本文作者：王齊，前Intel資深架構師，《PCI Express 體系結構導讀》圖書作者，公眾號“南郭比特”。

2016年7月初，ITRS (International Technology Roadmap for Semiconductors)發(fā)布了也許是最后一份有關半導體工藝的報告。硅半導體工業(yè)在歷經五十余年的輝煌后，逐步走向盡頭，基于硅的晶體管尺寸（Physical Gate Length）可能在五年后于10nm處終結[1]。我們繼續(xù)從理論上探討晶體管能否到達5nm愈顯蒼白，芯片在大規(guī)模量產時使用5nm日趨渺茫。

在實驗室早已取得成功的7nm技術，前景并不樂觀。基于性價比的考慮，使得在沒有足夠商業(yè)利益驅動的7nm技術，面臨著無法大規(guī)模產品化的現實。南美蝴蝶翅膀幾次微不足道的扇落，足以使得繼續(xù)在刀尖上行走的5nm與7nm技術，跌下神壇，粉身碎骨。

摩爾定律已正式結束，但永存于世間。

圖11摩爾定律的終結[2]

在世界范圍內，對硅半導體的材料科學，制作工藝，有能力也有意愿繼續(xù)的廠商可能只留下了Intel，Samsung，TSMC與Global Foundries。在近期或者在不久的將來，或許中國為了完成世界工廠的巨大轉型，將接過半導體生產制造的旗幟，使其更加廉價，使其更加缺乏必要的盈利以支撐整個產業(yè)鏈的持續(xù)發(fā)展，維系也在終結這個行業(yè)。我繼續(xù)悲觀地維持在幾年前的判斷[3]，基于硅的半導體工業(yè)不可或缺，也不再重要。

談計算

緣起于上世紀四十年代的馮諾依曼體系正在等待著最后一根稻草。至今處理器的設計者再也無法按照自身的理念決定自己的設計方向，當這些處理器的設計者不知道做什么合適，而轉身專注于Cache、內存與I/O通路時，基于馮諾依曼體系的傳統(tǒng)處理器事實上已經結束。掌握用戶場景與應用的廠商目前是處理器真正的設計主導者。定制化時代不再是多年之前的預判[4]，而是已然來臨，并主宰著處理器設計的方向。

硅半導體與傳統(tǒng)處理器的停滯不前，不會結束人類對于硅的依賴，在短期內尚無任何材料能夠完全替代硅。應用對于硅的需求依然明確。在一分鐘內，Youtube將至少接收長達100個小時的視頻文件[5]；在Facebook上，每天有40億次視頻點擊播放[6]。這些應用需求將通過網絡，到達各類服務器，并從存儲器中獲取或者寫入數據，進行著各類數據的處理。在計算、網絡與存儲這些基礎架構中，硅半導體依然占據主導地位。

神奇的半導體硅改變了人類歷史的發(fā)展軌跡，也幾乎走到了盡頭。近半個世紀以來，硅一直有互補品，如砷化鎵GaAs與氮化鎵GaN，這些在大功率與高頻領域已有著重大應用的半導體材料無法取代硅，基于二硫化鉬MoS2和碳納米管CNT (Carbon Nanotube)的晶體管甚至可以將Gate Length做到1nm[7]，但是依然處于實驗室階段，用其替代硅僅僅停留在論文的紙面之上。至今硅工業(yè)的天花板制約了整個IT基礎設施行業(yè)前進的腳步。

在計算領域，被軟銀收購的ARM已經難以對x86處理器帶來持續(xù)的壓力。在手機處理器上取得了長足進步的蘋果、高通、三星與華為，在近期難以在服務器市場上對Intel帶來實質性的挑戰(zhàn)。許多ARM服務器在SPECInt的測試中宣稱已逐漸接近了x86處理器，卻在有意無意的忽略著一個顯而易見的事實，這一代的服務器，甚至是手機處理器，都不應該繼續(xù)關注SPECInt與SPECfp這類單純比拼計算性能的基準測試。

目前處理器的設計中心已經轉向I/O與Memory Hierarchy通路的建設。在Intel的Broadwell-E處理器的Die Map[8]中，10個處理器微架構(Core)合在一起所占的比例已經不算太大，Memory Hierarchy與I/O占據了大多數的Die資源。

圖12 Intel的Broadwell-E處理器的Die Map[8]

在一個處理器微架構中，運算單元所占的比例幾乎可以忽略不計，在處理器微架構中，依然是種類繁多，各類數據緩沖占據著主導位置。事實上，除了模擬器件以及與模擬器件強相關的芯片外，在多數芯片Die Map中，緩沖都占據著關鍵位置。迄今為止，計算領域的多數應用對處理器的使用都是訪存密集型。

處理器的設計初衷本是為計算服務，但是在今天的許多應用場景中，處理器所承擔更多的任務是通過各類I/O設備獲取數據；這些數據在穿越Memory Hierarchy后抵達CPU的核心部件；CPU核心部件在精確計算著心跳的過程中，盡可能地快速處理這些數據，而后將其再次轉發(fā)至遠方。和密集計算相關的任務，已經通過各類硬件加速引擎，GPU或者專用ASIC實現。

我們無法直面一個簡單而令人沮喪的事實，在處理器運行著的各類協議棧的代碼組成中，用于實現快速路徑的代碼可能不超過1%；99%以上的用于異常處理的代碼，可以在超過99.9%以上的時間段內安然入睡，其存在只為等待著可能的異常出現。

不是因為這些多如牛毛的異常需要處理，也許我們這個世界已經不再需要通用處理器了。從純計算的角度上分析，各類硬件加速引擎，GPU、FPGA或者專用ASIC，遠勝今日的處理器，但是這些加速引擎在面對成千上萬種異常時無能為力。在移動互聯網廠商的數據中心中，處理器存在的最主要目的是對各類數據流進行分析、組裝、打包后發(fā)往下一站。

在這些應用場景中，處理器存在的首要原因依然不是其高效的報文轉發(fā)能力，而是能夠應對在報文處理過程中出現的各類異常。在數據中心中，處理器存在的主要作用是能夠相對高效地處理數據報文，同時還能對各類異常進行查漏補缺。不僅在計算領域，在IT基礎設施的網絡與存儲領域，通用處理器的使用方式依然如此。

能夠對通用處理器帶來挑戰(zhàn)的GPU，前景沒有想象中樂觀。從設計策略上看，GPU與通用處理器的最大區(qū)別在于對異常的處理。GPU專注極致計算，盡最大的可能提升TLP (Thread-Level Parallelism)，而忽略異常處理；通用處理器需要考慮異常狀態(tài)的處理，以追求更大的適用性。

在不同設計策略的引導下，GPU走出了一條與通用處理器迥異的道路。Nvidia的Pascal GP100由最多可達6個的一組GPC (Graphics Processing Clusters)構建；這些GPC共享同一個4096 KB的L2 Cache；通過8個512位的Memory Controller對外交換數據；使用高速的NVLink接口與其他GP100互聯；最后通過PCIe 3.0總線與通用處理器進行連接[9]。

圖13 Nvidia Pascal GP100 GPU組成結構[9]

