算力下沉与互联革新:存储与硬件产业新变局
执行摘要:消费与数据中心硬件正经历结构性升级:群联计算型SSD将NPU下沉至存储端,重构计算与存储边界;微软USB4 RDMA降低多机互联门槛,改变AI推理组网生态;Linux内核持续优化NVMe管理效率。本报告围绕上述动态,梳理硬件产业链现状与格局,分析上下游协同与竞争态势,研判算力泛在化、互联低成本化带来的产业趋势与机遇。
产业现状与竞争格局
一、算力下沉:硬件厂商加速向AI场景演进
2025年以来,存储与硬件产业最显著的结构性变化,是计算能力正从主机端向存储端、外设端持续下沉。传统“CPU—内存—存储”的分层计算架构正在被“存算一体、近数据计算”的新范式补充,硬件厂商的产品定义逻辑随之改变。
最具代表性的是主控厂商群联在SC26大会上展示的两款企业级SSD。其中计算型SSD内置NPU与64GB内存,带宽达130GB/s,可直接运行PyTorch、vLLM、OpenVINO、llama.cpp等主流AI框架——即AI模型在硬盘本地运行,仅向主机返回推理结果。这一“数据不出盘”的设计思路,在特定负载下可将主机与存储之间的数据传输量减少10至100倍,本质上是以片内高带宽替代主机接口瓶颈。另一款产品则采用Mixed Media混合介质设计,将pSLC缓存与QLC闪存整合,由16通道主控统一管理并分配独立命名空间,兼顾性能与成本。
这一演进并非孤立事件,而是产业界的普遍共识:当AI推理负载中数据搬运成本远超计算成本时,把计算搬到数据旁边,比把数据搬到计算旁边更经济。
二、互联革新:从专用网络到消费级接口
与算力下沉并行的是互联层的革新。微软在Windows 11上启用了基于USB4协议的RDMA(远程直接内存访问)技术,无需专用网卡或交换机,即可将多台PC串联起来处理大型AI推理等工作负载。实测显示,双机互联下USB4 RDMA延迟为28至50微秒,而同链路上的UDP以太网方案为116至194微秒,约为前者的四倍;USB4单链路最高80Gbps的带宽足以支撑内存间数据搬运。
RDMA的核心价值在于让一台机器绕过操作系统协议栈,直接读写另一台机器的内存——原本属于以太网卡和交换机的功能,被“下沉”到了通用消费级接口上。这与存储端的算力下沉形成呼应:产业正在两个方向同时做减法——减少数据搬运、减少专用硬件依赖,其共同结果是AI算力获取门槛的显著降低。
三、三方协同:主控厂商、操作系统方与开源社区
新范式的落地依赖三层力量的协同,任何一层缺位都会形成短板:
- 主控/硬件厂商负责产品化落地。群联等主控厂商将NPU、大容量内存与多通道主控整合进SSD形态,提供可量产的硬件载体,并通过混合介质设计控制单位成本。
- 操作系统方负责打通互联与调度。微软将USB4 RDMA引入Windows 11,意味着多机协同不再依赖Linux集群技术栈,消费级操作系统首次具备“多机合体”的原生能力。
- 开源社区负责底层效率优化。Linux 7.4-rc4内核将引入NVMe命名空间并行删除支持:此前内核采用串行删除逻辑,单个删除需等待约20毫秒的RCU宽限期,64个命名空间的控制器断开NVMe-oF连接可能耗时超过1秒;新方案利用RCU宽限期全系统范围的特性,让多个删除操作的等待重叠进行、共享同一轮宽限期,显著缩短大规模场景下的处理时间。这类看似细枝末节的内核优化,正是企业级存储在大规模集群运维中可用性的基础。
三层力量形成了“硬件提供能力、系统提供入口、社区提供效率”的分工闭环:
四、竞争焦点转移:从单一性能到架构创新
综合上述动态可以判断,产业竞争的坐标系正在重构。过去存储与硬件厂商的竞争主要围绕单一性能指标——顺序带宽、IOPS、延迟数字;而现在,决定竞争力的因素转向架构层面的选择能力:是否把计算放在数据旁边、是否用通用接口替代专用网络、是否在软件栈上消除系统性瓶颈。
从竞争格局看,具备架构创新能力的厂商正在进入高价值区间,而仅靠参数堆叠的传统玩家面临被边缘化的风险:
五、小结
