QLC SSD의 쓰기 증폭률 감소

작가 | 2026년 10월 23일 | 모두, 기업

AI 학습, 체크포인트 생성 및 데이터 수집으로 인해 QLC SSD는 그 어느 때보다 높은 성능을 요구받고 있으며, 더욱 스마트해진 펌웨어는 내구성과 성능을 유지하는 데 필수적입니다.

 

쿼드 레벨 셀(QLC) SSD는 AI 데이터 센터에서 대용량 스토리지를 위한 대표적인 선택지가 되었습니다. 이제 단일 드라이브로 245TB 이상의 용량을 저장할 수 있습니다. 따라서 GPU 근처에 페타바이트급 스토리지가 필요한 데이터 레이크나 학습 클러스터를 구축할 때 QLC를 무시할 수 없습니다. 하지만 사양표의 용량 항목에는 나타나지 않는 한 가지 함정이 있는데, 바로 쓰기 증폭(write amplification)입니다. 

바로 이러한 이유로 QLC SSD의 쓰기 증폭을 줄이는 것은 펌웨어 팀의 구상 단계를 넘어 내구성, 성능 및 총 소유 비용 측면에서 중요한 논의 주제가 되었습니다. 쓰기 증폭의 원인, AI가 이를 악화시키는 이유, 그리고 해결 방법에 대해 알아보겠습니다. 

 

쓰기 증폭이란 무엇이며, QLC가 쓰기 증폭에 더 취약한 이유는 무엇인가

쓰기 증폭(Write Amplification, WAF)은 호스트가 기록하는 데이터 양과 가비지 컬렉션 및 웨어 레벨링을 고려했을 때 SSD가 실제로 NAND 플래시에 기록하는 데이터 양을 비교하는 것입니다. 예를 들어 애플리케이션이 1GB를 기록했는데 드라이브가 실제로 3GB를 플래시에 기록한다면 WAF는 3입니다. 무작위 또는 단편화된 I/O 환경에서는 QLC SSD가 TLC SSD보다 쓰기 증폭이 더 높은 경향이 있습니다. 이는 과거보다 현재에 더욱 중요한 요소입니다. AI 학습, 체크포인트 생성, 데이터 수집과 같은 작업은 지속적이고 종종 무작위적인 쓰기를 발생시키는데, 이는 QLC SSD가 처음 설계된 순차적이고 읽기 중심적인 작업보다 훨씬 더 큰 부담을 줍니다. 

호스트 쓰기와 NAND 쓰기 사이의 차이는 플래시 메모리의 작동 방식에서 비롯됩니다. 모든 SSD는 데이터를 페이지 단위로 기록하고 훨씬 큰 블록 단위로 지웁니다. 데이터가 변경되면 드라이브는 변경된 데이터를 제자리에 덮어쓸 수 없습니다. 새 버전을 다른 위치에 기록하고 이전 복사본을 무효화합니다. 시간이 지나면 드라이브는 블록에서 아직 유효한 페이지를 복사한 다음 블록을 지워 공간을 확보해야 합니다. 이러한 정리 작업을 가비지 컬렉션이라고 하며, 가비지 컬렉션 과정에서 이동하는 모든 페이지는 호스트가 요청하지 않은 추가 쓰기 작업입니다. 대부분의 드라이브에서 가비지 컬렉션은 쓰기 증폭의 가장 큰 원인입니다. 

QLC는 셀당 4비트를 저장합니다. 이는 높은 밀도에는 유리하지만, 다른 측면에서는 부담이 될 수 있습니다. QLC 블록은 크기가 크기 때문에 자주 사용되는 데이터와 자주 사용되지 않는 데이터가 혼합된 블록에는 재배치가 필요한 유효 페이지가 많이 포함될 수 있습니다. 고용량 드라이브는 DRAM 요구량을 적절하게 유지하기 위해 데이터를 더 큰 덩어리로 추적하는 경향이 있습니다. 작은 크기의 임의 쓰기 작업만으로도 드라이브는 이러한 큰 덩어리 중 하나를 읽고, 수정하고, 다시 써야 할 수 있습니다. 또한 많은 QLC 드라이브는 들어오는 데이터를 QLC로 이동하기 전에 SLC 캐시에 저장하는데, 이로 인해 쓰기 작업이 한 번 더 추가됩니다. 