在每一個GPC中，最多可以容納5個TPC (Texture Processing Clusters)；每個TPC中集成兩個SM (Streaming Multiprocessors)；每一個SM包含64個CUDA和4個TU (Texture Unit)。其中最基本的CUDA核心和TU數目分別可達3840與個240個。GPU的Die Size可達610mm2，所能容納的晶體管數目可達153億個[9]。

GPU與通用處理器，是設計者在面對有限的Die Size資源，做出的不同選擇，以適用于不同的應用場景。由數目繁多的運算單元所組成的GPU，其組成結構不比通用處理器復雜，反而更為簡單。但是這無法解釋，Intel可以做出更為復雜的通用處理器，卻在高端GPU領域上反復折戟沉沙；也無法解釋，服務器級處理器的設計難度超過手機處理器，Intel依然屢戰(zhàn)屢敗。

通用處理器需要處理各類已知與未知的異常，在進行計算的同時，不斷地處理各類分支跳轉語句；隨時準備應對各類中斷事件；與此同時需要具備大規(guī)模的數據吞吐能力；也因此通用處理器需要一個規(guī)模龐大的通用操作系統(tǒng)。至今，計算已是通用處理器中的一個微小組成模塊，通用處理器中最大的模塊，是各類Cache和與其緊密聯系在一起的Memory Hierarchy。

GPU聚焦的計算世界相對單純；所處理的數據規(guī)整；數據間幾乎沒有太多的依賴；不需要管理外部設備，不需要處理各類中斷與異常，也不需要一個操作系統(tǒng)。從GPU的發(fā)展歷史上，可以發(fā)現，GPU所處理的圖像數據并不具備非常強的Locality特性。在GPU中，Cache存在的主要作用不是為了保存需要反復使用的數據，而是為了彌補GPU內部運算部件與外部DRAM之間的訪問延遲，從而沒有如通用處理器那樣的，復雜程度令人嘆為觀止的Cache Hierarchy結構。

在GPU中，存在與通用處理器類似的流水線，Nvidia的GP100中的基本組成模塊SM，本身就是也是一個流水線，這個流水線也被稱為Graphics Pipeline，在不考慮光柵化處理的場景下，Graphics Pipeline也被稱為Rendering Pipeline。

圖14 Pascal GP100中SM的組成結構[9]

在Graphics Pipeline中，依然包含與指令流水線中類似的概念，如指令Cache, Dispatch Unit, Scheduler, 與Register File等。也與指令流水線有很多不同之處，Graphics Pipeline不包含通用處理器用于數據相關性檢查與亂序處理的Reservation Station與ROB (Reorder Buffer)。在Graphics Pipeline中的ALU充斥著大量的CUDA Core，并設置了專門的TMU (Texture Mapping Unit)，以便于對圖像數據做進一步處理，如旋轉、縮放、扭曲等改變尺寸的操作。

這些表面差異并非GPU的Graphics Pipeline與通用處理器指令流水線的最大區(qū)別。GPU與通用處理器的差異依然是設計策略上的區(qū)別，在于異常與中斷的處理策略上。從處理的數據源上看，GPU與通用處理器的最大區(qū)別在于所處理的數據是兩維或者多維；從解決具體問題的層面上看，通用處理器側重于對問題的精確求解，而GPU側重于獲得一個相對模糊的答案。從計算的頂層結構向下俯視，GPU與通用處理器依然遵循馮諾依曼的設計哲學。

存儲器瓶頸制約著通用處理器的發(fā)展，也同樣制約著GPU的進一步發(fā)展。主要用于計算的GPU，繼續(xù)提高TLP (Thread-Level Parallelism)不是提高GPU整體效率的有效方法。與許多人的預估并非一致，GPU繼續(xù)提升TLP，非但不能因為其高并發(fā)隱藏了存儲器延遲，而且對存儲器系統(tǒng)帶來了更大的壓力[10]。GPU沒有脫離馮諾伊曼體系，只是一種不同的處理器實現策略。

以馮諾依曼體系的提出作為一個重要的分水嶺，計算大致分為三個階段。第一個階段，科學家們用當時較為復雜，目前看來簡單的電路邏輯，搭建各類定點與浮點算法，嘗試精確獲得某類問題的答案；馮諾依曼體系提出至今這個階段，所解決的問題是從模糊到逐步精確，直到今天的舉步維艱；在今天，我們將基于一維的定點與浮點算法推向前人無法企及的高度之后，開始漫長的等待，從逐步精確到模糊而不可預知。

人類的努力可歌可泣，他們在不知道如何選擇是正確之時，做出從精確再次重歸模糊的選擇，重拾在上個世紀末被暫時擱置的人工智能，引入了一個新的詞匯深度學習，開始了從一維空間的接近精確到多維空間模糊決策的探索之旅。目前深度學習的理論基礎還顯薄弱，這一代的計算平臺，無論是通用處理器或者GPU還可能都不是一個合理的計算平臺。

這些事實并沒有阻擋，深度學習領域對GPU的嚴重依賴。如果僅從今天人類掌握的技術中做選擇，GPU比通用處理器更加適合模糊計算這個領域。GPU從誕生之日起，就沒有追求精準的計算結果，設計目標是其處理結果能夠滿足人眼模糊的分辨率。

Alpha Go戰(zhàn)勝李世石，在弈城網與野狐網上橫掃天下，沒有保證每一步棋都是絕對最優(yōu)，只需保證每一步棋比人類所能構想的最優(yōu)稍勝一籌。至今利用深度學習的所有已知成果，甚至無法幫助我們精確地確定，某一個指紋或是某一個面孔一定歸屬于某一個人。

似乎在深度學習領域，我們很難得到一個精確結果。這些沒有實現，且有機會實現的目標，為人類的發(fā)展提供了新的希望。在很多情況下，人類所追逐的是希望，而不是最終的結果。在內心深處，我并不情愿這一次的探索之旅成功。因為每當出現一個領域，其模糊決策能夠比人類更加接近精確時，在這個領域，機器都將戰(zhàn)勝人類。

談網絡

計算、通信與人類文明形影不離。不同的時代賦予了計算不同的內涵，也賦予了通信不同的內涵。在每一個時代，計算與通信總是密不可分，相輔相承。計算離不開網絡，反之亦然。在今天，計算領域無法突破馮諾伊曼體系，通信領域面臨著香農極限。幾乎在同一個時間點起步的IT基礎設施的兩大領域，計算與通信，也幾乎在同一個時間點止步不前。

在上世紀的四十年代末期，近代IT歷史上，出現了兩個對電子與電信行業(yè)的發(fā)展產生深遠影響的事件，香農發(fā)現了以自己名字命名的三大定律，香農的三大定律奠定了信息論與編碼理論的基礎，也給人類帶來了一個新的詞匯比特（Bit）。與此同時肖克利發(fā)明了晶體管，晶體管的出現極大促進了計算與通信的發(fā)展。

晶體管很快應用在電話系統(tǒng)中，也同時出現在計算領域。集成電路的出現進一步加快了現代的計算與通信系統(tǒng)的演進。在Intel的第一個處理器4004正式推出之后，以太網如影隨形。計算與網絡兩大領域，在硅工業(yè)的持續(xù)進步過程中，在自身與自身的劇烈碰撞與相互繁殖中，持續(xù)擴展著各自的應用邊界，之至今日的云基礎設施。

