SSD(솔리드 스테이트 드라이브) (SSD (Solid-State Drive))
쉽게 풀면
SSD는 데이터를 저장하는 방식이 하드디스크와 완전히 다르다. 하드디스크가 원판을 돌리고 바늘 같은 헤드를 움직여 데이터를 읽는다면, SSD는 반도체 메모리 칩에 전기 신호로 데이터를 저장한다. 물리적으로 움직이는 부품이 없어서 훨씬 빠르고, 충격에도 강하며 소음도 없다. 대신 같은 용량 기준으로 가격이 더 비싼 편이다. 대용량 데이터셋을 빠르게 읽고 써야 하는 딥러닝 학습 환경에서는 SSD가 데이터 로딩 병목을 줄이는 데 중요한 역할을 한다.
왜 중요한가
대규모 딥러닝 학습이나 빅데이터 처리에서는 연산 장치(GPU/CPU)가 아무리 빨라도 저장장치에서 데이터를 읽어오는 속도가 느리면 전체 처리 속도가 그 병목에 묶여버린다. SSD는 이런 입출력(I/O) 병목을 줄이는 핵심 하드웨어이기 때문에, 시스템·인프라 성능을 다루는 논문에서는 실험 환경을 설명할 때 저장장치 종류를 명시하는 경우가 많다. 분산 시스템, 데이터베이스, 대규모 모델 학습 연구 모두 SSD의 읽기·쓰기 특성과 밀접하게 연관된다.
논문에서는 이렇게 쓰입니다
빠른 저장장치를 사용해 데이터를 불러오는 속도를 높임으로써, GPU가 데이터를 기다리며 노는 시간을 줄였다는 뜻이다.
데이터베이스 시스템 연구에서 SSD의 물리적 특성(쓰기 증폭 등)을 고려해 자료구조를 설계하는 사례다.
대규모 분산 학습 인프라 연구에서 SSD를 캐시 계층으로 활용해 모델 체크포인트 저장 병목을 줄이는 사례다.
조금 더 깊게 보면
SSD는 플래시 메모리의 특성상 데이터를 덮어쓰기 전에 블록 단위로 지우는 과정이 필요하며, 이 때문에 실제 쓰기 작업이 요청보다 더 많은 데이터 이동을 유발하는 쓰기 증폭(write amplification) 현상이 발생할 수 있다. 또한 낸드 플래시는 쓰기·지우기 횟수에 한계가 있어 마모도 평준화(wear leveling) 알고리즘으로 수명을 관리하며, NVMe·SATA 같은 인터페이스 차이는 대역폭과 지연시간(latency)에 직접 영향을 준다. 시스템 논문에서는 이런 특성을 반영해 벤치마크에서 읽기/쓰기 처리량과 지연시간을 함께 보고하는 경우가 많다.
주의할 점
SSD 중에서도 NVMe 방식은 기존 SATA 방식보다 훨씬 빠르므로, 논문에서 어떤 종류의 SSD인지도 성능 해석에 영향을 줄 수 있다.