算力下沉与互联革新共同构成了当前存储与硬件产业的主旋律:硬件厂商以计算型SSD等产品加速向AI场景演进;主控厂商、操作系统方与开源社区形成三方协同,分别解决“能力、入口、效率”三个层面的问题;竞争焦点则从单一性能参数转向架构创新。这一格局变化意味着,下一阶段的产业领先者,将属于那些能够重新定义“计算与数据关系”的玩家,而非单纯追求跑分领先的厂商。后续章节将分别就计算型存储、互联技术与软件栈优化的产业影响展开深入分析。
产业链上游:芯片与主控
计算型存储(Computational Storage)的核心命题,是将算力从主机CPU下沉至存储设备内部,让数据“在哪存就在哪算”。这一理念的落地并非应用层的简单封装,而是由产业链上游——主控芯片、NPU集成能力与闪存介质设计共同决定的。本章聚焦上游环节的三大创新方向:NPU集成、16通道主控、pSLC与QLC混合介质设计,并分析上游能力如何决定计算型存储的商业化节奏。
一、NPU集成:从“存数据”到“算数据”的架构跃迁
群联在SC26大会上展示的计算型SSD,代表了主控芯片设计范式的转变:设备内置NPU(神经网络处理单元)与64GB内存,带宽达130GB/s,可直接运行PyTorch、vLLM、OpenVINO、llama.cpp等主流AI框架。其架构思路是“计算下沉到存储端,仅向主机返回结果”——在特定负载下,这一模式可将数据传输量减少10至100倍。
这一数字背后的产业逻辑值得展开:传统架构下,数据需经由PCIe总线在存储与主机内存之间往返搬运,当推理负载涉及大模型权重读取与向量检索时,总线带宽与主机内存成为瓶颈。将NPU嵌入SSD主控侧,意味着数据搬运的路径被大幅缩短,主机侧只需接收推理结果。这实质上重新划分了主机CPU与存储设备的算力边界,也对主控厂商提出了全新要求——不仅要懂闪存管理,还要具备AI加速器设计与软件栈适配能力。
二、16通道主控与混合介质:性能与成本的双重解法
在同一活动中,群联展示的另一款产品采用Mixed Media混合介质设计,将pSLC缓存与QLC闪存整合,由16通道主控统一管理,并分配独立命名空间。
这一组合回应了企业级存储的经典矛盾:QLC介质成本低、容量密度高,但写入寿命与直写性能差;pSLC(伪SLC)速度快、 endurance高,但成本数倍于QLC。混合介质设计的本质,是用pSLC作为“写入缓冲层”、QLC作为“容量层”,通过16通道主控进行动态数据分层与垃圾回收调度。16通道的高并发通道数,则是支撑混合介质持续高速迁移数据的硬件前提——通道数不足时,QLC与pSLC之间的后台数据搬运会挤占前台读写带宽。
三、软件生态同步演进:内核层的配合
上游硬件创新需要软件层的承接。Linux 7.4-rc4内核将引入NVMe命名空间并行删除支持:此前内核采用串行删除逻辑,单次删除需等待约20毫秒的RCU宽限期,64个命名空间的控制器断开NVMe-oF连接可能耗时超过1秒。新方案利用RCU宽限期全系统范围的特性,让多个删除操作的等待重叠进行、共享同一轮宽限期,显著缩短大规模命名空间管理时延。
这一改进看似细微,却与计算型存储和混合介质设计直接相关:群联的混合介质方案“分配独立命名空间”,正是依赖NVMe命名空间机制实现数据分层管理。当设备内命名空间数量增多、生命周期管理频率上升时,内核层的并行删除能力就成为系统级效率的必要配套。硬件与内核的协同演进,说明计算型存储的落地是全栈工程,而非单点芯片突破。
四、上游能力决定落地节奏
综合来看,计算型存储的商业化节奏受制于三个上游变量:
其一,NPU集成度与软件栈成熟度。 群联方案已能运行主流AI框架,但从演示到规模化部署,仍需主控厂商持续投入编译器、算子库与框架适配。NPU设计能力目前集中于少数头部主控厂商,短期内供给有限。
其二,16通道主控与混合介质的经济性。 混合介质设计缓解了QLC的 endurance短板,使低成本大容量介质进入AI推理场景成为可能。但pSLC与QLC的比例调配、通道调度算法,均需长时间固件迭代,属于典型的“Know-how密集”环节。
