张杰 | 北京大学计算机学院 研究员

—— 本文收录于《Data Dialogue · 第2期》

【摘要】本⽂围绕 GPU-SSD 直通技术展开深度剖析，探究其发展脉络与产业价值。⽂章先追溯技术前世，指出传统以 CPU 为中⼼的架构存在 IO 请求过度依赖 CPU 、软件栈割裂、数据传输开销极⾼的核⼼问题，学界和产业界由此从流⽔线优化、数据通路 / 控制通路改动等⽅向探索优化，为 GPU-SSD 直通奠定基础。接着聚焦当下主流的 BaM 技术，它实现 了 GPU 对 SSD 的 CPU 旁路访问，带来架构⾰新的确定性，多家企业和⾼校也围绕其推进存储软件栈、分层内存、⾼性能 SSD 等配套研发。但该技术也存在硬件适配局限、与分离式架构冲突、 1 亿 IOPS 实现成本过⾼的三⼤不确定性。最后作者提出四个未来探索⽅向，包括推⼴SSD-centric 架构、引⼊专⽤芯⽚分担 IO 任务、重构 GPU 与闪存硬件集成、改造加速器 - NICSSD 直通架构，为该技术及下⼀代加速器存储协同架构发展提供了多元思路。

⼀、引言

25 年上半年，⼀个朋友向我分享了⼀波英伟达公司的 BaM 、SCADA 技术，给我展⽰了英伟达公司的 demo，说这个技术能让GPU 直接访问 SSD ，达到 1 亿 IOPS 。要知道现在市⾯上能买到的 PCIe 5.0 固态盘最多也就是 300 万 IOPS（ 14GB/s ）， 镁光刚推出的 PCIe 6.0 固态盘 9650 系列应该是 550 万 IOPS （ 28GB/s ）。这个技术的效果确实是⾮常震撼，有⼀种“⼒⼤砖⻜”数值上的美。但是对常年关注存储发展的⼈来说，其实也在意料之中。毕竟 Wen-mei Hwu 的两个博⼠⽣，也就是BaM 的主要作者，⼀毕业就进了英伟达，我想着早晚会整点⼤活。作为⼀个⼗年存储⼈同时也是爱胡思乱想瞎做梦的研究者，我来分享⼀下我对 GPU-SSD 直通技术的看法，探究⼀下它的前世、今⽣和未来。

⼆、前世：⼀切都有迹可循

21年THPC 期刊的客座编辑、北⼤的孙⼴宇⽼师邀请我给 GPU-SSD 直通技术写⼀个综 述。为什么选择是我呢？因为我的⼀整个博⼠⽣涯围绕着加速器和固态盘的系统和架构集 成做了各种开脑洞的探索，这篇综述其实也是在部分回顾我的博⼠⽣涯，⼤家感兴趣的话 可以围观⼀下^【1】。

传统 CPU-centric 架构的原罪

接触体系结构的研究者应该很清楚，每年体系结构四⼤会都有不少论⽂会批判传统 CPU centric 架构，因为这种设计导致 CPU 在处理 IO 任务的时候真的忙不过来。其实 CPU ⼚商也默默做了很多补丁，⽐如南桥（South Bridge）、DMA 、data streaming accelerator （DSA）。但是这些补丁也是治标不治本，随着外围设备的性能不断提升， CPU 能⼒不⾜ 的问题会变得更加突出。

图 1 ：传统架构中 GPU 与 SSD 的通信（红⾊箭头） vs 理想架构中 GPU 与 SSD 的通信（蓝⾊ 箭头）。图⽚引⾃^【6】

如图 1 所⽰，CPU-centric 架构的核⼼问题是所有的 IO 请求都需 要通过 CPU 和 host DRAM 捣⼀⼿，导致性能全卡在 CPU 侧了。如果挖的更深⼊⼀点，我们可以看系统软件的设计。