1973年，施樂的Bob Metcalfe發(fā)明以太網，之后DEC與Intel的加入極大促進了以太網的發(fā)展，以太網的第一個版本DIX (DEC Intel Xerox) V1于1980年正式發(fā)布[11]。以太網在陸續(xù)戰(zhàn)勝FDDI (Fiber Distributed Data Interface)、ATM (Asynchronous Transfer Mode)等一系列競爭者之后，一路絕塵。在局域網領域，建立了一個不可匹敵的以太帝國。

上世紀末出現的IB (InfiniBand) 試圖對以太網發(fā)起挑戰(zhàn)，卻在近期無法看到動搖以太帝國的絲毫可能。IB的V1.0版本出現在2000年，設計野心是替代處理器系統(tǒng)的局部總線PCI，互聯網中大規(guī)模應用的以太網，與SAN (Storage Area Networks)中的FC (Fibre Channel)。IB最本分的應用依然在大規(guī)模處理器集群應用中。

IB從誕生起的十年中備受磨難，Intel不會坐視IB與PCI Express總線競爭；比IB誕生更早的FC在SAN領域已根深蒂固；無所不能而且無處不在的以太網最后還是將IB擠壓至其本分的應用領域，集群服務器。TOP500處理器一直是IB不能失守的最后陣營。IB是學術界的寵兒，在對高性能計算有所追求的領域，IB在許多應用場景中憑借著出色的性能與較低的延時勝出，而在HPC (High Performance Computing)和高性能云計算領域得到的廣泛應用[12]。

IB架構唯美，干凈，一秋若水。這個一秋若水緣于在其漫長的發(fā)展過程中，一直被忽略也樂于被忽略，沒有經受過多的干擾，二十幾年前，我第一次去喀納斯湖，除了震撼外，體會的是寂靜而后的肅殺。偶爾為之，別樣風景。人的存在會打破自然的靜謐，也帶來勃勃生機，缺少萬物之靈的景色，難抵極境。我喜歡現在這樣的，有三兩好友陪伴著的喀納斯。因為人的存在，風景格外精彩。

以太網精彩世界源自于諸人參與的熙熙攘攘。InfiniBand很少有機會去介入而分享這份精彩?？v觀IT史冊，能取得流行而大獲成功的技術不會唯美，多數是黑大傻粗，成本低廉的。Unix的設計哲學KISS (Keep It Simple and Stupid)在今天無限接近真理。有所長的丑戰(zhàn)勝無缺的美發(fā)生在此時此刻，而且在不斷的演繹進化與升級。

以太網從誕生之日起至今日，從未完美過，與優(yōu)雅ATM (Asynchronous Transfer Mode)相比，始終是下里巴人，直到把陽春白雪的ATM徹底趕出歷史舞臺。如果IB的所有優(yōu)點，都能通過以太網進行應用場景微調，或者上層協議補充，IB依然還叫IB，無法更近一步。以太帝國是有日出不窮的缺陷，但是以太帝國還是以太帝國。

私有數據中心的興起，使得以太網與其身后的Ecosystem愈顯臃腫。在一個數據中心所使用的傳統(tǒng)交換機與路由器中，大多數軟件協議棧并沒有太多的用武之地，其中許多協議是為了解決廣域網存在的各類問題。在廣域網技術持續(xù)發(fā)展，取得顯著進步的同時，也不可避免的積累了一系列問題，在解決這些問題的過程中，更多的新協議在持續(xù)產生的同時，必須要兼容舊協議。不同廠商因為各自的利益，所提供的網絡設備在互聯互通上并沒有想象中完美。

以太網的使用過于廣泛，這個廣泛在帶給以太網無限空間的同時，也帶給設計者不小的麻煩。以太網所面對的問題絕不是TCP/IP協議棧的低效，不是存儲轉發(fā)模式帶來的延遲，不是吞吐量不足，不是流控機制，也不是QoS。這些問題在理論上全部可以解決。

以太網所面臨的主要問題在于自身使用的過于廣泛，參與者過于眾多，Ecosystem過于強大。這使得以太帝國在長期以來只能有變化而無真正變革。治大國如烹小鮮，基于以太網的網絡基礎架構設計者，對任何一個微小調整都會陷入“什么是權衡，什么是掣肘，什么是不得已，什么是怎樣做都是錯的”，這樣深重的哲學思考中。

Internet網絡組成的復雜程度已經不能用任何詞匯去描述。從最末梢的移動設備，引申到2G、3G、LTE (Long Term Evaluation)、IP RUN到核心網；從最末端的PC機，引申到Wi-Fi、交換機，各級路由器到骨干網。即便我們不去討論國家級的網絡基礎設施這樣的深重話題，一個大型跨國公司的網絡拓撲結構也足以復雜到令人無法直視。

網絡設備價格始終居高不下，但是對于許多應用場景而言，這些昂貴的網絡設備所提供的多如牛毛的Feature，除了必不可少的硬件通路部分，只有部分功能真正有用。在交換機與各類路由器中，硬件成本所占比例很低，其售價的多數是為了補貼軟件上的投入。這些盈篇滿籍的軟件投入，所體現更多的是商業(yè)利益，而非技術驅動所帶來的需求。

移動互聯網的興起重置了網絡基礎設施的發(fā)展軌跡。承載著數以億計用戶的互聯網應用背后，是龐大的數據中心?；ヂ摼W數據中心的野蠻成長，逐步觸發(fā)了云計算與云存儲技術的誕生與發(fā)展，云時代的到來對網絡基礎設施提出了新的挑戰(zhàn)。來自這個領域的精英，首先面對的挑戰(zhàn)是理解已有的網絡基礎設施。擺在這些人面前的第一道難關不是溫習基礎的網絡經典著作，而是去理解在他們眼中，毫無道理，不知所云，只能死記硬背的幾千種RFC與ITU制定的協議。

RFC與ITU標準已多如牛毛，從TCP/IP到OSPF、BGP、IGMP、STP多達幾千種。這些協議無法消除不同提供商的網絡設備，在數據交換層面上的統(tǒng)一；在控制與管理層面每家廠商的做法更加不會相同。最為重要的是，傳統(tǒng)的交換機與路由器并不能滿足一些新增的業(yè)務需求。

一個新增協議，從制定、討論、發(fā)布到實際部署的周期之長，使得最有耐心之人亦無法忍受。這些協議是否被接受，在很多情況下并無至深的理論依據，所遵循的只是質樸的商業(yè)叢林法則。

人類文明得以持續(xù)向前的動力，在某種程度上，是因為總有一些不安現狀的精英們，敢于持續(xù)地挑戰(zhàn)現有的叢林法則，并創(chuàng)建新的秩序。這些精英通常是近乎強迫癥的完美主義者。他們的病態(tài)只有兩種解藥可救，一是融入舊的體制用時間與精力換取空間，或是另辟蹊徑。待到直面成千上萬，不知所云的網絡協議時，他們最終選擇另辟蹊徑。

基礎網絡設施在經歷了最初爆發(fā)期之后，步履蹣跚。網絡運營商與設備制造商，在各種商業(yè)利益，甚至是在國與國的利益間周旋，騰挪空間有限，這種空間有限所帶來的直接后果是各種類型的低效，這一低效使得在這個行業(yè)的精英進一步流失，使這個行業(yè)事實上止步不前；也進一步使得這個行業(yè)持續(xù)發(fā)生著各類并購重組，使得從事這個行業(yè)的公司總量在逐步縮小。

