寫放大（Write Amplification）

3 秒看懂

一句話： 儲存介質實際寫入的資料量遠大於主機請求寫入的資料量——這個比值就是寫放大係數（WA = 實際物理寫入量 / 主機邏輯寫入量）。WA = 1 是理想值，實際系統中往往遠大於 1，直接吞噬 SSD 壽命與寫入頻寬。

在 AI 產業鏈中的位置： AI 訓練產生海量寫 I/O（checkpoint、日誌、中間啟用、資料預處理流水線），寫放大決定了底層 SSD 的有效壽命（TBW）和實際吞吐，進而影響儲存 TCO 與叢集可用性。

3 分鐘產業解釋

為什麼存在寫放大？

NAND 快閃記憶體有一個根本約束：不能原地覆蓋寫（in-place overwrite）。當主機請求更新一個頁時，控制器採用**異地更新（out-of-place write）機制：新資料直接寫入已擦除的空閒頁，同時更新對映表指向新位置，舊頁則被標記為無效。擦除操作（erase）並非單個寫入操作的必要前提，而是在垃圾回收（Garbage Collection, GC）**過程中，當需要回收整個塊時，才會搬移該塊中的有效頁並擦除整個塊。擦除的粒度（block，通常數百 KB 到數 MB 級別）遠大於寫入的粒度（page，通常 4KB–16KB 級別），這一粒度差異是寫放大的物理根源。

GC 過程典型步驟包括：選擇犧牲塊、讀出其中的有效頁、將有效頁搬移到新塊、擦除舊塊以回收空間。這些搬移寫入便貢獻了額外的物理寫入量。結果是——主機寫 1GB 資料，NAND 實際可能寫了 2–10GB。

對 AI 基礎設施的影響

AI 工作負載	寫 I/O 特徵	WA 的影響
訓練 checkpoint	多 GB–TB 級突發寫入，頻率隨模型增大而下降但仍顯著	高 WA → SSD 壽命加速消耗，運維成本上升
資料預處理流水線	持續中等規模寫入（shuffle、tokenize 中間結果）	WA 影響吞吐，拖慢資料供給
分散式檔案系統後設資料	大量小寫入（inode、目錄條目）	小寫入對 GC 壓力最大，WA 往往最高
LLM 推論 KV Cache 持久化	頻繁中小規模寫入，低延遲要求	WA 影響寫延遲抖動（tail latency）
訓練日誌 / TensorBoard 事件	持續追加寫	在 append-friendly 檔案系統上影響較小

核心產業邏輯： AI 叢集儲存 TCO = SSD 採購成本 / 有效壽命。WA 越高，有效壽命越短，TCO 越差。企業級 SSD 通過更大 OP（Over-Provisioning）、更智慧的 FTL（Flash Translation Layer）演算法來壓低 WA，但成本也相應上升。

15 分鐘專家深入

寫放大係數的精確含義

WA = \frac{\text{NAND 物理寫入總量（Host Writes + GC 產生的額外寫入）}}{\text{Host 邏輯寫入量}}

• WA = 1：理想狀態，沒有額外寫入（只在順序寫滿盤且不涉及 GC 時接近）
• WA > 1：實際情況，GC、Wear Leveling、Metadata 更新都會貢獻額外寫入
• 典型範圍（基於行業共識，非特定廠商資料）：
  • 消費級 SSD：WA ≈ 2–10（OP 空間小、GC 演算法保守）
  • 企業級 SSD：WA ≈ 1.1–3（OP 充足、GC 最佳化）
  • 這些是量級估計，實際值取決於工作負載模式、SSD 填充率、OP 比例等

寫放大的三大來源

┌─────────────────────────────────────────────────────────┐
│                   寫放大來源分解                          │
├──────────────┬──────────────────────────────────────────┤
│   來源        │   機制                                   │
├──────────────┼──────────────────────────────────────────┤
│ 垃圾回收(GC)  │ 擦除粒度 >> 寫粒度，需搬移有效資料        │
│              │ → 隨機小寫入 + 高填充率時 WA 急劇上升       │
├──────────────┼──────────────────────────────────────────┤
│ 磨損均衡(WL)  │ 為避免熱點塊提前耗盡，主動搬遷冷/熱資料     │
│              │ → 引入額外讀寫，但對 WA 貢獻通常 < GC       │
├──────────────┼──────────────────────────────────────────┤
│ 後設資料/FTL更新│ 對映表(page→block)的更新本身消耗寫入       │
│              │ → 小量但持續存在                           │
└──────────────┴──────────────────────────────────────────┘