图 2 ：传统架构中的系统软件栈。图⽚引⾃【6】

如图 2 ， CPU-centric 架构给每个外围 IO 设备都整了独⽴的软件栈，软件栈之间彼此不互通。更加令⼈崩溃的是，外围 IO 设备是操作系统内核接管的，⽤户应⽤程序是跑在⽤户态的，内核态和⽤户态彼此不互通。完成⼀次 SSD-GPU的数据发送，需要爬的软件层是⾮常客观的，包括但不限于： SSD — 存储软件栈 — IO 运⾏时 （ NVMe 驱动、块层、阵列层、⽂件系统、虚拟⽂件系统） — GPU 运⾏时 — GPU 驱动。另外，在整个传输过程中，数据也需要在多个软件层进⾏反复拷⻉，包括但不限于 page cache 、 IO 运⾏时、 GPU 驱动。⼀系列的实验表明在图计算应⽤^【2】和 LLM 推理 场景^【3】中，数据传输的开销占了整个应⽤执⾏时间的 70% 和 90% 以上。

这个问题最早应该是英伟达在12 年或者 13 年提出来的，在学术圈引发了持续⼗年以上的讨论。我根据对系统软件和架构的侵⼊性，⼤致把研究⼯作分为以下三个⽅⾯向。

存储门外汉的优化尝试：数据流⽔线

其实问题的提出者是⼀帮做 GPU 的专家，所以⾮常理所当然地，他们也直接从 GPU 的⾓ 度做了优化尝试（ps：他们不懂存储，所以我叫他们存储门外汉）。⼀种最直观最⾃然的想法就是做流⽔线，把 SSD 侧的数据加载过程和 GPU kernel 执⾏过程重叠，或者对 SSD 侧的数据进⾏预加载，让 SSD 侧的数据访问尽可能搬离 critical path 。

据我了解，英伟达最早是在⾃家的 CUDA7 就开始⽀持这样的编程范式。当然这个思想其实⾮常通⽤，在各种研究⼯作⾥被反复地⽤，⽐如今年 FAST26 的 KV cache 卸载 SSD ⼯作^【4】也是做了针对特定应⽤（即 LLM 推理中的 KV cache ）做了流⽔线的精细优化。

学过体系结构课的朋友们，⼀定知道流⽔线要想跑起来⾼效，必须要每个 stage 的时间都 差不多，同时彼此之间没有依赖关系，这样 bubble 最少。很遗憾的是，对于 GPU-SSD 这对组合再说，SSD 的数据访问延迟在⼤部分情况下是远⾼于 GPU kernel 的执⾏时间 （ps：这个现象也⽐较符合直觉，因为 SSD 侧的数据访问量⼀般会⽐较⼤，⽐较耗时间。反过来说，如果数据量少的话也⽤不上 SSD ）。⽽且很多时候要访问什么数据是需要实时算出来的（如 LLM MoE ）。这导致的问题是，即使做了最完美的重叠， SSD 的数据访问延迟还是很难被隐藏起来。

既然数据传输占了总时间的⼤头，那么还有⼀种很常⻅的⽅案就流⾏起来了，核⼼思想简 单来说就是⽤计算换空间。⽐如说，微软针对⾃家的XBOX 提出来⼀个⽅案叫 Direct Storage 。这个⽅案让 GPU 对需要存在 SSD ⾥的数据进⾏压缩和解压缩，这样需要在 GPU-SSD 之间传输的数据量就能显著降低。进⼀步的，SSD 侧的数据加载时间就能减少，然后流⽔线就能正常流转起来了。在 LLM 流⾏的当下，数据的稀疏其实也是同⼀套 “ 计算换空间 ”的思路，只是把以前的压缩解压操作换成了对应的数据处理操作。 那么，这么做有什么不好的呢？其实还是浪费 GPU 的计算资源。英伟达的 GPU 实在是太贵 了，让它做⼀些⽆关的⼯作，⽼板们得⼼疼半天。这么做其实也有优点，那就是对系统软件的侵⼊度很⼩，部署起来很容易。