一個曾在華為數通的朋友與我講，我們打敗甚至打死了一個又一個對手，卻也每況愈下。我的回答是你們熬死了一個又一個對手，對手是自己打敗了自己，他們的精英不是英雄遲暮，就是轉行做了其他事情，只有你們堅持了下來。這種堅持對這個產業(yè)是一種維持，也使得依靠自身驅動帶給這個產業(yè)的創(chuàng)新乏善可陳。

這些問題使得SDN (Software Define Network)的出現順理成章。我們很難將SDN定義為一種新技術。從上世紀七八十年代至今，IT基礎設施始終處于高速螺旋的上升階段，我們在并不算長的四十年間，在同一片領域完成了多次迭代，以至于在信息科學領域，幾乎很難再次出現諸如Shannon的“A Mathematical Theory of Communication”這類革命性文章。SDN并不例外。

2007年，Martin Casado在他的博士畢業(yè)論文《Architecture Support for Security Management in Enterprise Network》中，提出目前的企業(yè)網規(guī)模較大，運行著各類網絡應用與協議棧，對網絡安全配置管理帶來了一系列問題。在這些企業(yè)內，網絡安全策略由復雜的路由、橋接策略以及ACL表、包過濾等機制組成，導致整個網絡管理的復雜性，并帶來的一些網絡安全問題。

為此Martin Casado提出了一種理想化的網絡架構，稱作SANE解決這些問題。在SANE中，控制器通過其分發(fā)能力對請求轉發(fā)的數據流進行授權，SANE交換機僅僅負責報文的轉發(fā)。SANE介紹了一種全新的網絡分層，并且該設計可以很容易擴展到幾十甚至幾百個網絡節(jié)點[13]。

我不認為當時的Martin Casado能夠真正理解，這個世界的基礎網絡設施可以復雜到何等程度，強大如Stanford這樣的世界級院校，搭建一個諸如Intel這樣跨國企業(yè)的網絡環(huán)境也很困難，更不用說運行其上承載的各類應用。也許當時的Martin Casado只是認識到了這些網絡的復雜性，見識到了多如牛毛的網絡協議棧與諸多術語后，決定不再去理解，而另辟蹊徑。

在此后的第二年，Nick McKeown et al. 在ACM SIGCOMM上發(fā)布了一篇題為《OpenFlow: enabling innovation in campus networks》[14]的論文，正式提出了OpenFlow的概念。這兩篇論文宣告了SDN的誕生。

SDN誕生后，這一新型的網絡設計框架首先得到了互聯網廠商的熱捧。2011年，Google、FaceBook、Microsoft與Yahoo等廠商成立了ONF (Open Networking Foundation)，聚焦于OpenFlow技術標準[15]。2012年，Linux內核集成了OVS (Open vSwtich)[16]。2013年4月，以思科為首的網絡廠商如夢初醒，成立ODL (OpenDayLight)，致力于開源的SDN控制器框架的實現，這個框架的名稱也被稱為OpenDayLight[17]。

思科類傳統(tǒng)網絡設備提供商的參與，在某種程度上極大促進，也極大制約了SDN的進一步發(fā)展。網絡設備提供商的參與，使得SDN技術有機會進入國家層面的網絡基礎設施領域；也因為這些既有利益的獲得者首先也是既有投資的保護者，他們的參與使得SDN技術在遵循商業(yè)原則的前提下在遲鈍且平緩的演進，不再是一個劇烈的變革。

即便如此，SDN的發(fā)展依然超乎了Martin的想象，以至于Martin在回答什么是SDN時，總是在回答“I actually don't know what SDN means anymore, to be honest”。或許Martin認為，SDN在容納著各類不完美的不斷前行中，已物是人非，偏離了至清至澈的論文軌跡。

2016年2月，Martin Casado離開VMware加入著名的風險投資公司Andreessen Horowitz并成為合伙人[18]。如同Andy Robin離開Android，這些創(chuàng)始人的離開無論是因為什么外因，最重要的內因依然是，他們認為在這個領域他們已經完成了歷史使命?；蛘哒f在Martin Casado的內心深處，SDN尚未開始，就已經結束。

SDN所解決的最重要的問題首先是解耦，分離底層硬件與網絡操作系統(tǒng)。無論是思科的IOS (Internetwork Operating System)，還是華為的VRP (Versatile Routing Platform)都是耗費了成千上萬人年的產品。我們在購買這些傳統(tǒng)路由器的時候，都在為這些人年埋單。在多數應用場景，我們所購買的路由器使用的僅是IOS和VRP提供的極少數功能。而且IOS和VRP雖然在盡最大可能包羅萬象，依然無法解決所有問題，一些用戶的自定義需求依然無法得到滿足。

通常網絡設備在邏輯上分為控制平面（Control Plane）和數據通路（Data Plane）。其中控制平面的主要由兩大部分組成。一是設備硬件資源的維護，包括網絡端口狀態(tài)的掃描和系統(tǒng)的初始化與監(jiān)控等；二是運行網絡協議，如BGP、OSPF、ISIS與ARP等。網絡設備通過運行這些網絡協議，生成用于數據通路的各類查找表。

網絡設備的數據通路則使用這些查找表，盡最大的可能性快速地進行報文轉發(fā)。對于一些交換機和路由器以外的網絡設備，如DPI、防火墻、Load Balancer類設備，數據通路的設計稍有不同，這些設備偏向于根據控制平面配置的策略決定如何處理網絡報文。

在SDN理論正式定型以前，每個網絡設備同時具備控制平面和數據通路。對于性能要求高的企業(yè)級設備，控制平面采用的是專用CPU，以及圍繞該CPU的存儲、總線、和外設來實現。數據通路多采用專用ASIC，并作為一個外設連接到控制平面的CPU。

對于家用級別的設備，如Wireless Access Point而言，數據通路和控制平面往往做在同一個以嵌入式 CPU 為核心的系統(tǒng)中。Linux是最常見的針對家用設備的操作系統(tǒng)?？刂破矫娴某绦颍鏒HCP服務器、Web服務器、Iptables、NAT等運行在Linux的用戶層。Linux 的內核負責報文轉發(fā)。在這樣的小設備中，Linux用戶層和內核之間的Netlink，有時也加上一些POSIX API做輔助，構成了數據通路和控制平面的通信方式。

SDN的核心思想是，進一步分離網絡設備的數據通路和控制平面，并定義兩者之間的通信標準。這個思想解決了很多實際存在的問題，首先是數據通路設備和控制平面設備可以分別演化；其次是在不同的應用場景中，對數據通路的性能和控制平臺的 Scaling 要求各有不同，設計者可以針對應用環(huán)境來自由搭配。對于網絡設備的用戶和運營商來說，更為關鍵的一點是 SDN 體系結構減輕了對硬件廠商的依賴。

在SDN出現之前，用戶購買的網絡設備，由于每個廠商設備的配置方法不同，其上控制平面的協議設計并不相同，彼此間很難做到完全兼容。這使得用戶在初期選定了某個廠商的產品，后續(xù)更新的時候有時也必須繼續(xù)選擇該廠商的產品，否則前期網絡運營獲得的經驗和固定下來使用方式都將失效。