其三,系统软件的配套进度。 内核层的NVMe改进、存储侧RDMA互联等机制正在同步演进(如微软在Windows 11上基于USB4启用RDMA,双机互联延迟28至50微秒,约为同链路UDP以太网方案116至194微秒的四分之一,使多机可绕过专用网络设备协同执行AI推理),表明“存储即计算”所需的互联与软件底座正逐步成型。
上游主控厂商由此从产业链的“配角”走向“定义者”:谁率先完成NPU集成、混合介质调度与软件栈适配的闭环,谁就掌握了计算型存储量产节奏的主动权。本章后续章节将转向整机与应用层,分析这一上游变革向下游传导的路径。
产业链中游:存储与整机
算力下沉正在重塑产业链中游的分工边界。过去被视作“被动存储介质”的企业级SSD,开始承担计算职能;而整机厂商则需在互联协议与产品形态上做出适应性改造。中游环节从“元器件组装”向“系统能力集成”演进的信号已较为明确。
一、企业级SSD:从存储介质到计算单元
群联在SC26大会展示的两款企业级SSD,代表了存储产业在AI负载下的两条演进路径。
第一条路径是计算型SSD。该产品内置NPU与64GB内存,带宽达130GB/s,可直接运行PyTorch、vLLM、OpenVINO、llama.cpp等主流AI框架。其核心逻辑是把计算下沉到存储端——数据在盘内完成处理后,仅向主机返回结果。在特定负载下,这种方式可减少10至100倍的数据传输量。对于数据密集型AI场景,这意味着主机CPU、内存带宽与PCIe链路的压力被显著释放,存储设备从I/O终点变为分布式计算节点。
第二条路径是介质层面的Mixed Media混合设计。该产品将pSLC缓存与QLC闪存整合,由16通道主控统一管理,并为混合介质分配独立命名空间。这一设计在保证写入性能的同时摊薄了大容量场景的成本,是QLC向企业级市场渗透的典型技术路线。
计算型SSD的产业意义在于,它把AI推理的门槛从“整机+GPU”进一步下探到“一块盘”。当盘内即可完成模型加载与推理,边缘侧、中小企业侧的部署成本与功耗将结构性下降。不过需要注意的是,这一路线的落地仍取决于负载匹配度——并非所有AI工作负载都适合下沉至存储端,其价值集中在大数据量、低计算密度的特定场景。
与此同时,软件生态也在同步跟进。Linux 7.4内核将引入NVMe命名空间并行删除支持:此前内核采用串行删除逻辑,单个删除需等待约20毫秒的RCU宽限期,64个命名空间的控制器断开NVMe-oF连接可能耗时超过1秒;新方案利用RCU宽限期全系统范围的特性,让多个删除操作的等待重叠进行、共享同一轮宽限期,大幅缩短大型存储系统的管理时延。此类内核级改进虽不显眼,却直接决定了大规模NVMe-oF部署下的运维效率。
二、整机厂商:USB4互联与本地推理的新形态
整机侧的变革来自微软。Windows 11上线了基于USB4协议的RDMA远程直接内存访问技术,无需专用网卡或交换机,即可将多台PC串联处理大型AI推理等工作负载。
技术指标上看,双机互联下USB4 RDMA延迟为28至50微秒,而同链路上的UDP以太网方案为116至194微秒,约为前者的四倍。RDMA允许一台机器绕过操作系统协议栈直接读写另一台机器的内存,USB4单链路最高80Gbps的带宽足以支撑内存间数据搬运。
这对整机产业的影响体现在两方面:
其一,互联成本曲线被压平。传统RDMA依赖RoCE或InfiniBand网卡与专用交换设备,而USB4方案利用PC标配接口即可实现,使“多机合体推理”从数据中心专属能力下沉到普通桌面与消费级硬件。整机厂商可以借此设计面向小型团队与个人开发者的本地AI集群形态——多台常规PC通过USB4级联,替代单台高成本工作站。
其二,产品定义逻辑改变。本地推理需求要求整机在接口带宽、供电、散热与内存容量上重新权衡,USB4不再仅是外设接口,而成为系统间互联的核心通道。整机厂商需要在BIOS、驱动与系统调优层面投入工程资源,以保障RDMA链路的稳定性与低延迟表现。