数据通路的改动：数据平面直通技术

有⼀种⽅案对系统软件有⼀定的侵⼊性，但是效果⽴竿⻅影，那就是以 GPU Direct Storage （ GDS ）为代表的数据平⾯直通技术。传统系统是让 SSD 通过 DMA 从 host DRAM 的内存空间⾥读写数据。 GDS 技术的本质是 PCIe P2P （ Peer-to-Peer ）技术，让 GPU 通过 PCIe BAR （ base address register ）暴露⼀段本地的内存空间作为 PCIe 地址空间。 SSD 同样可以通过 DMA 从 GPU 内存空间⾥读写数据。这么做的好处有⼏点。⾸先是减少了数据在 CPU 侧的多次拷⻉，其次是减少了 CPU 的负担，最后是减少 CPU L3 cache 的污染。其实 GDS 对于优化数据路径已经做得⽐较优雅了，当然学术圈的反⾻仔还提出了⼀些不同的观点。

图 3 ： SPIN 架构在 GPU-SSD 的数据通路之外加⼊了 page cache 作为数据缓冲区。图⽚引⾃^【1】

如图 3 所⽰，传统 GPU-SSD 直连的⽅案（Path 1： GDS ）还是会⾯临 SSD 响应太慢的问题。如果数据具有⼀定的时间局部性，重复从 SSD 加载同⼀组数据，不如把数据缓存在 page cache 上，因为主机端的 DRAM 还是⽐ SSD 快不少^【5】。

控制通路的改动：控制平⾯直通技术

既然 GDS 能够实现 GPU-SSD 之间数据⾯的直通，对控制⾯实现直通也是呼之欲出。初期的⼯作尝试对现有的系统软件进⾏⼀定侵⼊性的改造，⽐如 NVMMU （⻅图 4 ）。

图 4 ：NVMMU 的系统软件设计。图⽚引⾃^【6】

这个⼯作尝试打通存储软件栈和 GPU 软件栈，数据从 SSD 读到主机侧之后会保留在专⽤的内核态缓冲区，然后直接 DMA 到 GPU 板载内存中。这么做的好处是数据不需要在存储软件栈和GPU 软件栈之间倒腾，少了多余的 memory copy 。另外， NVMMU 开发了专门的统⼀运⾏时，负责给系统软件发送 GPU-SSD 数据传输的精简指令。由于数据不需要拷⻉到⽤户态，⼜省了不少的 memory copy 。 NVMMU 的本质是把 GPU-SSD 数据传输⼯作全部让系统软件独⽴去完成，同时融合内核态的两个软件栈。另⼀个⼯作正好反其道⽽⾏，主要借鉴的是当下很⽕的⽤户态系统软件开发思路，⽐如 Storage Performance Development Kit （ SPDK ）。也就是把 GPU-SSD 数据传输全部交给⽤户态应⽤程序来完成，⽤户态有更⼤的⾃由去修改整个控制逻辑，当然这么做给程序员带来的开发难度就更⼤了。

上⾯说的这两个⼯作还是在 CPU-centric 架构的基础上做系统软件层⾯上的优化，但是跟 GPU-SSD 控制⾯的直通还是有⼀定的差距。这就引出来这篇⽂章的主⾓ BaM 。

它⼭之⽯可以攻⽟：技术总结

 三、当下： GPU-SSD 直通的确定性和不确定性

某种意义上来说，BaM 的出现算是给 GPU-SSD 直通补上了最后⼀块拼图。如图 5 所⽰， 它把⻚缓存的部分功能和 NVMe 驱动的主要功能彻底集成到 GPU ⾥。 GPU warp/threads 发起 IO 访问，会⾸先查找 GPU 本地的缓存（ Data buffers ）。如果命中（ hit ），则⽴即返回（图中绿线指⽰的部分）。如果未命中（ miss ），则调⽤ GPU 定制的 NVMe 驱动。

NVMe 驱动允许 GPU warp 直接在 GPU 板载内存构建 NVMe SQ/CQ 队列并发送 NVMe 指令，同时⽀持 ring doorbell ，并且可以直接轮询 NVMe CQ 的消息（图中红线指⽰的部分）。这么做就基本上能旁路 CPU （ ps： admin 指令和 admin queue 还是 CPU 发起和维护，这个不影响整体性能），让 GPU 完全利⽤好 SSD 的带宽了。