다음으로 내구성 문제를 살펴보겠습니다. QLC 셀은 TLC 셀보다 프로그램/삭제 주기 횟수가 적습니다. TLC 드라이브에서 아내의 만족도(WAF)가 4점이면 거슬리는 정도지만, QLC 드라이브에서는 호스트의 쓰기 횟수보다 훨씬 빨리 드라이브의 정격 수명을 소모할 수 있습니다.  

 

AI 워크로드가 이러한 문제를 악화시키는 이유는 무엇일까요?

QLC가 처음 기업에 도입되었을 때는 주로 아카이브, 콘텐츠 라이브러리, 백업 대상과 같이 읽기 작업이 많은 순차적인 작업을 처리했습니다. 데이터는 한 번에 대용량 스트림으로 입력된 후 여러 번 읽혔습니다. 대용량 순차 쓰기 작업은 블록에 데이터가 채워지면서 해당 데이터가 함께 오래되고 함께 삭제되기 때문에 쓰기 증폭률은 낮게 유지되었습니다. 

AI 파이프라인은 매우 다양한 방식으로 작동합니다. 데이터 수집 단계에서는 여러 소스에서 다양한 크기의 파일이 꾸준히 동시에 유입됩니다. 학습 작업은 데이터를 섞고 전처리하며 중간 결과와 로그를 기록하는 동시에 많은 양의 데이터를 읽습니다. 체크포인트는 정해진 일정에 따라 모델 상태를 저장하고, 새로운 체크포인트가 생성되면 이전 체크포인트는 삭제됩니다. 동일한 드라이브에서 여러 작업을 실행하거나 여러 작업이 스토리지 풀을 공유하도록 하면, 들어오는 쓰기 작업이 뒤섞이게 됩니다. 수명이 매우 다른 데이터들이 결국 동일한 NAND 블록에 저장되는 것입니다. 

가비지 컬렉션 측면에서 이는 최악의 경우입니다. 체크포인트가 삭제되면 해당 페이지가 여전히 활성 데이터를 보유하고 있는 여러 블록에 분산됩니다. 드라이브는 데이터를 삭제하기 전에 모든 활성 데이터를 이동해야 합니다. 결과적으로 AI 워크로드의 쓰기 증폭률은 기존의 읽기 중심 환경에서 동일한 드라이브가 경험하는 것보다 훨씬 높아질 수 있습니다. 

비용은 세 군데에서 나타납니다. 

  • 지구력. 아내의 승인 지수(WAF)가 높을수록 드라이브의 프로그램/삭제 예산이 더 빨리 소모되어 수명이 단축됩니다. 
  • 성능 일관성. 가비지 컬렉션은 호스트 I/O와 경쟁하므로 드라이브가 정리 작업을 하는 동안 지연 시간이 급증합니다. 예측할 수 없는 극한 지연 시간으로 인해 GPU가 데이터를 기다려야 할 수도 있습니다. 
  • 비용. 수명이 짧거나 정상적인 상태를 유지하기 위해 추가적인 오버프로비저닝이 필요한 드라이브는 사용 가능한 테라바이트당 실제 비용을 증가시킵니다. 

 

컨트롤러 인텔리전스와 펌웨어가 쓰기 증폭을 줄이는 방법

다행인 점은 쓰기 성능 향상의 대부분은 드라이브가 데이터를 어디에 저장할지 결정하는 방식에서 비롯된다는 것입니다. 컨트롤러와 펌웨어가 이러한 결정을 내리므로, 더 나은 결정을 내리면 눈에 띄는 결과를 얻을 수 있습니다. 

 

작업 부하를 고려한 데이터 배치 또는 유연한 데이터 배치 방식 

가장 효과적인 접근 방식은 수명이 비슷한 데이터를 함께 보관하는 것입니다. 블록 내의 모든 데이터가 거의 동시에 무효화되는 경향이 있다면, 가비지 컬렉션은 대부분 또는 완전히 비어 있고 복사할 데이터가 거의 없는 블록을 찾게 됩니다. 