SDN把數據通路設備僅僅定義為一個必須支持公開接口的黑盒子，而控制平面的程序通過這個公開的接口對數據通路設備編程。采用這種方法，傳統(tǒng)硬件廠商提供的一系列控制平面的程序失去了原有的作用。用戶只需要維護自己的控制平面程序就可以保證網絡運營的連續(xù)性。數據通路設備可以隨時隨意進行更換。

SDN引入了Flow Table。在傳統(tǒng)的交換機與路由器中，每支持一種新的協議，不是在固有表中添加表項，就是添加一張新的表格。網絡世界經過了幾十年的發(fā)展，在傳統(tǒng)路由器與交換機中已經積累了過多的表項。Flow Table的引入在提高了端口控制靈活度的同時，對所有表項進行了歸一化處理，這也使得SDN網絡有機會從邏輯上實現集中管理。SDN使用的集中管理策略，與傳統(tǒng)網絡設備采用的自適應管理，原本談不上孰優(yōu)孰劣。只是事物發(fā)展螺旋上升中的不同狀態(tài)。

SDN的出現，依然為本已死氣沉沉的網絡基礎設施帶來了一絲活力，SDN在持續(xù)著輝煌的同時，也在按照幾乎不可控制的態(tài)勢引入更多的功能。但是當我們從整個網絡基礎架構的更上層俯視SDN時，卻很難體會得出SDN是一次顛覆性變革的結論。整個網絡基礎架構并無根本的變化，只是一次管理策略的調整與重構，路由器與交換機內部基礎的緩沖管理與算法幾乎絲毫未變。

事實上SDN的前綴軟件定義SD (Software Design)更加令人關注，在SDN嶄露頭角后不太長的一段時間里，各類軟件定義風起云涌，有軟件定義云計算，軟件定義數據中心，軟件定義存儲，軟件定義基礎設備，直到Software Design Everything。在這些種類繁雜的軟件定義中，恐怕最有共性的一件事情莫過于把之前配置各類設備所使用CLI (Command Line Interface)方式，換成了RESTful API。

本已停滯不前的x86處理器一夜間重回中心，似乎x86處理器重新強大到了無所無能。NFV (Network Function Virtualization)的提出，進一步神話了x86處理器與其下的虛擬化部件。卻在有意無意中無視x86 XEON處理器自從Nehalem起，在微架構層面的創(chuàng)新已乏善可陳的事實。即將大規(guī)模推廣的Kaby Lake僅在計算層面上，與Nehalem相比并無質得提高。x86處理器在計算領域完敗于GPU之后，Kaby Lake所做出的選擇是重歸這個公司的起點，存儲。

談存儲

從人類有語言之日起，吟游詩人用歌謠頌揚著傳說；文字出現之后，我們使用甲骨文與紙張記載著歷史；每一次新材料的出現，人類總試圖將其與存儲聯系在一起，各類磁介質、硅介質，直至堅硬的藍寶石介質。至今，存儲世界已歷經五千余年。在IT基礎設施的三大領域，計算、網絡與存儲中，如果說計算在比拼著智慧，網絡在比拼著記憶力，存儲就是在比拼著一份執(zhí)著。

存儲對于穩(wěn)定性的要求壓倒了一切。在一個存儲系統(tǒng)的所有Feature中，穩(wěn)定性是1，剩余的所有特性是其后的0。如果一個存儲系統(tǒng)談不上穩(wěn)定，那么其身后的所有特性都將無用武之地，一個存儲系統(tǒng)所追求的首要目標，永遠不是速度、帶寬、延時與IOPS。而證明穩(wěn)定性的方法無他，唯有時間的磨練。這決定了進入存儲行業(yè)就是參加了一場沒有終點的馬拉松賽跑。

在IT基礎設施的三大領域中，存儲行業(yè)之執(zhí)迷守舊，刻骨銘心。計算與網絡的世界雖然精彩，但是人類文明的傳承，最終還是依靠那幾頁紙。始皇帝的焚書坑儒，使華夏殷商前的文明成為傳說；亞歷山大的幾次大火，讓古埃及文化在人類歷史上的展現僅剩下了幾座金字塔。人類已無法再次忍受數據的大規(guī)模丟失。

這種無法忍受對存儲系統(tǒng)的穩(wěn)定性提出了苛刻的需求，也使得證明過自己存在價值的存儲設備極難被淘汰。紙張依然在使用中，至今尚無退出歷史舞臺的征兆。也許是因為杰文斯效應作梗，在全世界大力提倡并實施無紙化的今天，紙張的使用有增無減。單純從穩(wěn)定性和數據保存的持久性上看，當代的多數存儲系統(tǒng)還遠不如墨水與紙張。

曾多次被預言很快退出歷史舞臺的磁帶，依然活躍在今天的云歸檔基礎設施中，NAND Flash與最新的存儲類內存SCM (Storage-Class Memory)也沒有終結硬盤。存儲行業(yè)是最苛刻同時也是最寬容的領域，進入門檻極高也極難被淘汰。移動互聯網嘗試過的各類無孔不入的顛覆，并沒有對存儲這個古老的行業(yè)帶來質的沖擊。近期出現的SD存儲遠沒有確立自己最后的存在。

在移動互聯網爆發(fā)之前，世間沒有任何IT基礎設施能夠滿足其對于超級高并發(fā)的需求。這使得以Google、Amazon、FaceBook、包括中國的TAB在內的移動互聯網廠商，為滿足自身IT基礎設施需求，所進行的試錯與開發(fā)過程中，創(chuàng)建了一套計算、網絡與存儲混合的IT基礎設施框架。Wikibon將這個正在使用的，基于移動互聯網的IT基礎框架，統(tǒng)稱之為ServerSAN。

ServerSAN是近期軟件定義存儲各種概念的合集，具備計算、網絡、存儲與服務器虛擬化功能，幾乎包羅萬象。ServerSAN最重要的兩個子集是虛擬化計算與分布式存儲層。在云計算時代，傳統(tǒng)的IOE架構很難適應彈性擴展要求與高并發(fā)而舉步維艱。這使得世界上幾乎每一個角落的移動互聯網廠商都在去IOE，并不限于中國政府。Wikibon對ServerSAN的發(fā)展寄予厚望，在2016年提出了一個激進的路線圖。

圖15 2016年Wikibon對ServerSAN的預測[19]

Wikibon堅信Server SAN在未來將逐步取代傳統(tǒng)的存儲設備，包括SAN、NAS與DAS，但是也將E3S（Enterprise Server SAN Storage）的年復合增長率CAGR（Compound Annual Growth Rate）從2015年預測的44.2%劇烈的下調至22%[20]。顯然，這個增長還是一個非常激進的數字，也很顯然Wikibon的評估充滿變數。

圖16 2014年Wikibon對ServerSAN的預測[20]

硅工業(yè)的事實停滯影響了整個IT基礎設施行業(yè)，也使得與這個行業(yè)相關的多數產業(yè)很難獲得兩位數以上的CAGR，在這個大背景下，整個IT基礎設備進行的依然還是此消彼長的零和游戲。ServerSAN與之前出現的HCI (Hyper Convergence Infrastructure)是計算，是網絡，還是存儲，還是三者皆非？ServerSAN自身到底是什么？