GC 與 WA 的定量關係（定性模型）

設 SSD 的使用者可用空間佔比為 U（0 < U < 1），OP（Over-Provisioning）比例為 OP = 1 - U。

一個經典的簡化模型指出（基於行業分析架構，非精確公式）：

• 當 OP 充足（如 OP ≥ 28%，即企業級常見配置）且 SSD 填充率不極端時，GC 頻率低，WA 接近 1
• 當 SSD 使用空間接近滿（填充率 > 90%）且 OP 不足（如消費級 ≈ 7%）時，GC 幾乎持續執行，WA 可飆升到 5–10 以上

關鍵洞察： WA 不是 SSD 的固定屬性，而是工作負載 × 填充率 × OP 配置的函式。同一塊 SSD，在不同場景下 WA 可以差數倍。

在 AI 儲存架構中的具體影響

1. Checkpoint 寫入最佳化

訓練架構（如 PyTorch DDP、DeepSpeed、Megatron-LM）的 checkpoint 策略直接影響 WA：

                    ┌──────────────┐
   訓練程序          │  NVMe SSD    │
   ─────────→       │  (本地快取)   │
   checkpoint       └──────┬───────┘
   (每 N 步)               │
                           ▼ 非同步傳輸
                    ┌──────────────┐
                    │  分散式儲存    │
                    │(S3/Lustre等) │
                    └──────────────┘

• 頻繁小 checkpoint：增加 SSD 小寫入比例 → WA 升高
• 先寫本地 NVMe 再非同步上推：緩解分散式儲存壓力，但本地 SSD 承受 WA
• NVIDIA GPUDirect Storage (GDS) 等技術可減少 CPU 介入但不改變 WA 本身

2. 資料預處理的 I/O 模式

原始資料集 ──→ [Shuffle/Transform] ──→ 中間結果快取 ──→ DataLoader
                    │
                    ▼ 寫入模式：隨機小寫為主
              WA 高 → 吞吐下降 → GPU 利用率降低

最佳化方案：

• 使用 RAM disk / tmpfs 作為中間快取（消除 WA，但受記憶體容量限制）
• 使用 append-only 日誌格式（如 WebDataset 的 .tar 格式）減少隨機寫
• 增大預處理 batch size 合併小寫入

3. 分散式檔案系統的後設資料放大

如 JuiceFS、Alluxio 等面向 AI 的分散式儲存系統，後設資料操作（建立檔案、更新屬性）會產生大量小寫入。後設資料引擎（如 TiKV、etcd）底層的 WA 可能很高，需要關注其儲存後端的 WA 特性。

---

技術原理（最深）

NAND 寫入的物理機制

寫入粒度層次：

  ┌─────────────────────────────────────────────────────────────┐
  │                         NAND Die                            │
  │  ┌───────────────────────────────────────────────────────┐  │
  │  │                    Block (擦除單位)                     │  │
  │  │  ┌────────┐ ┌────────┐ ┌────────┐       ┌────────┐   │  │
  │  │  │Page 0  │ │Page 1  │ │Page 2  │  ...  │Page N  │   │  │
  │  │  │(4-16KB)│ │(4-16KB)│ │(4-16KB)│       │(4-16KB)│   │  │
  │  │  └────────┘ └────────┘ └────────┘       └────────┘   │  │
  │  └───────────────────────────────────────────────────────┘  │
  └─────────────────────────────────────────────────────────────┘

  寫入單位: Page (4KB–16KB, 取決於 NAND 型別)
  擦除單位: Block (256KB–數十MB, 包含數百到數千 Pages)

  關鍵約束: 寫前必須擦除,擦除粒度 >> 寫入粒度 → WA 的物理根源

垃圾回收演算法（簡化描述）

GC 工作流程:

Step 1: 選擇"犧牲塊"（victim block）
        │  選擇策略: 無效頁比例最高 或 最近最少使用
        ▼
Step 2: 讀出犧牲塊中所有"有效頁"
        │
        ▼
Step 3: 將有效頁寫入新塊的空閒頁
        │  ← 這些搬移寫入 = WA 的主要增量
        ▼
Step 4: 擦除犧牲塊 → 回收為空閒塊