워크로드 인식 데이터 배치는 SSD 내부에서 이루어질 수 있으며, 펌웨어는 자주 사용되는 데이터와 그렇지 않은 데이터를 감지하여 각각 다른 블록에 배치합니다. 또한 호스트와 데이터를 공유할 수도 있습니다. NVMe 사양의 일부인 유연한 데이터 배치(FDP)를 사용하면 호스트가 각 쓰기 작업에 배치 핸들을 태그할 수 있습니다. 그러면 SSD는 단일 체크포인트 또는 단일 수집 스트림과 같이 관련된 데이터를 자체 블록 세트에 배치합니다. 호스트는 어떤 데이터가 서로 관련되어 있는지 알고, 드라이브는 NAND에 데이터를 어떻게 배치해야 하는지 알고 있습니다. FDP는 하위 호환성도 제공하므로 FDP를 사용하지 않는 애플리케이션도 정상적으로 작동합니다. 

 

더욱 스마트한 쓰레기 수거 및 마모 평준화 전략 

펌웨어는 가비지 컬렉션 실행 시점, 정리할 블록, 그리고 한 번에 처리할 작업량을 결정합니다. 효율적인 정책은 유효 페이지 수가 가장 적은 블록을 선택하고, 여유 공간이 부족해지기 전에 백그라운드에서 정리를 수행하며, 호스트 지연 시간을 일정하게 유지하도록 작업 속도를 조절합니다. 웨어 레벨링은 NAND 플래시 메모리 전체에 프로그램/삭제 주기를 고르게 분산시키며, 효율적인 구현은 불필요한 데이터 이동 없이 이를 수행합니다. 또한 펌웨어는 SLC 캐시의 크기 및 플러시 방식, 그리고 드라이브가 내부 매핑과 일치하지 않는 작은 쓰기 작업을 처리하는 방식을 제어합니다. 

 

이것이 점점 더 전략적 관심사가 되는 이유는 무엇일까요?

쓰기 증폭은 사소한 기술처럼 보일 수 있지만, 실제로는 엔터프라이즈 스토리지에서 QLC NAND의 경제성에 직접적인 영향을 미칩니다. QLC의 매력은 테라바이트당 비용이 저렴하고 랙당 용량이 커서 전력 소비와 공간을 절약할 수 있다는 점입니다. 하지만 이러한 장점은 드라이브가 예산에 맞춰 설정한 수명 동안 문제없이 작동한다는 전제 하에 성립됩니다. 실제 AI 워크로드의 부하가 예상보다 3~4배 높다면, 드라이브 교체 주기가 짧아지거나, 용량을 과도하게 확보하거나, 쓰기 작업이 많은 작업을 더 비싼 TLC 드라이브로 옮겨야 할 수도 있습니다. 이러한 모든 상황은 QLC를 선택하게 된 근본적인 이유였던 비용 절감 효과를 상쇄하게 됩니다. 

AI용 QLC SSD의 내구성을 평가하고 있다면, 제조사에 몇 가지 직접적인 질문을 해보세요. 

  • 해당 드라이브의 DWPD 등급은 얼마이며, 어떤 워크로드 조건에서 측정되었습니까? 
  • 해당 드라이브는 FDP 또는 다른 배치 방식을 지원하며, 당사의 소프트웨어 스택과 호환됩니까? 
  • 펌웨어는 소량의 임의 쓰기 작업과 읽기/쓰기 혼합 트래픽을 어떻게 처리합니까? 
  • 지속적인 가비지 컬렉션 중에 지연 시간은 어떻게 되나요? 
  • 펌웨어는 누가 개발하며, 우리 작업 부하에 맞게 조정할 수 있습니까? 

 

파스카리가 QLC 내구성을 지원하는 방법은 무엇일까요? 

피손은 자체 NAND 컨트롤러를 설계하고 펌웨어를 개발합니다. 이를 통해 피손 엔지니어들은 AI 학습 및 체크포인트 작업에서 발생하는 혼합형 대용량 I/O 환경에 맞춰 데이터 배치, 가비지 컬렉션, 웨어 레벨링을 단일 시스템으로 최적화할 수 있습니다. 컨트롤러와 펌웨어는 동시에 개발되므로 내구성 관리가 드라이브 작동 방식에 처음부터 내장되어 있습니다.  