图 5 ： BaM 的系统架构设计^{【9, 10】}。图⽚引⾃^【1】

 GPU-SSD 直通带来的确定性

BaM 其实是给未来的计算机系统设计打了个样，摒弃传统 CPU-centric 架构是完全可⾏的，让 CPU-SSD-GPU 这样的三⽅架构回归最直接⾃然的 GPU-SSD 两⽅架构。 BaM 也不是完美的，你可以认为它还是处于实验室的玩具。 BaM 就⾮常像 SPDK ，⽬前只集成了 NVMe 驱动和简化过的 page cache ，只能拿 SSD 当成裸盘来⽤。但是以 BaM 为基础的研究路线是⾮常确定的。

l  如果想要把 SSD 做成传统的存储设备，就需要给 BaM 补上缺失的存储软件栈；

l  如果把 SSD 做成主存的次级存储，那就需要补上分层内存管理系统；

l  如果觉得当下 PCIe 5.0 SSD 性能不够，那就设计更⾼吞吐、更低延迟的 SSD 。

其实上述这些在 25 年都有学者或者公司在推进了。

l  ⽐如国内上交的张⼀鸣⽼师团队提出了 GeminiFS ^【7】，把⽂件系统⾥的⽂件名和地址的映射关系缓存在 GPU 上，这样 GPU 可以通过查表的⽅式实现传统⽂件系统的功 能。美国伊利诺伊⼤学⾹槟分校（ UIUC ）的 Jian Huang ⽼师团队做得更彻底，直接在 GPU ⾥集成了⼀个完整的⽂件系统，叫 GoFS^【8】。

l  UIUC 的 Wen-mei Hwu ⽼师团队搭建了基于 HBM-DRAM-SSD 的分层内存，并且做了⼀个分层内存管理系统^【19】。

l  国内紫光公司说要做 High-Bandwidth Flash （ HBF ），可以提供超低的 IO 延迟

l  三星在 17 年做了超低延迟的闪存芯⽚，叫 ZNAND flash 。当时的市场需求不⼤，就放弃这个产品。因为 BaM 和 SCADA 的出现，加上英伟达的到处宣传，三星在 25 年⼜重新恢复 ZNAND 的研究。

当然各⽅⾯的消息说，铠侠、镁光、 SK 海⼒⼠都宣称要做 1 亿 IOPS 的 SSD 。

GPU-SSD 直通本⾝的不确定性

25 年算是学术圈和各路⼚商为 BaM 架构疯狂的⼀年，到了 26 年 BaM 架构是否还是⼤家坚定的选择，我觉得还是存在⼀定的不确定性的。

GPU-SSD 直通技术只为英伟达的专业 GPU 卡设计。 BaM ⽬前只能在英伟达有限的⾼ 端 GPU 卡上正常运⾏，理由是英伟达只为这些⾼端 GPU 卡提供了更⼤的 BAR 空间。 BaM 移植到英伟达的低端 GPU 卡或者其他品牌的 GPU 卡是否有难度，需要打个问号。背后的逻辑其实也⽐较好懂，公司的屁股都是歪的，肯定希望所有的新技术都是围绕着⾃⼰的产品做的，这些新技术就会是公司的护城河。所有⼈都会同意 AI 是未来，但是 AI 的未来是不是 GPU ，这点是存疑的。

在我看来，未来可能是 DPU 、 8 NPU 、 XPU 、近存计算这些加速器百花⻬放、百家争鸣的阶段。为未来做准备，我们需要考虑的是加速器-SSD 的直通，⽽不只是 GPU-SSD 的直通。这就带来的⼀个疑问：我们是否需要为每种加速器都设计⼀个 BaM 架构？

其次， GPU-SSD 直通技术和分离式架构不搭边。其实 25 年还有⼀个很⽕的技术，叫 Scale-Up ⽹络，也叫超节点总线互联。其中最有代表性的就是 Compute Express Link （ CXL ）^【11】、华为的 Unified Bus （ UB ）^【12】。当然，这⾥我想聊的是在这些技术之上搭建的分离式架构。资源分离（ resource disaggregation ）是⽬前云⼚商提⾼资源利⽤率的有效⽅案之⼀。 Scale-Up ⽹络把节点间互联的代价降得很低，使得资源分离变得可⾏。