WA 貢獻 = (搬移的有效頁量) / (觸發 GC 的主機寫入量)

FTL 地址對映與 WA

主機邏輯地址 (LBA)          NAND 實體地址 (PBA)
┌──────────────┐           ┌──────────────┐
│ LBA 0 ─────────────────→│ Block1/Page3 │
│ LBA 1 ─────────────────→│ Block2/Page0 │
│ LBA 2 ─────────────────→│ Block1/Page7 │  ← 同一物理塊中的
│ ...            │         │ ...          │    不同邏輯頁
└──────────────┘           └──────────────┘

當 LBA 2 需要更新時:
  1. 新資料寫入 Block5/Page2 (新位置)
  2. LBA 2 對映更新: → Block5/Page2
  3. Block1/Page7 標記為"無效"
  4. 當 Block1 無效頁足夠多 → 觸發 GC → 搬移 Block1 中剩餘有效頁

對映表粒度影響：

• 頁級對映（Page-level FTL）：靈活度最高，GC 開銷最低，但對映表記憶體佔用最大
• 塊級對映（Block-level FTL）：對映表小，但更新一頁需搬移整個塊 → WA 極高
• 混合對映（Hybrid FTL）：折中方案，實際產品多采用此類

AI 負載特有的 WA 放大因素

因素	機制	量級估算
checkpoint 粒度與頻率	更頻繁 → 更多隨機寫 → GC 壓力增大	每 100 步 vs 每 1000 步，WA 差異可達 1.5-3x [估算]
多 GPU 併發寫	多 worker 同時寫同一 SSD → 寫入模式更隨機	併發度越高，WA 通常越大
檔案系統 journal	ext4/XFS 的 journal 寫入增加主機邏輯寫入量，且寫入模式可能加劇 GC → 間接推高 WA	journal 寫入 ≈ 額外 5-15% 寫量 [估算]
小檔案密集建立	後設資料 + 資料碎片化 → GC 難度增大	嚴重時 WA 可達 10+ [估算]

多層儲存架構中的 WA 傳導

┌─────────┐    ┌──────────┐    ┌──────────┐    ┌──────────┐
│  GPU    │    │ 本地NVMe  │    │ 網路儲存  │    │ 物件儲存  │
│ HBM/視訊記憶體 │───→│  SSD     │───→│(Lustre/  │───→│(S3/OSS)  │
│         │    │          │    │ GPFS)    │    │          │
└─────────┘    └──────────┘    └──────────┘    └──────────┘
    WA=1         WA=2-5x         WA取決於        WA通常不在
  (DRAM無WA)   (受GC影響)       底層SSD          快閃記憶體上,但有
                               及檔案系統        糾刪碼開銷

---

技術演進史

時期	NAND 代際	WA 特徵	對 AI 的影響
2010 年前	SLC NAND	WA 低（SLC 寫入快、擦除簡單），主要影響企業儲存	AI 尚未大規模落地
2010–2015	MLC NAND 普及	密度↑，但 P/E cycles 下降，WA 影響開始顯現	深度學習初期，資料規模相對小
2015–2019	TLC NAND 成為主流	P/E cycles 進一步下降（SLC ~100K → TLC ~1K-3K 量級），WA 對壽命影響更敏感	大型模型訓練興起，checkpoint 資料量劇增
2019–2022	QLC NAND 進入市場 + 3D NAND 層數堆疊	QLC P/E cycles 更低，WA 控制成為核心競爭力	AI 訓練叢集規模達萬卡級，儲存 TCO 敏感度極高
2022–至今	200+ 層 3D NAND + PLC 研發中	控制器 GC 演算法持續最佳化；ZNS（Zoned Namespace）等新介面嘗試從架構層面消除 WA	AI 儲存成為獨立賽道，WA 最佳化是核心指標之一

關鍵技術節點

• ZNS（Zoned Namespaces）SSD：將寫入管理權部分上移至主機端，主機按順序寫入 zone → 大幅降低甚至消除 GC → WA 接近 1。這對 AI 的 append-heavy 工作負載（checkpoint、日誌）天然友好，但需要檔案系統和應用適配。
• FDP（Flexible Data Placement）：NVMe 2.0 規範引入，允許主機提示資料的”放置提示”（placement hint），讓 SSD 將相似生命週期的資料放在同一擦除塊中 → 降低 GC 搬移量 → 降低 WA。相比 ZNS 對應用侵入性更小。
• Open-Channel SSD：更激進的方案，完全暴露物理介質管理給主機。學術界研究較多，產業落地有限。