결과는 저희 제품의 내구성 사양에서 확인하실 수 있습니다. Pascari의 엔터프라이즈 SSD 포트폴리오. 그 파스카리 D 시리즈 D206V, 예를 들어, 하나의 U.2 드라이브에 245.76TB의 3D QLC NAND를 탑재하고 하루 0.3회 쓰기(DWPD)를 지원합니다. 이 정도 용량의 드라이브라면 정격 수명 동안 매일 약 74TB의 쓰기 작업을 처리할 수 있습니다. 이는 읽기 작업이 많은 AI 데이터 레이크나 학습 데이터셋을 처리하기에 충분한 여유 용량입니다.  

 

드라이브를 더욱 효율적으로 사용하세요

QLC는 뛰어난 용량과 밀도 덕분에 AI 인프라에서 계속해서 성장할 것입니다. 하지만 쓰기 증폭률은 이러한 성능이 실제 사용 환경에서 장기간 유지될 수 있는지 여부를 결정합니다. AI 워크로드는 아내의 동의(WAF)를 높일 만한 혼합형 단기 쓰기 작업을 생성하기 때문에, 컨트롤러와 펌웨어는 드라이브 내부의 NAND만큼이나 중요합니다. QLC SSD에서 쓰기 증폭률을 줄이려면 스마트한 데이터 배치, 최적화된 가비지 컬렉션, 그리고 FDP와 같은 호스트 기반 접근 방식을 지원해야 합니다. 

 

어떻게 살펴보는지 알아보세요 Pascari 엔터프라이즈 SSD 고용량 QLC, Phison이 설계한 컨트롤러, 그리고 자체 개발 펌웨어를 결합하여 까다로운 AI 워크로드에서도 내구성과 성능을 안정적으로 유지합니다. 또는, 파스카리 영업 담당자에게 문의하십시오. 오늘.    

자주 묻는 질문(FAQ) :

QLC SSD에서 쓰기 증폭이란 무엇이며, 왜 중요한가요?

QLC SSD의 쓰기 증폭률은 다음을 측정합니다. 추가의 NAND 쓰기는 호스트에서 기록되는 데이터 외에도 추가적인 데이터를 생성하며, 이는 플래시 메모리의 내구성, 저장 성능 및 총 소유 비용에 직접적인 영향을 미칩니다. 쓰기 증폭 계수(WAF)가 3이라는 것은 SSD가 호스트 데이터 1GB당 3GB를 NAND에 기록한다는 의미입니다. 가비지 컬렉션, 웨어 레벨링 및 내부 데이터 재배치 또한 이러한 쓰기 증폭 계수에 영향을 미칩니다. 추가의 QLC NAND는 TLC보다 프로그램/삭제 사이클 수가 적기 때문에 쓰기 증폭을 제어하는 것이 매우 중요합니다. 유지하다 기업용 SSD 수명.

AI 워크로드가 QLC SSD의 쓰기 증폭률을 높이는 이유는 무엇일까요?

AI 워크로드는 혼합되고 단편화된 데이터를 생성하여 QLC SSD의 쓰기 증폭률을 증가시킵니다. 자주 컨트롤러를 강제하는 업데이트된 쓰기 작업 고쳐 놓다 가비지 컬렉션 중 유효한 NAND 페이지. AI 학습, 데이터 수집, 전처리 및 체크포인트는 서로 다른 수명을 가진 데이터를 생성하며, 관련 쓰기 작업이 여러 NAND 블록에 분산되는 경우가 많습니다. 애플리케이션이 임시 파일이나 오래된 체크포인트를 삭제할 때, 컨트롤러는 저장 공간을 회수하기 전에 남아 있는 유효한 데이터를 보존해야 합니다. 이것 추가의 NAND 활동은 마모를 가속화하고, 지연 시간 변동성을 증가시키며, AI 인프라의 스토리지 효율성을 저하시킬 수 있습니다.

유연한 데이터 배치(Flexible Data Placement)는 엔터프라이즈 SSD에서 쓰기 증폭을 어떻게 줄입니까?