根据这个发展趋势，未来 GPU 会是加速器池， SSD ⼤概率也会变成⼀个存储池，这就跟 BaM 架构产⽣了⽭盾。 BaM 架构是围绕 GPU-SSD 直通的， 但是分离式架构会变成 GPU-NIC-SSD 的形态。同时 BaM 默认是 GPU 独占 SSD ，但是分离式架构需要多个 GPU 和多个 SSD 彼此共享，这就增加了很多设计上的难度。

可能有⼈会反驳：“BaM 是整个内存层次结构中的节点本地缓存。 GPU 节点依然可以通过互联⽹络接⼊存储池，作为内存层次结构的最后⼀层。和存储池相⽐，BaM 能提供更低的延迟和更⾼的吞吐。 ”

我的观点是：在超节点流⾏的当下，如果⽹卡的带宽能够喂饱 GPU 的 PCIe 带宽，同时⽹络延迟远低于 SSD 的 IO 访问延迟，内存层次结构是否需要保留本地 SSD 并维护 BaM ，这点存疑的。

最后， 1 亿 IOPS 的代价⽐较⼤。 1 亿 IOPS 的代价其实可以分两个⽅⾯来看，⼀个是 SSD 的代价，另⼀个是 GPU 的代价。

从 SSD 说起，⽬前企业级 PCIe 5.0 SSD 能提供最多 300 万 IOPS 的性能，但是需要 5 颗 ARM cores 来做固件任务。扩展开来， 1 亿 IOPS 的 SSD 可能需要 160 颗以上的 ARM cores 做固件任务，⽬前来看只有服务器上的 ARM 处理器能勉强满⾜需求，那价格、 功耗、⾯积就基本没边了。 SSD 的板载内存的带宽可能也是⼀⼤挑战。 SSD 的板载内存需要在 DMA 的时候缓存写⼊或者读出的数据，同时执⾏固件任务⽐如 flash translation layer （ FTL ）的时候， SSD 的板载内存需要被频繁地访问元数据。这⼀系列原因导致 SSD 的板载内存⾯临特别⼤的带宽压⼒。所以很⾃然的问题是，按照现有的 SSD 架构设计 1 亿 IOPS 的⾼性能 SSD ，是否值得？

回到 GPU， BaM 架构需要消费 GPU 的算⼒来执⾏ I/O任务，包括NVMe队列管理、I/O完成状态的轮询、I/O buffer和data buffer的管理等。尽管BaM没有精确地测量出具体的算力开销，DeepSeek的一份报告给出了网络I/O任务对GPU算力的要求。由于两者都需要GPU承担额外的数据移动与控制开销，我们可以参考这个报告评估BaM对于GPU算力的影响。报告指出，在训练过程中H800 GPU至多有约15%的计算核⼼需要专门⽤来处理 IO 任务^【13】。这⾥的问题是，考虑到GPU高昂的价格，占用GPU宝贵的计算核心实现 GPU-SSD 直通，付出这样的代价是否值得？

四、未来：⼀些脑洞和想法

其实围绕这些不确定性，我和实验室的同学们开了不少脑洞。如果对细节特别感兴趣的朋 友，可以随时关注实验室 release 的论⽂和⽂章。这⾥我就简单列举⼏个：

l  过去⼏年，我⼀直想跟学术圈和⼯业界推⼴ SSD-centric 架构，这个架构正好能解决 BaM 的问题。在我看来，SSD 其实是⼀个迷你的计算机⼦系统，固件是⼀个简化的操 作系统，FTL 是简化的⽂件系统或者 KV 引擎， host interface layer （ HIL ）和 flash interface layer （ FIL ）⾥的队列⾮常类似传统操作系统的块层和 NVMe 驱动层的队列。很⾃然的想法就是让存储软件栈和 SSD 固件合并，这样就能在不额外增加 SSD 控制器负担的前提下，实现完整的存储软件栈到 SSD 的卸载。我⼀直在推进这⽅⾯的研究，感兴趣的朋友可以看这⼏个⼯作^{【13，14】}。这么做对于加速器-SSD 直通的好处是，加速器本⾝只要做到最轻量的存储软件栈集成就能实现 SSD 直通，避免为每个新加速器做繁重的移植。