---

技術路線對比

WA 緩解策略對比

策略	WA 降低效果	侵入性	適用場景	產業成熟度
增大 OP 比例	顯著（OP 從 7%→28% 可降低 WA 50%+ [估算]）	低（硬體配置）	所有場景	★★★★★
主機端 TRIM/UNMAP	中等	低	檔案刪除頻繁的場景	★★★★☆
ZNS SSD	極大（WA ≈ 1）	高（需檔案系統/App 適配）	Append-heavy 工作負載	★★★☆☆
FDP（Flexible Data Placement）	大	中低	通用場景	★★☆☆☆（規範已釋出，產品逐步上市）
智慧 GC 演算法（控制器側）	中等	無（對主機透明）	所有場景	★★★★★
Append-only 檔案格式	中等	中（需改資料管線）	AI 資料預處理	★★★★☆
寫合併 / Write Coalescing	中等	低	小檔案密集場景	★★★★☆

不同 NAND 型別的 WA 敏感度

NAND 型別	典型 P/E Cycles（量級）	對 WA 的容忍度	AI 場景適配性
SLC	~50K–100K [行業共識]	高（壽命充裕）	極少用於 AI（成本太高）
MLC	~3K–10K [行業共識]	中高	企業級快取層
TLC	~1K–3K [行業共識]	中	AI 訓練主力儲存層
QLC	~100–1K [行業共識]	低（WA 敏感）	AI 冷資料/歸檔層

注意： 以上 P/E Cycles 為行業共識量級範圍，具體值因 NAND 工藝節點、製程代際、廠商最佳化差異較大，此處不標註具體型號歸屬。

---

上下游

上游：影響 WA 的硬體/韌體要素

┌─────────────────────────────────────────────────────────┐
│                    上游影響要素                           │
├───────────────┬─────────────────────────────────────────┤
│ NAND 介質     │ 層數、製程、型別(SLC/MLC/TLC/QLC)         │
│               │ → 決定 P/E cycles 上限                    │
├───────────────┼─────────────────────────────────────────┤
│ SSD 控制器    │ GC 演算法、FTL 策略、寫緩衝大小              │
│               │ → 直接決定 WA 下限                        │
├───────────────┼─────────────────────────────────────────┤
│ DRAM 快取     │ 對映表快取大小、寫緩衝                    │
│               │ → 影響寫合併效率                          │
├───────────────┼─────────────────────────────────────────┤
│ 主機介面      │ NVMe ZNS/FDP 支援                        │
│               │ → 架構性降低 WA                           │
└───────────────┴─────────────────────────────────────────┘

下游：WA 的傳導影響

WA 高 ──→ SSD 實際 TBW 降低 ──→ 儲存 TCO 上升
   │
   ├──→ 寫入頻寬被 GC 吞噬 ──→ 寫延遲增大 + 尾延遲抖動 ──→ 訓練/推論效能下降
   │
   ├──→ SSD 需更頻繁更換 ──→ 叢集運維成本↑ + 可用性↓
   │
   └──→ 儲存架構被迫調整 ──→ 更多分層 / 更大快取 / 更換介質

---

關鍵指標

指標	定義	AI 場景關注點
WA（Write Amplification Factor）	實際 NAND 寫入 / Host 寫入	越低越好，直接決定有效壽命
TBW（Total Bytes Written）	SSD 壽命內可寫入的總資料量	= NAND 總寫入能力 / WA
DWPD（Drive Writes Per Day）	每天可全盤寫入次數 × 保修年限	企業級 SSD 通常標稱 1-3 DWPD [行業共識]
寫入頻寬（Sequential Write BW）	持續順序寫吞吐	GC 活躍時會顯著下降
寫延遲 P99/P999	99/999 分位寫延遲	GC 觸發時出現尖峰
SSD 填充率（Used Capacity %）	已用空間 / 總容量	>80-90% 時 WA 急劇惡化