三、中游格局研判
从竞争维度看,中游厂商的技术门槛与商业价值正在被重新划分:
综合来看,产业链中游的变化呈现出“存储计算化、互联大众化”的双重特征。存储厂商通过NPU集成与介质创新切入AI推理链路,整机厂商则借助USB4 RDMA降低多机协同门槛。两条线索共同指向一个方向:AI算力不再仅由数据中心GPU定义,而是沿着存储、整机、互联接口多点下沉。对中游企业而言,能否在固件、内核与系统协同层面建立软件工程能力,将决定其在新格局中的位置。
产业链下游:应用与生态
一、推理下沉:软件栈与硬件的协同重构
当AI推理负载从云端数据中心向边缘与终端下沉时,产业链下游正在经历一次软件栈的整体适配。这并非简单的模型迁移,而是从存储、互联到框架层的全链路重构。
最具代表性的是群联在SC26大会上展示的两款企业级SSD。其中计算型SSD内置NPU和64GB内存,带宽达130GB/s,可直接运行PyTorch、vLLM、OpenVINO、llama.cpp等主流AI框架。其技术思路是把计算下沉到存储端,数据在盘内完成处理后仅向主机返回结果,在特定负载下可减少10至100倍的数据传输量。另一款采用Mixed Media混合介质设计,将pSLC缓存与QLC闪存整合,由16通道主控统一管理。这意味着SSD不再只是被动存储介质,而正在演变为具备推理能力的计算节点。
软件栈的适配同样在操作系统内核层面展开。Linux 7.4-rc4内核将引入NVMe命名空间并行删除支持:此前内核采用串行删除逻辑,单个删除需等待约20毫秒的RCU宽限期,64个命名空间的控制器断开NVMe-oF连接可能耗时超过1秒。新方案利用RCU宽限期全系统范围的特性,让多个删除操作的等待重叠进行、共享同一轮宽限期,显著缩短大规模存储管理的处理时间。对于管理数千块盘的AI推理集群而言,这类底层优化直接提升了运维效率与资源周转速度。
二、多机合体:降低中小企业AI部署门槛
如果说计算型SSD解决的是“数据在哪算”的问题,微软则在回答“算力不够怎么办”。微软在Windows 11上启用了基于USB4协议的RDMA远程直接内存访问技术,无需专用网卡或交换机,即可将多台PC串联处理大型AI推理等工作负载,形成“多机合体”的推理集群。
性能数据支撑了这一方案的可行性:实测双机互联下USB4 RDMA延迟为28至50微秒,而同链路上的UDP以太网方案为116至194微秒,约为前者的四倍。RDMA让一台机器绕过操作系统协议栈直接读写另一台机器的内存,而USB4单链路最高80Gbps的带宽足以支撑内存间的数据搬运。
对产业链下游而言,这一方案的意义在于部署门槛的数量级下降——传统以太网RDMA方案需要专用RDMA网卡与高速交换机,属于数据中心级投入;而USB4 RDMA复用消费级PC标配的USB4接口,中小企业可以用现有办公设备拼装出可用的推理集群。AI部署从“必须建机房”转变为“插几根线”,下游应用生态的参与主体因此显著扩大。
三、生态格局:应用扩展中的分层竞争
下游生态的扩展并非均匀发生,不同厂商在技术门槛与商业价值两个维度上的位置差异明显。
传统存储厂商若不能向计算型产品演进,将滑入“存量玩家”象限;而同时掌握主控、固件与框架适配能力的厂商(如群联此类方案提供者)占据高价值区间。微软的OS级互联方案则利用操作系统生态的广度,在中等技术门槛上切入了原本属于数据中心网络设备的高价值场景。
四、小结
下游应用生态的扩展由三股力量共同推动:计算下沉让存储设备成为推理节点,软件栈更新(框架适配、内核优化)打通了落地的技术通路,多机合体方案则把参与门槛降至中小企业可负担的水平。三者叠加,正在把AI推理从数据中心专属能力转化为泛在的产业基础设施。对产业链各环节而言,能否在这次“算力下沉+互联革新”的窗口期完成自身产品定位的迁移,将决定其在下一轮生态格局中的位置。
数据与竞争态势
算力下沉与互联革新正在重塑存储与硬件产业的技术坐标系。本章通过关键性能指标对比,呈现两条技术路线的实际竞争力,并据此刻画当前竞争格局。
