构建高性能计算HPC（High Performance Computing）集群可提升业务的运算速度（使其达到每秒万亿次级的计算速度），因此HPC被应用于解决大规模科学问题的计算和海量数据的处理，其中就包括科学研究、气象预报、计算模拟、军事研究、生物制药、基因测序等。为保障文件、对象、大数据等多种格式数据，在HPC场景下，进行统一存储性能的高要求，这无疑是对传统数据存储方式发起了存储重构挑战。
目前HPC应用正从过去的传统科研领域计算密集型，逐渐向新兴的大数据、人工智能以及深度学习等方向进行融合和演进。继而，数字时代无论是智能制造、智慧医疗、智慧城市、智能家居，HPC都将成为核心技术。特别是近两年备受关注的人工智能领域，如自动驾驶汽车、无人机、人脸识别、医疗诊断以及金融分析和商业决策等，其核心是大数据支持，HPC成为人工智能模型训练的重要支撑平台。
HPC通过极快的处理速度，获取大量数据进行复杂的运算，实现数据即时分析，达到快速决策的目标。因此，HPC集群对于存储有着较高的性能要求，保证来自多个HPC服务器密集而多样的分析行为。
同时，由于未分析的原始数据会越积越多，并且未来还会有更多的数据需要研究/处理，因此容量和扩展性也是重要的考虑因素。HPC的总体数据最终会达到PB级别，需要超大的存储容量才能完成归档。
在多样化的HPC场景下，日均产生的三维数据可达几百TB甚至PB级，因此，对存储性能有着更高的要求。在海量数据的处理过程中，一次数据处理需要经过文件、对象、大数据等多种格式的数据处理，这无疑是对传统数据存储方式发起了巨大的重构挑战。就“自动驾驶”、“石油勘探”场景为例，数据采集的原始数据是NFS格式，需要先转换为HDFS格式，才能利用大数据系统对数据进行预处理，最终将数据转换为NFS格式导入进人工智能训练集群及演练仿真集群 ，对数据进行深度挖掘，进一步调整自动驾驶策略。
在整个数据处理闭环中，数据转换格式的时间占全过程的35%以上，如何提升多样性格式数据的处理效率，逐渐成为存储领域新型技术的主流趋势。传统存储厂商仍通过共享硬件资源池，在一套硬件集群上划分出多了独立的逻辑资源池，分别部署对象、块、文件系统的存储池，实现硬件集群多样化格式的共享存储。但在该资源池中，每一个逻辑资源池仅仅只会支持一种访问协议，对于跨协议访问时，仍需要先行拷贝原格式的原始数据，再将其进行数据格式转换，实现不同格式之间的数据相互转换及交互。
在数据处理的过程中，数据拷贝产生的冗余副本不仅占用数据的存储空间，同时在数据格式转化的过程中，将会产生大量的数据丢失。因此，传统的共享硬件资源池，仅能提高硬件资源的利用率，无法满足格式差异化要求及数据处理效率，以满足日均PB级的数据存储需求。
⦁ 共享硬件资源池，存储多个逻辑资源池
⦁ 频繁跨协议访问，无法满足数据格式差异化处理效率
⦁ 产生的冗余副本占用大量的存储空间
⦁ 语义翻译过程中，存在数据丢失
柏科数据ISCloud分布式存储可采用多种协议互通技术，重构底层逻辑架构，部署统一的增值服务，语义抽象层，对多格式的非结构化数据进行统一管理，实现真正意义上的协议互通特性，来解决HPC场景下数据结构多样化的处理效率，满足日均PB级的数据存储需求。
⦁ 提供统一的原生语义，保障语义无损
柏科数据ISCloud分布式存储采用多种协议互通技术，在设计的过程中进一步重构底层逻辑架构，部署语义抽象层，面对多样化结构数据提供适合文件、对象、块及大数据的原生语义。通过原生的语义层可进一步简化格式处理流程，打通语法上的缺失和限制。在频繁跨协议访问场景下，在底层的语义层直接对原数据进行格式预处理，满足PB级数据格式差异化处理效率。
⦁ 实现真正意义上的资源空间利用及性能保障
在柏科数据ISCloud分布式存储中，通过部署原生的语义层可进一步简化格式处理流程，去除原传统的共享硬件资源池中，数据拷贝产生的冗余副本，在底层逻辑上对原多样化格式数据处理。将原本复杂的多样化格式转化流程，简化成与单一协议完全一样的数据访问路径，实现不同格式之间的数据相互转换及交互，实现真正意义上的资源空间利用及性能保障。
