随着数据量的爆炸式增长和实时处理需求的日益迫切，传统计算与存储分离的架构正面临性能、成本和效率的瓶颈。在此背景下，可计算存储作为一种新兴的范式应运而生，它通过将计算能力更紧密地融入存储层，从而优化数据处理流程，释放系统潜能。其核心思想是“数据在哪里，计算就在哪里”，旨在减少不必要的数据移动，提升整体效率。本文将重点探讨可计算存储与数据压缩、数据库计算下推以及数据处理和存储服务的深度融合与协同演进。

一、 数据压缩：从静态压缩到智能、计算感知的压缩

数据压缩是可计算存储发挥效能的基石。传统的数据压缩通常在存储前后进行，是一种相对静态的、与计算解耦的操作。而在可计算存储架构中，压缩变得更具动态性和智能性。

1. 计算感知压缩：压缩算法可以与上层应用的计算模式协同。例如，针对列式存储的分析型数据库，可以采用列级别的、针对数据类型的压缩算法（如字典编码、行程编码、Delta编码）。可计算存储设备可以理解这些格式，在存储层直接对压缩后的数据进行过滤、聚合等初步操作，而无需完全解压，极大地减少了I/O和CPU开销。
2. 近存储压缩/解压：将压缩和解压的计算任务从主机CPU卸载到存储设备内部的专用处理器（如FPGA、ASIC或智能SSD控制器）。这不仅能降低主机CPU负载，还能在数据写入时即时压缩，在数据读取时按需解压或部分解压，实现存储空间与带宽的双重优化。

二、 数据库计算下推：可计算存储的核心应用场景

数据库计算下推是将数据库查询计划中的部分操作“下推”到存储层执行，是可计算存储最直接的价值体现。传统架构中，存储设备仅返回原始数据块，所有计算都由数据库服务器完成，导致大量冗余数据在网络和总线上传输。

1. 谓词下推：将WHERE子句中的过滤条件（如age > 30）下推到存储层。存储设备可以直接扫描数据，仅将符合条件的数据行或列块返回给数据库服务器，大幅减少了数据传输量。结合智能压缩，甚至可以在压缩域直接进行过滤。
2. 投影下推：将SELECT子句中所需的列选择下推到存储层。存储设备只读取和返回查询所需的列，避免了读取整行数据，对于列式存储尤其有效。
3. 聚合函数下推：将部分聚合操作（如COUNT, SUM, MIN, MAX）下推到存储层。存储设备可以在本地数据块上预先计算这些聚合结果，数据库服务器仅需对各个存储设备返回的小计结果进行最终汇总，极大降低了中央处理器的计算压力和中间结果集的大小。

通过计算下推，数据库查询的响应时间得以缩短，系统吞吐量得到提升，同时降低了网络和主机资源的消耗。

三、 数据处理和存储服务：架构演进与云原生集成

可计算存储正在重塑数据处理和存储服务的形态，推动其向更分布式、更智能、更服务化的方向发展。

1. 异构计算架构：现代可计算存储设备集成了多核CPU、GPU、FPGA或专用AI芯片，形成了一个异构计算环境。这使得存储节点不仅能存储数据，还能作为数据处理流水线中的一环，执行数据清洗、格式转换、特征提取甚至模型推理等更复杂的任务。例如，在物联网场景中，边缘存储设备可以直接处理传感器流数据，只将有价值的事件或聚合结果上传至云中心。
2. 存储即服务平台：在云环境中，可计算存储能力可以被抽象为服务。云服务商可以提供具备计算下推功能的智能块存储或对象存储服务。用户的数据处理应用（如Spark、Presto）可以直接通过标准API（如NVMe over Fabrics）向存储服务发送“计算任务”，而不仅仅是“数据请求”。这使得数据处理 pipeline 的构建更加灵活高效。
3. 与大数据/AI框架的深度融合：未来的趋势是数据处理框架（如Apache Arrow、Alluxio）能够原生感知并利用底层可计算存储的能力。框架的优化器可以自动将执行计划中最适合的部分分配给可计算存储节点，形成全局最优的计算-存储协同调度。

结论与展望

可计算存储通过将数据压缩、数据库计算下推与数据处理存储服务深度融合，正在打破冯·诺依曼体系中“存储墙”的束缚。它不仅仅是一种硬件创新，更是一种系统级的架构哲学变革。其价值在于：

• 降低延迟：减少数据搬运路径。
• 提升吞吐：并行化存储层计算。
• 节约成本：降低网络带宽和中央计算资源需求。
• 增强能效：计算更贴近数据，减少总体能耗。

随着存储级内存（SCM）、CXL互联协议、存算一体芯片等技术的发展，可计算存储的边界将进一步扩展。它将成为构建高效、实时、智能的数据密集型应用的基石，从边缘到云端，全面赋能数字化转型。