AI 場景下的 TBW 計算示例

假設:
  - 70B 引數模型 checkpoint 大小 ≈ 140GB (FP16) [估算]
  - 每 1000 步儲存一次, 訓練 100K 步
  - 總 checkpoint 寫入 ≈ 140GB × 100 = 14TB [估算]
  - 加上資料預處理、日誌等: 總 Host 寫入 ≈ 30-50TB [估算]
  - SSD 標稱 TBW = 1000TB
  - WA = 3 (保守估計)

  實際消耗 TBW = Host 寫入 × WA = 50TB × 3 = 150TB
  SSD 剩餘壽命比例 = (1000 - 150) / 1000 = 85%

結論: 單次訓練迴圈對 SSD 壽命消耗可控, 但多工/長期執行需持續監測。

---

供需與市場資料

AI 儲存市場背景（定性描述）

• AI 訓練/推論對高效能 NVMe SSD 需求持續增長，驅動企業級 SSD 市場規模擴大
• 主要 SSD 廠商（三星、SK 海力士/Solidigm、美光、Kioxia/西數）均將 AI 儲存列為核心增長方向
• 企業級 SSD 的 WA 最佳化能力已成為產品差異化競爭要素

WA 相關的產業趨勢

趨勢	說明
ZNS/FDP 生態建設	Linux 核心 5.9+ 支援 ZNS；FDP 規範已釋出，產品逐步上市
AI 專用儲存最佳化	部分廠商推出針對 AI checkpoint 工作負載最佳化的 SSD 韌體
分層儲存普及	熱資料 NVMe + 冷資料 QLC/HDD 的分層架構成為主流
CXL 儲存擴充套件	CXL.mem / CXL.block 未來可能改變儲存層次結構，間接影響 WA 設計

---

代表公司與資本對映

公司/組織	與 WA 的關聯	備註
Samsung	企業級 NVMe SSD（PM9 系列等），GC 演算法最佳化	NAND + 控制器垂直整合
SK Hynix / Solidigm	收購 Intel NAND 業務後發力企業級 SSD	WA 最佳化是產品宣傳重點之一
Micron	3D NAND 技術領先，企業級 SSD 產品線	232 層 NAND [行業報道]
Kioxia / Western Data	3D NAND 聯合研發	BiCS FLASH 系列
NVIDIA	GPUDirect Storage 減少資料路徑開銷	不直接影響 WA 但最佳化整體 I/O 路徑
FADU	NVMe SSD 控制器設計，強調低 WA	控制器 IP 廠商
Lightbits Labs	軟體定義 NVMe 儲存，WA 感知的儲存管理	分散式 NVMe 儲存
Linux NVMe 社群	ZNS/FDP 標準制定與核心實現	開源生態推動

---

投資邏輯

核心觀點

1. WA 是儲存 TCO 的隱藏變數：在 AI 訓練叢集中，儲存成本通常佔整體 TCO 的 10-20% [估算]。WA 直接決定 SSD 有效壽命，一個 WA 從 3 降到 1.5 等同於將 SSD 壽命翻倍——等價於儲存成本減半。

2. ZNS/FDP 是結構性機會：

   • 受益方：支援 ZNS/FDP 的 SSD 控制器廠商、適配的檔案系統/儲存軟體廠商
   • 邏輯：AI 工作負載（checkpoint、日誌、預處理）天然是 append-heavy 模式，與 ZNS 的順序寫要求高度匹配

3. 企業級 SSD 控制器是差異化戰場：NAND 介質趨同化，GC 演算法和 WA 控制能力成為控制器 IP 的核心競爭壁壘。

4. AI 資料管線軟體層的機會：WebDataset、Mosaic StreamingDataset 等 AI 資料格式通過減少隨機寫入來間接降低 WA，代表了軟體層面最佳化儲存效率的趨勢。

風險提示

• ZNS/FDP 生態成熟度有限，短期對 WA 的改善主要仍依賴傳統 SSD 控制器最佳化
• NAND 價格週期波動可能掩蓋 WA 對 TCO 的影響
• 具體 WA 資料屬於廠商核心競爭力，難以從外部精確獲取進行橫向對比

---

常見誤讀糾偏

誤讀 1：“WA 是 SSD 的固定引數”

糾偏： WA 不是 SSD 的固有常數，而是工作負載特徵 × SSD 填充率 × OP 配置 × GC 演算法狀態的動態函式。同一塊 SSD：

• 順序大塊寫入 + 低填充率 → WA ≈ 1.1
• 隨機小寫入 + 高填充率 → WA 可達 5–10+

廠商 datasheet 上標註的 TBW 通常基於特定工作負載測試，不代表所有場景。AI 工作負載（混合讀寫、突發 checkpoint）的 WA 與標準測試負載可能有顯著差異。