Wikibon從未給出過Server SAN的精確定義，這種不精確為Wikibon帶來的最大優(yōu)點是，其觀點很難出現錯誤。Wikibon之外的組織也沒有給出過Server SAN的精準定義。相比較而言，只有H3S (Hyperscale Server SAN Storage)的定義相對較為清晰，Google、Facebook、Amazon、TAB這些移動互聯網廠商正在使用的，自產自銷的IT基礎架構即為H3S。

剩余的存儲本質可以歸為一類，無論是傳統(tǒng)的企業(yè)級存儲或者是E3S。E3S與傳統(tǒng)的企業(yè)級存儲可以在文字游戲中轉化。圖15中的各種數據也許很容易得出，首先計算存儲直至2027年的CAGR，并以此獲得存儲市場的總容量，之后計算移動互聯網廠商的自產自銷，剩余的兩部分使用文字上的技巧進行份額劃分即可。

E3S的定義事實上可有可無。本質上，ServerSAN所面臨的問題是，移動互聯網所使用的H3S架構如何真正進入一個企業(yè)內部。對于多數企業(yè)，不存在移動互聯網廠商追求的超高并發(fā)度和高彈性擴展需求，也不需要規(guī)模如此龐大的IT基礎設施；H3S的維護者是昂貴的研發(fā)工程師，而不是普通的獲得幾個認證即可從業(yè)的IT工作人員。

ServerSAN架構需要在企業(yè)中找到適合的應用，找到用戶真正使用ServerSAN而拋棄傳統(tǒng)存儲架構的原因。如果僅是因為傳統(tǒng)存儲廠商不情愿使用Scale Up方法向上擴展存儲，而導致傳統(tǒng)存儲的價格居高不下，我并不認為ServerSAN找到了自己的生存空間。諸多ServerSAN廠商提供的產品，就其技術上的合理性而言，是否真正超過了雙控盤陣列這個歷盡滄桑的設計。

我們無法忽視絕大多數移動互聯網廠商使用的H3C架構，依然停留在二層交換機連接著的廉價PC機的組成結構中。在移動互聯網快速演進的時代，這些H3C架構主要在為移動互聯網的應用，更為準確的說是超高并發(fā)訪問服務。Google、Amazon、Facebook與TAB這些廠商從解決共同面臨的超高并發(fā)訪問處入手，并在解決各自面臨的不同問題的過程中，迅速差異化。至今，現有移動互聯網IT基礎設施的H3S架構，最大的特點是任意兩家的H3S架構間并無相近之處。

移動互聯網廠商所進行的大規(guī)模工程化而后逐步形成的H3S，設計之初，只為解決自身應用的一個或者幾個問題，所構建的基礎設施，從全局視覺下觀看，遍體鱗傷。事實上，幾乎任何一個存活超過十年的大型IT基礎設施，都是遍體鱗傷，在無限追求完美的設計者心中，都有強烈地將其推倒重來的沖動。也許這些H3S在等待著下一次輪回，直到世界盡頭。萬生終有一死。

已然如此的H3S架構，直接將其通用化，并大規(guī)模替換現今企業(yè)正在使用的IT系統(tǒng)的前景，沒有Wikibon想象中樂觀。如果準備進入企業(yè)市場的超融合架構，依然基于H3S使用的二層交換機組合大量的廉價PC的設計理念，不管是披著HCI或是ServerSAN的外衣，依然會面對絕大多數企業(yè)沒有大規(guī)模并發(fā)、高度彈性擴展的業(yè)務需求的這些事實。

即便如此，國內外還有許多初創(chuàng)公司涉足ServerSAN這個領域。很多打著ServerSAN旗號的產品，僅是從Github下載若干開源軟件，之后進行簡單的排列組合，最后再加上一個管理界面而已。許多準備進軍這個廣闊的企業(yè)級存儲市場的初創(chuàng)公司，真正的技術含量甚至只有一個華麗的用戶界面。

H3S和E3S在架構上的合理，可能遠不及幾十年前的Supercomputer。在多數Supercomputer系統(tǒng)中，處理器與I/O設備獨立組成兩張網絡，之后這兩張網絡采用某種拓撲結構進行連接，分離計算節(jié)點與I/O節(jié)點，以便于分離計算與I/O，獲得最短的平均訪問延遲與最大的訪問帶寬。但是這種結構在十幾年前，在移動互聯網呈爆發(fā)式增長的前夜，沒有被主流互聯網廠商接受。

在那個年代，沒有太多的移動互聯網廠商真正關心所采用IT基礎設施的絕對合理性，而是重點關注著業(yè)務的高速推進，和與其密切相關的超高并發(fā)訪問。移動互聯網廠商當時所追求的是用最快的速度，不是最完美的IT基礎設施解決所面臨的問題。有些互聯網廠商嘗試過IBM在銀行系統(tǒng)中使用的Mainframe，Mainframe的居高不下的價格并不是被他們棄用的最主要的原因。

搭建IT基礎設施的首要目的是為應用服務，Mainframe與SQL數據庫的組合沒有解決移動互聯網應用對高并發(fā)訪問的需求，遲鈍的售后無法滿足高速運轉的互聯網應用的開發(fā)步伐。這使得移動互聯網廠商決定搭建一套屬于自己的全新的系統(tǒng)。對未來的茫然，使得他們務實地選擇了，最易于重構系統(tǒng)也是最易獲得的，基于以太網與PC機的系統(tǒng)。

幾乎所有互聯網應用對數據庫都有著重度的依賴。傳統(tǒng)的SQL數據庫不僅價格昂貴，可擴展性差，而且無法滿足移動互聯網應用所要求的高并發(fā)，隨著移動互聯網的蓬勃發(fā)展，這類數據庫迅速的在移動互聯網應用中淪為配角。

NoSQL (Non SQL, Not Relational or Not Only SQL)數據庫應運而生，這個新型數據庫重創(chuàng)了SQL數據庫，也重創(chuàng)了SQL數據庫之后的傳統(tǒng)集中式存儲。這些NoSQL的一個顯著特征，就是相互間沒有什么絕對的共性。兩個都被稱為NoSQL的數據庫，其相互間的差異遠大于兩個都被稱之為SQL的數據庫。

在移動互聯網時代，各類業(yè)務快速推進，且基于對未來不確定性的考慮，使得NoSQL數據庫的每次發(fā)展更似一次試錯。NoSQL數據庫對于存儲系統(tǒng)的使用更加務實，可以直接使用內存，也可以直接使用本地硬盤。NoSQL數據庫的設計初衷不是為了排斥集中式存儲，只是Cassandra、HBase和MongoDB的設計者可能沒有購買盤陣列的資金，所以采用了RAM、硬盤、SSD、PC機這類最容易獲得的硬件資源，以搭建底層的存儲系統(tǒng)。這使得集中式存儲在無意中被冷落。

為了保證數據存儲的可靠性，NoSQL數據庫多采用了直接且粗暴的做法，最常用的手段是使用DHT (Distributed Hash Table)算法保存多個副本。這種至簡有顯而易見的不足，簡陋的多副本策略甚至可以將香農氣醒，也因為其至簡，NoSQL相對于SQL數據庫更具可擴展性，可以運行在相對低廉的硬件系統(tǒng)中，由普通PC機與交換機組成的集群系統(tǒng)中。