유연한 데이터 배치(FDP)는 호스트 애플리케이션이 관련 데이터를 지정된 NAND 배치 그룹으로 보낼 수 있도록 하여 쓰기 증폭을 줄이고, 가비지 컬렉션 중 불필요한 데이터 이동을 최소화합니다. NVMe FDP 사양에 따르면, 배치 핸들을 사용하여 SSD 컨트롤러가 애플리케이션 수준의 데이터 관계에 따라 쓰기를 구성하도록 지원합니다. 체크포인트 파일, 수집 스트림 또는 수명이 유사한 기타 데이터를 그룹화하면 블록 회수 효율이 향상됩니다. 이러한 접근 방식은 QLC 내구성을 개선하고 가비지 컬렉션 오버헤드를 줄이며 엔터프라이즈 AI 환경에서 더욱 예측 가능한 스토리지 성능을 지원할 수 있습니다.

AI 워크로드에서 QLC SSD의 내구성은 TLC SSD의 내구성과 어떻게 비교됩니까?

QLC SSD 일반적으로 제공합니다 더 높은 저장 밀도와 더 낮은 비용 테라바이트 QLC SSD는 TLC SSD보다 내구성이 좋지만, 프로그램/삭제 주기 내구성이 낮아 AI 워크로드에서는 쓰기 증폭 관리가 특히 중요합니다. TLC는 일반적으로 쓰기 작업이 많은 애플리케이션에 더 긴 내구성 여유를 제공하는 반면, QLC는 읽기 작업이 많은 데이터 세트와 대용량 스토리지에 비용 효율성을 제공할 수 있습니다. 워크로드 인식 펌웨어, 효율적인 가비지 컬렉션, 최적화된 데이터 배치를 통해 QLC를 다양한 AI 워크로드에 더욱 적합하게 만들 수 있습니다. 기업 구매자는 TLC의 DWPD 등급, 실제 쓰기 증폭률, 워크로드 특성을 비교해야 하며, 단순히 내구성 등급에만 의존해서는 안 됩니다. 낸드 타이핑만 하세요.

기업은 AI 인프라용 QLC SSD를 선택할 때 무엇을 평가해야 할까요?

기업은 AI 인프라에 적합한 QLC SSD를 평가할 때 용량과 구매 비용만을 고려하기보다는 워크로드별 내구성 요구 사항, 쓰기 증폭 동작, 지속적인 지연 시간, 컨트롤러 펌웨어 기능 등을 종합적으로 고려해야 합니다. 중요한 고려 사항으로는 DWPD(데이터 전송률) 등급, 랜덤 쓰기 성능, 가비지 컬렉션 효율성, 그리고 플렉서블 데이터 배치(FPS)와의 호환성 등이 있습니다. 또한, SSD가 동시 데이터 처리를 어떻게 수행하는지도 살펴보아야 합니다. 섭취하다, 훈련 및 체크포인트 작업. 대표적인 워크로드를 테스트하면 인프라 팀이 도움을 받을 수 있습니다. 식별하다 지구력 위험, 결정하다 과잉 공급 요구 사항을 파악하고 장기 저장 비용을 추정합니다.

Phison은 SSD 컨트롤러 및 펌웨어 최적화를 통해 쓰기 증폭을 어떻게 줄입니까?

피손 Phison은 통합 컨트롤러 아키텍처와 자체 펌웨어 개발을 통해 쓰기 증폭 문제를 해결하고, NAND 데이터 배치, 가비지 컬렉션, 웨어 레벨링 및 캐시 관리를 통합적으로 최적화합니다. 이러한 엔지니어링 접근 방식을 통해 컨트롤러 및 펌웨어 팀은 혼합 읽기/쓰기 트래픽 및 AI 체크포인트 기능을 포함한 엔터프라이즈 워크로드 특성에 맞춰 데이터 이동 전략을 조정할 수 있습니다. 이러한 기능들을 통합적으로 관리함으로써 불필요한 NAND 쓰기를 줄이고, 내구성 효율성을 향상시키며, 더욱 예측 가능한 스토리지 지연 시간을 지원할 수 있습니다. 또한, 이러한 컨트롤러 수준의 통합은 엔터프라이즈 SSD 배포 전반에 걸쳐 워크로드별 최적화 기회를 제공합니다.

Phison Pascari 엔터프라이즈 SSD는 AI 데이터 센터에서 QLC 내구성을 어떻게 지원합니까?