l  既然 GPU 处理 IO 任务的代价特别⼤，我们能不能换个别的设备帮忙处理⼀下。这⾥⼀ 下⼦就可以脑洞⼤开了，可以是设计某个 ASIC 芯⽚挂在数据传输路径上。这个想法其实⾮常像韩国⾸尔国⽴⼤学 Jaewoo Kim ⽼师团队提出的 IOMMU 加速器，感兴趣的朋友可以看这篇论⽂^【15】。另⼀种法⼦是改造⼀下其他设备，⽐如 Smart NIC 或者 DPU ，我这两年有过⼀些类似的想法^【17】。

l  既然 SSD 处理海量 IO 任务的代价也⾮常⼤，我们能不能不让 SSD 处理海量 IO 任务。关于这点，我想⽑遂⾃荐我⾃⼰的⼯作^【2，16】。核⼼想法是，我把 SSD 控制器和板载内存都扔了，然后把闪存阵列和闪存通道集成到 GPU 卡⾥，让 GPU 替 SSD 执⾏固件任务。当然，刚刚也说了 GPU 处理 IO 任务的代价特别⼤，所以固件任务其实是做了很⼤程度上的简化，使得固件任务能够和 GPU 本⾝的计算任务合并，尽可能开销。后来，韩国⾸尔国⽴⼤学针对 DNN 训练，把我这个⼯作⼜进⾏了魔改，不过整体概念⾮常类似^【18】。

l  最后的最后，把 GPU-SSD 直通改造成加速器-NIC-SSD 直通，这可能是拥抱分离式 架构最直接的⽅案之⼀，也是最容易落地的⽅案之⼀。这么设计的收益很明显，我们不需要打造 1 亿 IOPS 的 AI SSD 。加速器需要多少 IO 带宽，让存储池给分配就好， Scale-Up 互联⽹络的带宽也很充裕。同时多加速器之间的数据共享也可以借助 Scale-Up 互联⽹络提供的⼀致性满⾜（ CXL 3.0 的特性，虽然还没硬件实物），避免像 BaM ⼀样， SSD 归某个 GPU 私有的限制太多。当然实验室同学在实际部署的时候也遇到了不少问题，这⾥就不⼀⼀展开了，设计细节会陆续 release 。

  【作者简介】HPCA名人堂首位90后成员，获得华为奥林帕斯奖、英特尔中国学术英才计划、ACM China SIGCSE新星奖，长期从事存储系统和体系结构研究。 

—— 本文收录于《Data Dialogue · 第2期》

References:

[1] Z. Zhou, S. Yi, and J. Zhang, "Survey on storage-accelerator data movement," CCF Trans. High Perform. Comput., vol. 4, no. 4, pp. 435–447, 2022.

[2] J. Zhang and M. Jung, "ZnG: Architecting GPU multi-processors with new flash for scalable data analysis," in ACM/IEEE 47th Annual International Symposium on Computer Architecture (ISCA 2020), IEEE, 2020.

[3] X. Pan, E. Li, Q. Li, S. Liang, Y. Shan, K. Zhou, Y. Luo, X. Wang, and J. Zhang, "InstAttention: In-storage attention offloading for cost-effective long-context LLM inference," in 2025 IEEE International Symposium on High Performance Computer Architecture (HPCA), pp. 1510–1525, IEEE, 2025.

[4] X. Zheng, D. Wei, J. Gao, Y. Song, Z. Mi, and H. Chen, "SolidAttention: Low-latency SSD-based serving on memory-constrained PCs," in USENIX Conference on File and Storage Technologies (FAST), 2026.

[5] S. Bergman, T. Brokhman, T. Cohen, and M. Silberstein, "SPIN: Seamless operating system integration of peer to-peer DMA between SSDs and GPUs," ACM Trans. Comput. Syst. (TOCS), vol. 36, no. 2, pp. 1–26, 2019.

[6] J. Zhang, D. Donofrio, J. Shalf, M. T. Kandemir, and M. Jung, "Nvmmu: A non-volatile memory management unit for heterogeneous GPU-SSD architectures," in 2015 International Conference on Parallel Architecture and Compilation (PACT), pp. 13–24, IEEE, 2015.