如果從ACID (Atomicity, Consistency, Isolation and Durability)的特性上對比NoSQL與SQL，前者不堪一擊。ACID模型是SQL數據庫創(chuàng)建時立下的規(guī)則，在這套規(guī)則體系下，SQL數據庫是上帝。NoSQL建立在BASE (Basically Available, Soft state and Eventually Consistent)模型基礎之上，所堅持的只是基本可用。這種基本可用所帶來的靈活性，使得移動互聯網應用所追求的極度高并發(fā)特性得以滿足。ACID與BASE本質上兩種完全不同的設計策略，

BASE模型的特點之一是我行我素，對Consistency沒有過高的要求，這種我行我素在某種程度上，使得基于BASE設計理念的NoSQL數據庫各不相同。移動互聯網應用絕非不重視數據的Consistency，只是在更加追求系統(tǒng)的高可用與高并發(fā)性的過程中，不得已舍棄了Consistency特性。對于絕大多數的移動互聯網應用，過強的Consistency特性并非不可或缺。

為了降低系統(tǒng)訪問延遲并盡最大可能的保證容錯，移動互聯網廠商所使用的存儲系統(tǒng)多采用Geo-Replicated架構。在這種架構下，數據在不同的地理區(qū)域中有多個副本存在，這些多個數據副本的Consistency在跨地域布置的前提下，需要與系統(tǒng)的可用性進行取舍。

圖17 Geo-replicated架構下的數據分布[23]

移動互聯網廠商所采用Geo-Replicated架構使得Eventual Consistency模型幾乎成為必然的選擇。Eventual Consistency模型似乎很簡單，在不同分區(qū)下的數據副本最終獲得一致即可，對數據的最后一次更新最終將體現在所有的分區(qū)中，但是并不保證每次讀取的數據是最新的。這種對Eventual Consistency的定義非常模糊，而且在一定程度上是誤導。事實上一個數據中心的設計者如果不采用一定的策略，即便是最簡單的Eventual Consistency模型也無法滿足。

Lloyd Wyatt et al.[21]給出了Eventual Consistency模型較為嚴格的定義，在一個Geo-Replicated架構中，寫入到一個數據中心的數據，需要最終寫入到其他數據中心，如果所有數據中心都收到了相同數據集合的寫入操作，那么在整個系統(tǒng)中這個數據集合的所有的數據副本需要保持一致。即便不考慮有人惡意插拔網線與主機電源而制造的數據分區(qū)，僅考慮網絡報文延遲與傳輸順序，在整個系統(tǒng)中即便只保證Eventual Consistency也并非易事。

Eventual Consistency這種弱一致性模型，有許多顯見的問題。Lloyd Wyatt et al.列舉了一些互聯網應用，因為采用Eventual Consistency所導致的一系列問題，如Comment Reordering、Photo Privacy與Double Money Withdrawal等[21]。有些問題不傷大雅，有些問題較為嚴重。Lloyd Wyatt et al.所列出的這些問題是，移動互聯網廠商為了追求系統(tǒng)容錯與訪問延遲所付出的應有代價。

Consistency是一個非常重要的概念，但是99.9%的IT從業(yè)人員不必去深入理會這些概念。除非你立志做個類似于SPARK的系統(tǒng)，而不是去簡單地使用。雖然SPARK這類系統(tǒng)，世界上只需要一個，但是依然有一個問題值得思考，這個系統(tǒng)為什么不能出自中國。

在移動互聯網世界中，Consistency概念首次引發(fā)較大范圍的關注是在1998年。那一年Eric Brewer正式提出CAP (Consistency, Available and Partition tolerance)[22]猜測并于1999年正式發(fā)表“Towards robust distributed systems”這篇文章。

其正確性在2002年由Seth Gilbert和Nancy Lynch證明，CAP Conjecture也正式轉換為Theorem[23]。傳統(tǒng)的CAP理論認為，在一個網絡系統(tǒng)中，數據一致性(C)、數據的高可用性(A)和數據對分區(qū)的容忍性(P)，三者不可兼得。

CAP理論的最簡單的解釋是假設系統(tǒng)僅存在兩個節(jié)點，并處于分區(qū)的兩側。如果僅允許一個節(jié)點更新狀態(tài)會導致數據不一致，即喪失了C性質。如果為了保證數據一致性，將分區(qū)一側的節(jié)點設置為不可用，那么又喪失了A性質。除非兩個節(jié)點可以互相通信，才能既保證C又保證A，但是這又會導致喪失P性質。一般來說跨區(qū)域的系統(tǒng)，設計師無法舍棄P性質，那么就只能在數據一致性和可用性上做一個艱難選擇[24]。

2012年，Eric Brewer重新回顧了CAP理論，并針對實際情況做出了一些修訂。在CAP三個特性中選二，并不是簡單的非黑即白。首先在一個分布式系統(tǒng)中，真正支持絕對分區(qū)的系統(tǒng)并不多見，Kyle Kingsbury在[24]中列舉的在分布式系統(tǒng)中存在的分區(qū)情況，基本上都是因為各類異常導致的。

即便是在數據分區(qū)成立的前提下，為了實現100%的可用性而不顧一致性，或者為了實現100%的一致性而不顧可用性，都是過于絕對，而并不可取。在一個實際系統(tǒng)中，可以在時間空間的更加細粒度的劃分中，使得系統(tǒng)基本可用，基本一致。這些對“基本”的選擇是系統(tǒng)設計中需要考慮的權衡與取舍[25]。

CAP理論緣于Eric Brewer一次閑聊，對于之前熟悉Leslie Lamport分布式系統(tǒng)的學者或者工程師而言，CAP理論嚴格意義上是一次不錯的推導，不過這并不影響CAP原理帶給互聯網與移動互聯網的巨大推動作用，也許更多的人開始學習并認識分布式理論源自簡單的CAP推論而不是Leslie Lamport晦澀的論文。

CAP理論的出現，給予了NoSQL對抗SQL數據庫的有力武器，特別是在討論強Consistency對于一個數據庫是否不可或缺這樣的話題。此后依照BASE理念，而不是ACID理念，互聯網廠商逐步自行研發(fā)自己的分布式系統(tǒng)，以滿足移動互聯網應用對于超大并發(fā)數的追求。之后Google提出了MapReduce、GFS (Google Filesystem)和Bigtable這些簡練的能夠讓普通程序員即可掌握的分布式編程模型。

隨后繼承了MapReduce方法和GFS理念的Apache Hadoop分布式得到了迅速普及與發(fā)展。Hadoop使用HDFS (Hadoop Distributed File System)管理文件系統(tǒng)，可以部署在低廉的硬件平臺之上的同時，提供較高的吞吐量。從分布式計算的理論上講，MapReduce模型較不完美，但是簡單實用的編程模型使Hadoop系統(tǒng)突飛猛進。