一、存储侧:计算型SSD的带宽红利与数据减量
群联在SC26大会上展示的企业级计算型SSD,是“近存计算”(Near-Storage Computing)路线的代表性落地。其核心配置为内置NPU加速器与64GB内存,标称带宽达130GB/s,可直接在盘端运行PyTorch、vLLM、OpenVINO、llama.cpp等主流AI框架。
这一架构的本质变化在于数据流动方向的逆转:传统架构下主机需从SSD读取原始数据、在CPU/GPU侧完成计算;计算型SSD则将计算下沉至存储端,仅向主机返回推理结果。在特定负载下,主机与存储之间的数据传输量可减少10至100倍。这一指标的意义在于——当数据规模成为AI工作负载的瓶颈时,减少数据搬运比提升搬运速度更具杠杆效应。
同期展示的Mixed Media混合介质SSD则从成本侧补充了这一产品矩阵:将pSLC缓存与QLC闪存整合,由16通道主控统一管理并分配独立命名空间,在性能与单位容量成本之间寻求平衡。配套地,Linux 7.4内核将引入NVMe命名空间并行删除支持——此前串行删除逻辑下,单个命名空间删除需等待约20毫秒RCU宽限期,64个命名空间的NVMe-oF控制器断开可能耗时超过1秒;新方案让多个删除操作共享同一轮宽限期,大幅缩短大规模存储管理时延。软件栈与硬件产品的同步演进,表明近存计算已从单点demo走向系统级生态建设。
二、互联侧:USB4 RDMA的低延迟优势
微软在Windows 11上启用基于USB4协议的RDMA(远程直接内存访问),是互联侧最具冲击力的变化:无需专用网卡或交换机,多台PC即可通过USB4链路串联,共同处理大型AI推理负载。RDMA允许一台机器绕过操作系统协议栈,直接读写另一台机器的内存。
关键实测数据如下:
具体而言,双机互联场景下USB4 RDMA延迟为28至50微秒,而同一链路上的UDP以太网方案为116至194微秒——后者约为前者的四倍。同时,USB4单链路最高80Gbps的带宽足以支撑内存间数据搬运。低延迟加高带宽,加上“零交换机、零专用网卡”的部署门槛,使USB4 RDMA在中小规模AI推理集群场景中形成了清晰的性价比优势。
三、竞争格局研判
将两条路线放入同一竞争框架,可以得到如下定位:
从竞争态势看,存储与互联两侧的变革呈现互补而非替代关系:
- 计算型SSD面向企业级与数据中心场景,技术门槛高(需自研或整合NPU、大容量盘载内存与专用主控),商业价值集中于高带宽AI负载,属于典型的“领跑者”赛道,但短期内渗透率受限于生态成熟度。
- USB4 RDMA则将多机互联能力从数据中心下沉至消费级与桌面级,凭借既有USB4硬件生态实现低门槛部署,在中小团队AI推理场景中具备“潜力股”属性,其对传统以太网方案构成的现实压力已可通过延迟数据量化验证。
- 传统网络存储方案(如依赖专用RDMA网卡与交换机的部署)在高端场景仍有不可替代性,但在边缘与中小规模场景面临USB4路线的成本挤压。
综合来看,“计算下沉”与“互联革新”共同指向同一个产业命题:在数据规模增长快于计算能力增长的背景下,减少数据移动、缩短数据路径,正成为硬件厂商构建差异化竞争力的核心抓手。后续竞争的关键变量,将是软件生态(框架适配、内核支持)的完善速度与跨厂商互操作标准的建立进程。
趋势判断与展望
6.1 三大趋势并行:算力下沉、互联低成本化与内核效率优化
综合前几章对存储侧、互联侧与系统软件侧的观察,硬件产业正在形成三条相互支撑的技术主线。
其一,算力泛在化:计算能力从主机向设备端持续下沉。 群联在SC26大会上展示的计算型SSD是这一趋势的代表性样本——该产品内置NPU与64GB内存,带宽达130GB/s,可直接运行PyTorch、vLLM、OpenVINO、llama.cpp等主流AI框架。其核心思路是将计算下沉到存储端,仅在完成后向主机返回结果,特定负载下可减少10至100倍的数据传输量。这意味着传统“主机算数据、存储存数据”的分工边界正在被打破,存储设备正在从被动容量单元演变为主动算力节点。