[7] S. Qiu, W. Liu, Y. Hu, J. Yan, Z. Shen, X. Yao, R. Chen, G. Zhang, and Y. Zhang, "GeminiFS: A companion file system for GPUs," in the 23rd USENIX Conference on File and Storage Technologies (FAST 25), pp. 221–236. 2025.

[8] S. Li, Y. E. Zhou, Y. Xue, Y. Xu, and J. Huang, "Managing scalable direct storage accesses for GPUs with GoFS," in ACM SIGOPS 31st Symposium on Operating Systems Principles (SOSP), pp. 979–995. 2025.

[9] Z. Qureshi, V. S. Mailthody, I. Gelado, S. Min, A. Masood, J. Park, J. Xiong et al., "BaM: A case for enabling fine grain high throughput GPU-orchestrated access to storage," arXiv preprint arXiv:2203.04910, 2022.

[10] Z. Qureshi, V. S. Mailthody, I. Gelado, S. Min, A. Masood, J. Park, J. Xiong et al., "GPU-initiated on-demand high throughput storage access in the BaM system architecture," in the 28th ACM International Conference on Architectural Support for Programming Languages and Operating Systems, vol. 2, pp. 325–339, 2023.

[11] Y. An, S. Yi, B. Mao, Q. Li, K. Zhou, and N. Xiao, "Xerxes: Extensive exploration of scalable hardware systems with CXL-based simulation framework," in USENIX Conference on File and Storage Technologies (FAST), 2026.

[12] H. Liao, B. Liu, X. Chen, Z. Guo, C. Cheng, J. Wang, X. Chen et al., "UB-Mesh: A hierarchically localized nD FullMesh data center network architecture," IEEE Micro, 2025.

[13] C. Zhao, C. Deng, C. Ruan, D. Dai, H. Gao, J. Li et al., "Insights into DeepSeek-V3: Scaling challenges and reflections on hardware for AI architectures," arXiv preprint arXiv:2505.09343, 2025.

[14] L. Peng, Y. An, Y. Zhou, C. Wang, Q. Li, C. Cheng, and J. Zhang, "ScalaCache: Scalable user-space page cache management with software-hardware coordination," in 2024 USENIX Annual Technical Conference (USENIX ATC 24), pp. 1185–1202, 2024.

[15] S. Yi, X. Pan, Q. Li, Q. Li, C. Wang, B. Mao, M. Jung, and J. Zhang, "ScalaAFA: Constructing user-space all-flash array engine with holistic designs," in 2024 USENIX Annual Technical Conference (USENIX ATC 24), pp. 141–156, 2024.

[16] J. Ahn, D. Kwon, Y. Kim, M. Ajdari, J. Lee, and J. Kim, "DCS: A fast and scalable device-centric server architecture," in the 48th International Symposium on Microarchitecture, pp. 559–571, 2015.

[17] J. Zhang, M. Kwon, H. Kim, H. Kim, and M. Jung, "FlashGPU: Placing new flash next to GPU cores," in the 56th Annual Design Automation Conference, pp. 1–6. 2019.

[18] X. Pan, Y. An, S. Liang, B. Mao, M. Zhang, Q. Li, M. Jung, and J. Zhang, "Flagger: Cooperative acceleration for large-scale cross-silo federated learning aggregation," in 2024 ACM/IEEE 51st Annual International Symposium on Computer Architecture (ISCA), pp. 915–930. IEEE, 2024.

[19] S. Kim, Y. Jin, G. Sohn, J. Bae, T. J. Ham, and J. W. Lee, "Behemoth: A flash-centric training accelerator for extreme-scale DNNs," in the 19th USENIX Conference on File and Storage Technologies (FAST 21), pp. 371–385, 2021.

[20] C.-H. Chang, J. Han, A. Sivasubramaniam, V. S. Mailthody, Z. Qureshi, and W.-M. Hwu, "GMT: GPU orchestrated memory tiering for the big data era," in the 29th ACM International Conference on Architectural Support for Programming Languages and Operating Systems, vol. 3, pp. 464–478, 2024.