피슨의 Pascari Data Center D-Series Enterprise SSD는 고밀도 NAND 스토리지와 피손Pascari D206V는 용량 집약적인 AI 인프라에서 내구성 관리를 지원하도록 설계된 컨트롤러와 펌웨어를 제공합니다. U.2 폼 팩터에 245.76TB의 3D QLC NAND 용량을 제공하며, 0.3 DWPD의 내구성 등급을 갖추고 있어 정격 수명 동안 하루 약 74TB의 호스트 쓰기 작업을 처리할 수 있습니다. 이 구성은 읽기 집약적인 AI 데이터 레이크 및 학습 데이터 세트를 지원하며 기업의 생산성 향상에 기여합니다. 통합하다 저장 용량. 작업 부하별 쓰기 증폭 유적 지속적인 쓰기 활동을 평가할 때 중요한 고려 사항입니다.

QLC SSD의 예측 가능한 성능을 위해 컨트롤러 수준의 혁신이 중요한 이유는 무엇일까요?

컨트롤러 수준의 혁신은 가비지 컬렉션, NAND 배치, 웨어 레벨링 및 캐시 관리를 조정하여 호스트 I/O와 경쟁하는 백그라운드 작업을 제한함으로써 예측 가능한 QLC SSD 성능을 유지하는 데 도움이 됩니다. 피손 컨트롤러와 펌웨어를 함께 개발하여 엔지니어들이 엔터프라이즈 SSD가 혼합 워크로드와 내부 NAND 활동을 관리하는 방식을 최적화할 수 있도록 지원합니다. 지능적인 가비지 컬렉션 스케줄링과 선택적 데이터 재배치는 지속적인 작동 중 발생하는 지연 시간 급증을 줄일 수 있습니다. 이러한 기능은 AI 인프라에서 중요한데, 스토리지 응답 시간이 일정하지 않으면 GPU로의 데이터 전달이 지연되고 워크로드 실행 효율성에 영향을 미칠 수 있기 때문입니다.

Phison의 펌웨어 전문 기술은 워크로드별 QLC SSD 최적화를 어떻게 지원할 수 있을까요?

Phison의 자체 펌웨어 개발은 엔지니어가 엔터프라이즈 애플리케이션 요구 사항에 따라 데이터 배치, 가비지 컬렉션, 웨어 레벨링 및 소량 쓰기 처리를 조정할 수 있도록 하여 워크로드별 QLC SSD 최적화를 지원합니다. AI 학습, 체크포인트 생성 및 데이터 수집은 다양한 쓰기 패턴과 데이터 수명을 생성하여 균일한 스토리지 관리의 효율성을 떨어뜨립니다. Phison의 통합 컨트롤러 및 펌웨어 엔지니어링 접근 방식은 조정된 NAND 관리 전략을 통해 이러한 특성에 유연하게 대응할 수 있도록 지원합니다. OEM 및 인프라 팀은 내구성 목표, 지연 시간 요구 사항 등을 기준으로 펌웨어 튜닝 기회를 평가할 수 있습니다. 전개 업무량.

Phison의 QLC SSD 아키텍처는 기업이 AI 스토리지의 총 소유 비용을 최적화하는 데 어떻게 도움이 될 수 있을까요?

피슨의 QLC SSD 아키텍처는 기업에 도움이 될 수 있습니다. 최적화하다 AI 스토리지 총 소유 비용은 고용량 NAND 밀도와 컨트롤러 수준의 내구성 관리 및 펌웨어 최적화를 결합하여 절감됩니다. 245.76TB Pascari D206V와 같은 고밀도 드라이브는 SSD 개수를 줄일 수 있습니다. 필수의 용량 집약적인 배포의 경우, 스토리지 지원이 필요합니다. 강화 더욱 효율적인 랙 이용. Phison의 통합 컨트롤러 및 펌웨어 접근 방식 또한 마찬가지입니다. 목표 불필요한 NAND 쓰기와 성능 변동성은 교체 및 과잉 프로비저닝 비용을 증가시킬 수 있습니다. 기업은 이러한 문제를 해결해야 합니다. 검증하다 실제 작업량 대비 이러한 이점 쓰다 증폭률, 내구성 요구 사항 및 인프라 운영 조건.

혁신을 가속화하는 기반™

ko_KR한국어