MapReduce將所有操作歸為Map和Reduce兩個操作，可能是當時的Google在面對當時的程序員素質在當時做出的選擇。這種簡單分類并不完美，但是極易被程序員掌握。MapReduce編程模式采用了最簡單的分而治之策略，簡單粗暴，易于掌握，卻很難是最優(yōu)，甚至是次優(yōu)編程模型。而后出現的SPARK在計算框架上與Hadoop相比有了一次較大的提升，我認為在集群計算模型上優(yōu)于Hadoop，也依然認為Hadoop由于是第一次出現，其歷史地位不可撼動。

整個IT史冊在充斥著并不完美中奮然前行。在IT基礎領域中，太難的算法和實現策略很難推行，晦澀的算法不容易實現，也不容易理解。這個行業(yè)在飛速發(fā)展的年代，一邊是市場人員Time-to-Market的壓力，一邊是盡快提交代碼的壓力，這一切使得在工程實現的算法都可能不是已知理論的最優(yōu)，甚至不是次優(yōu)算法。KISS理論在移動互聯網高速發(fā)展的時代再度勝出。

至今IT基礎設施的三大領域，均遭遇瓶頸。硅工業(yè)發(fā)展的事實停滯，使得基礎設施跌下神壇，不能再次依靠自身驅動自身的方式前行。這使得一些更優(yōu)的算法與體系結構有機會重整旗鼓，至少嘗試一下已知理論上的最優(yōu)，以精益求精。另一方面尋求下一個硅的腳步從未停息，ITRS在面臨硅工業(yè)的困境，提出了六個可能的方向，System Integration、Heterogeneous Integration、Outside System Connectivity、More Moore、Beyond CMOS和Factory Integration[1]。

在這些方向中，最具顛覆的莫過于Beyond CMOS。Beyond CMOS是在尋求新的材料替代硅，也許需要幾個世紀，也許就在明天。假設這些Beyond CMOS的某一種新材料能夠真正取代硅，那么這種新材料的應用將率先在存儲領域出現。從設計的角度上看，諸多存儲Cell的一字排列，其復雜程度遠低于CPU或者網絡設備的交叉矩陣；人類歷史上也從來沒有像今天這樣依賴著存儲，所有歷史上存在的數據已不堪舍去，新的數據川流不息。

這使得在IT基礎設施的三大領域，計算、網絡與存儲中，存儲被寄予厚望，存儲級內存SCM正在暫露頭角。從Intel與Micron合作的3D xPoint開始，近些年會陸續(xù)誕生一些新型的SCM，2017年1月已經宣布量產的CrossBAR的ReRAM[26]；Nantero與富士通合作在2018年推出基于CNT (Carbon Nanotube)的NRAM[27]；Samsung收購Grandis后與IBM一道全力推進STT-RAM[28].

圖18 存儲器分類[29]

這些SCM也許在近期很難在Volatile領域全面替代DRAM，或者在Nonvolatile領域全面替代NAND Flash，但至少會給一潭死水的存儲器層次結構引入變數，從而帶來沖擊。內心深處，希望一切使用新型材料的SCM取得革命性的突破，心中堅信在計算、網絡與存儲三大領域中，存儲將最先取得突破。

參 考 資 料

[1].International technology roadmap for semiconductors 2.0 2015 edition executive report (ITRS)[J]. Semiconductor Industry Association, 2016.

[2].Courtland R. Transistors could stop shrinking in 2021[J]. IEEE Spectrum, 2016, 53(9): 9-11.

[3].http://blog.sina.com.cn/s/blog_6472c4cc0102e9hr.html

[4].http://blog.sina.com.cn/s/blog_6472c4cc0102e0xg.html

[5].www.youtube.com/yt/press/statistics.html

[6].https://techcrunch.com/2015/11/04/facebook-video-views

[7].Desai S B, Madhvapathy S R, Sachid A B, et al. MoS2 transistors with 1-nanometer gate lengths.[J]. Science, 2016, 354(6308):págs. 100-102.

[8].http://hothardware.com/reviews/intel-core-i7-6950x-extreme-edition-10-core-cpu-review-broadwell-e-arrives

[9].Nvidia whitepaper, NVIDIA Tesla P100, The Most Advanced Datacenter Accelerator Ever Built Featuring Pascal GP100, the World’s Fastest GPU.
https://images.nvidia.com/content/pdf/tesla/whitepaper/pascal-architecture-whitepaper.pdf

[10].Kay ran O, Jog A, Kandemir M T, et al. Neither more nor less: optimizing thread-level parallelism for GPGPUs[C]//Proceedings of the 22nd international conference on Parallel architectures and compilation techniques. IEEE Press, 2013: 157-166.

[11].The History of Ethernet. NetEvents.tv. 2006. Retrieved September 10, 2011.
https://www.youtube.com/watch?v=g5MezxMcRmk

[12].Subramoni N S I H, Panda D K D K. Performance Analysis and Evaluation of InfiniBand FDR and 40GigE RoCE on HPC and Cloud Computing Systems [J]. 2012.

[13].Casado M. Architectural support for security management in enterprise networks[D]. Stanford University, 2007.

[14].McKeown N, Anderson T, Balakrishnan H, et al. OpenFlow: enabling innovation in campus networks[J]. ACM SIGCOMM Computer Communication Review, 2008, 38(2): 69-74.

[15].Open Networking Foundation Formed to Speed Network Innovation. Press release. Open Networking Foundation. March 21, 2011. Retrieved October 30, 2016.

[16].Corbet J. Routing open vswitch into the mainline[J].

[17].Medved J, Varga R, Tkacik A, et al. Opendaylight: Towards a model-driven sdn controller architecture[C]//Proceeding of IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks 2014. 2014.

[18].Darren Pauli. NSX Daddy Martin Casado leaves VMware to become a VC. Feb. 2016.

[19].David Floyer. Server SAN Readies for Enterprise and Cloud Domination. Aug. 2016. http://wikibon.com/server-san-readies-for-enterprise-and-cloud-domination/

[20].David Floyer. The Rise of Server SAN. July 2015.
http://wikibon.org/wiki/v/The_Rise_of_Server_SAN

[21].Lloyd W, Freedman M J, Kaminsky M, et al. Don't settle for eventual consistency[J]. Communications of the Acm, 2014, 57(5):61-68.

[22].Brewer E A. Towards robust distributed systems[C]// Nineteenth ACM Symposium on Principles of Distributed Computing, July 16-19, 2000, Portland, Oregon, Usa. DBLP, 2000:7.

[23].Seth Gilbert and Nancy Lynch. Brewer's conjecture and the feasibility of consistent, available, partition-tolerant web services. ACM SIGACT News, Volume 33 Issue 2 (2002), pg. 51-59.

[24].Kyle Kingsbury. A blog post on network partitions in practice.
https://github.com/aphyr/partitions-post

[25].Brewer E. CAP twelve years later: How the" rules" have changed [J]. Computer, 2012, 45(2): 23-29.

[26].Peter Clarke, Times E E. Crossbar ReRAM in Production at SMIC[J]. 2017.

[27].Peter Clarke, Times E E. Fujitsu Is Licensee of Nantero's Carbon-Nanotube RAM [J]. 2018.

[28].McGrath D, Times E E. Samsung buys MRAM developer Grandis[J]. 2011.

[29].International technology roadmap for semiconductors 2.0 2015 edition beyond CMOS (ITRS)[J]. Semiconductor Industry Association, 2016.