其二,互联低成本化:高速互联正在摆脱专用硬件依赖。 微软在Windows 11上启用了基于USB4协议的RDMA远程直接内存访问技术,无需专用网卡或交换机即可将多台PC串联处理大型AI推理负载。实测显示,双机互联下USB4 RDMA延迟为28至50微秒,而同链路上的UDP以太网方案为116至194微秒,约为前者的四倍。USB4单链路最高80Gbps的带宽足以支撑内存间数据搬运。RDMA让一台机器绕过操作系统协议栈直接读写另一台机器内存,消费级接口开始承担原本属于数据中心级互联的工作。
其三,内核效率优化:系统软件侧的隐性创新持续积累。 Linux 7.4内核将引入NVMe命名空间并行删除支持。此前内核采用串行删除逻辑,单个删除需等待约20毫秒的RCU宽限期,64个命名空间的控制器断开NVMe-oF连接可能耗时超过1秒。新方案利用RCU宽限期全系统范围的特性,让多个删除操作的等待重叠进行、共享同一轮宽限期,显著缩短大规模场景下的处理时间。这类改动虽不显眼,却是大规模存储集群运维效率的重要基础。
6.2 三条主线的交汇:存储计算融合
三条趋势并非孤立演进。算力下沉需要存储设备具备“算”的能力;多机互联低成本化让分布式算力组织门槛下降;内核优化则确保上层应用在大规模操作中不成为瓶颈。三者叠加,指向同一个产业方向:存储与计算的融合,可能成为硬件产业下一阶段的核心增长点。
从价值链视角看,这一融合将重塑存储产品的定价逻辑——SSD的价值不再仅由容量与耐久度决定,还将由其承载的计算能力衡量;主控芯片厂商(如群联)将在NPU集成、内存分配、混合介质管理中获得新的差异化空间。
6.3 展望:值得关注的三个观察点
第一,存储算力节点的生态成熟度。 计算型SSD能否普及,取决于主流AI框架对存储端运行环境的适配深度。目前PyTorch、vLLM、llama.cpp等框架已在演示环境中可运行,但生产级部署的工具链、调度策略与计费模式仍需时间验证。
第二,消费级互联向数据中心场景渗透的速度。 USB4 RDMA将多机互联成本降至消费级水平,其28至50微秒的延迟虽不及专用InfiniBand等方案,但对中小规模AI推理场景已具备实用价值。若该路径在Windows与Linux生态持续完善,可能催生“PC集群”这一新的算力组织形态。
第三,内核与固件协同优化的持续性。 从NVMe命名空间并行删除这类补丁可以看出,存储性能的下一个增量来源正从硬件规格转向软件协同。厂商能否在内核社区持续投入,将成为衡量其企业级竞争力的隐性指标。
总体而言,硬件产业正从“单点性能竞赛”转向“体系效率竞赛”。存储计算融合尚处早期,但其背后是数据传输瓶颈这一根本性约束的产业回应——数据越靠近计算,系统的整体效率越高。这一逻辑与十几年前“计算向数据靠近”的大数据理念一脉相承,如今在AI负载的推动下,正以更完整的产品形态重回舞台中央。
📚 参考素材(撰写本文时引用的相关资讯,绿色徽标=相关度评分)
以下3条资讯与本报告主题高度相关,构成本报告的事实基础。
- •
群联在SC26大会上展示两款面向AI场景的企业级SSD。其中计算型SSD内置NPU和64GB内存,带宽130GB/s,可直接运行PyTorch、vLLM、OpenVINO、llama.cpp等AI框架,思路是把计算下沉到存储端,仅向主机返回
— 资讯 - •
微软在Windows11上启用基于USB4协议的RDMA远程直接内存访问技术,无需专用网卡或交换机即可将多台PC串联处理大型AI推理等工作负载。实测双机互联下USB4 RDMA延迟为28至50微秒,而同链路上UDP以太网方案为116至194
— 资讯 - •
Linux 7.4-rc4 内核将引入 NVMe 命名空间并行删除支持,由软件工程师 Qiliang Yuan 提交补丁。此前内核采用串行删除逻辑,每次仅能依次删除一个命名空间,单个删除需等待约 20 毫秒的 RCU 宽限期,64 个命名空
— 资讯