營剛需。在線存儲側重于業(yè)務負載的可用性和持久性，而不可變歸檔則提供了抵御攻擊所需的額外保護層。

這也帶來了新的基礎設施挑戰(zhàn)：可能閑置數(shù)月的歸檔存儲基礎設施，在生產系統(tǒng)受損的恢復場景下，必須瞬間提供持續(xù)的高強度讀取性能。設施管理人員必須為歸檔系統(tǒng)配置足夠的電力、散熱和網絡容量，以應對可能持續(xù)數(shù)周的多 PB 級數(shù)據(jù)恢復操作所帶來的極限吞吐量壓力。在數(shù)據(jù)恢復期間，單一存儲組件的故障會對相鄰組件造成級聯(lián)壓力，進而產生局部熱點，這不僅會增加散熱系統(tǒng)的負荷，還會提高相鄰機架發(fā)生熱致故障的風險。

AI 工作負載加劇規(guī)劃的復雜性

AI 訓練負載引入了具有獨特基礎設施需求的關鍵歸檔數(shù)據(jù)資產。傳統(tǒng)數(shù)據(jù)在歸檔層中通常處于冷數(shù)據(jù)狀態(tài)，而與之不同的是，AI 訓練數(shù)據(jù)集面臨著定期的驗證讀取和周期性的重訓練循環(huán)，從而產生了持續(xù)的工作負載模式，并對以下方面造成影響：

電力規(guī)劃： 歸檔系統(tǒng)從閑置切換到極限讀取狀態(tài)會產生功耗波動，進而影響容量規(guī)劃和UPS（不間斷電源）的容量選型。

散熱需求： 帶有版本控制的 AI 存儲庫會經歷高頻讀取的訪問模式，產生持續(xù)的熱負荷

網絡架構： 遷移 PB 級的 AI 檢查點會產生東西向流量，這與傳統(tǒng)的南北向流量模式截然不同

預計到 2027 年，每年將新增 130–140 個超大規(guī)模數(shù)據(jù)中心，且用于支持 AI 能力的基礎設施支出將高達數(shù)千億美元。因此，在規(guī)劃備份基礎設施時，充分考量在極端情況下確?？焖倩謴退璧南到y(tǒng)電力、散熱和網絡影響，顯得至關重要。

數(shù)據(jù)中心運營者應關注的關鍵問題

數(shù)據(jù)中心運營商應審查其存儲基礎設施是否與運維實際相符：

電力與熱量的可預測性： 存儲組件在整個生命周期內是否保持穩(wěn)定的功耗區(qū)間？

持續(xù)性能： 歸檔系統(tǒng)在閑置數(shù)月后，能否在不產生散熱問題的情況下提供額定吞吐量？

故障模式的可預測性： 組件是否能夠以可控方式退化，并提供明確的故障指示，還是會增加故障排查的復雜度？

密度優(yōu)化： 電力和散熱系統(tǒng)的容量配置，是否足以應對所有存儲層在極端情況下的同時利用率？

組件級可靠性將直接影響設施的經濟效益：減少上門維修和運維人工成本、通過可預測的功耗簡化容量規(guī)劃、延長更新周期以減少破壞性的設備更替，以及在采用新一代技術時簡化驗證流程。

核心要旨

對于數(shù)據(jù)中心運營商來說，核心問題不在于是否有備份，而在于設施基礎設施能否支撐其SLA（服務等級協(xié)議）所承諾的數(shù)據(jù)韌性：在維持在線工作負載正常運行時間的同時，確保不可變歸檔能力有助于抵御攻擊。電力與散熱系統(tǒng)能否在數(shù)據(jù)恢復場景中，支撐存儲基礎設施在極限利用率下連續(xù)運行數(shù)周的壓力？

在當今時代，AI 的開發(fā)進度和客戶留存率均依賴于跨層的存儲基礎設施性能，而組件級的可靠性則是一個影響數(shù)據(jù)中心經濟效益方方面面的設施規(guī)劃變量——從電力合同到散熱系統(tǒng)選型，再到人工成本，無一例外。

作者：Stefan Mandl，西部數(shù)據(jù)全球銷售與市場營銷副總裁