誤讀 2：“寫放大隻影響 SSD 壽命，不影響效能”

糾偏： WA 通過兩個路徑影響效能：

1. GC 前臺操作佔用 NAND 通道：GC 執行時，主機寫入請求可能被阻塞或降級，導致寫延遲出現尖峰（tail latency 從 μs 級跳到 ms 級甚至更高）
2. 有效寫入頻寬被侵蝕：如果 WA = 3，則 SSD 標稱寫入頻寬的 2/3 可能被 GC 消耗，實際可用頻寬僅為標稱的 1/3

在 AI 訓練中，checkpoint 寫入期間的延遲尖峰可能阻塞訓練程序（尤其在同步 checkpoint 策略下），導致 GPU 利用率短暫下降。

誤讀 3：“增大 OP 就能完全解決 WA 問題”

糾偏： 增大 OP 確實能有效降低 WA，但：

• OP 意味著犧牲使用者可用容量（28% OP 比例意味著每 TB 快閃記憶體只有 720GB 可用）
• 在極端隨機小寫入模式下，即使較大 OP 也可能出現高 WA
• 根本性解決需要架構變革（ZNS/FDP）+ 應用層適配（append-only 格式）

誤讀 4：“DRAM 和 HBM 不受寫放大影響”

糾偏： 嚴格意義上，DRAM/HBM 沒有 NAND 的擦寫約束，不存在傳統定義的 WA。但在 AI 儲存棧的語境下：

• GPU 視訊記憶體 → NVMe SSD 這條 checkpoint 路徑上的 WA 確實發生在 SSD 層
• 如果使用 CXL 擴充套件記憶體（未來趨勢），CXL 後端的持久化儲存仍可能涉及 WA
• 因此”GPU 不受 WA 影響”在當前階段基本成立，但隨著儲存層次融合，邊界在模糊

---

學習路徑

入門（建立直覺）

1. 理解 NAND 快閃記憶體基礎：page/block/die/package 層次結構、erase-before-write 約束
2. 閱讀 SSD 控制器工作原理概述：FTL、GC、Wear Leveling 的基本概念
3. 動手實驗：使用 fio 工具在不同寫入模式（順序 vs 隨機、大塊 vs 小塊）下觀察 SSD 效能差異

進階（量化理解）

4. 閱讀 NVMe ZNS 規範白皮書：理解 zone 概念、順序寫約束、對 GC 的消除機制
5. 閱讀 FDP（Flexible Data Placement）規範：理解 placement handle 和 reclaimgroup 概念
6. 研究 AI 資料管線最佳化：WebDataset、Mosaic StreamingDataset 的設計動機與 I/O 模式
7. 使用 SSD SMART 工具（如 nvme smart-log）觀察實際 WA 指標

專家（架構級思考）

8. 研究 AI 儲存架構設計：分層快取（HBM → DRAM → NVMe → 網路儲存 → 物件儲存）中每層的 WA 特徵
9. 追蹤 NVMe 技術委員會動態：ZNS、FDP、KV Command Set 等新特性
10. 閱讀儲存系統論文：如 FAST、USENIX ATC、OSDI 中關於 WA 最佳化的學術工作

---

一句話總結

寫放大是 NAND 快閃記憶體擦寫機制的必然代價，在 AI 訓練/推論的海量寫 I/O 場景下，它是儲存 TCO 和效能的隱性殺手——理解並最佳化 WA（通過 OP 調優、ZNS/FDP 架構變革、append-only 資料格式）是 AI 基礎設施工程師不可忽視的關鍵能力。

---

延伸閱讀與來源

1. NVMe ZNS 技術規範 — NVM Express Organization（nvme.org）
2. NVMe FDP 技術提案（TP4146） — NVM Express Organization
3. “Write Amplification Analysis in Flash-Based Solid State Drives” — 經典學術論文，分析 WA 與 GC 關係
4. Solidigm / Samsung / Micron 企業級 SSD 技術白皮書 — 各廠商對 WA 最佳化的產品文件
5. Linux 核心 NVMe ZNS 驅動文件 — 核心文件（Documentation/block/zoned.rst）
6. WebDataset 文件