SLC、MLC、TLC 和 QLC NAND SSD 之间的区别:哪个更好?

article/2025/10/7 21:16:52

如果你想要一个顶级系统,尤其是用于游戏或内容创作,那么 SSD 是绝对必要的。然而,在你去寻找之前,你应该知道要寻找什么。有多种不同类型的 SSD。就基本的 SSD 存储单元而言,有 SLC、MLC、TLC 和 QLC。其中,TLC 是最受欢迎的,不过,QLC 最终将取代它们。在 I/O 方面,有 SATA 和 NVMe。

最后,最新的 SSD 也基于 3D NAND/VNAND 技术。这可能会使 SSD 选择变得非常混乱。下面让我们来分解这些术语。

SLC、MLC、TLC 和 QLC:这些是存储单元

在 HDD 中,磁道是存储内存的构建块。在 SSD 中,相同的功能由单元提供,单元本质上是一个门电路。每个单元可以存储多少取决于 SSD 使用的单元类型。最受欢迎的是 SLC、MLC、TLC 和 QLC,这些代表单层单元、多层单元、三层单元和四层单元。

顾名思义,SLC SSD 中的单元每个单元只能存储一位,MLC 存储两个,TLC 存储三个,QLC 存储四个。虽然这似乎是一种“越大越好”的情况,但情况并非如此。使用 QLC 驱动器增加容量(以相同的价格)是最容易的,因为对于相同的存储量,它们需要的单元数是 SLC 驱动器的 1/4。

更大并不总是更好

将多个位写入单个单元需要更多时间,这也会影响 SSD 的耐用性。这意味着 SLC SSD 实际上是最快和最可靠的,但它们要贵得多。大多数商用 SSD 为 TLC,它在性能、可靠性和成本之间提供了合理的折衷。

一个单元在停止工作之前可以被读取和写入的次数是有限的 这通常具有数十万次读取和写入的规模,称为 TBW(写入的总字节数)。然而,这意味着 SSD 的可用性是有限的,可能几年时间。如今,SLC 驱动器几乎不存在,MLC 仅限于少数高性能数据中心。

TLC 是最受欢迎的,与 3D NAND 搭配使用可在性能、耐用性和价格之间取得非常好的平衡。QLC 现在开始流行,虽然在速度和耐用性方面仍然落后于 TLC,但它便宜一些。这导致许多 OEM 在预制 PC 中使用它们,因此,在购买之前,请务必检查驱动器的耐用性(TBW 或最大写入 TB),并将其与其他基于 TLC 的选项进行比较。即使驱动器(已崩溃)在保修期内,如果超过 TBW 值,供应商也可能拒绝更换。

连接性:SATA 与 NVMe:什么是 M.2?

你可能已经在 SSD 和 HDD 的描述中注意到这些术语。它们看起来很可怕,但实际上并不可怕。其中两个仅指所用输入连接器的类型,SATA 既是连接器又是接口,这是一个古老的遗留标准,所有传统 HDD 都使用它。

主要限制因素是 SATA 的最大传输速率为 600 MB/s。这对 HDD 来说不是问题,因为它们的最高速度低于 200 MB/s。但是 SATA SSD 将比其理论最大速度慢得多。另一方面,NVMe SSD 的最高读取速度轻松超过 3,500 MB/s,而 PCIe Gen 4 驱动器则达到 7,000 MB/s。此外,基于 SATA 的驱动器一次只能执行一种功能,读取或写入,而不是两者。基于 NVMe 的 M.2 SSD 可以。

SATA 和 NVMe 之间的另一个主要区别在于命令队列或并行性。SATA 依赖于高级主机控制器接口 (AHCI),它可以处理单个队列中的 32 个待处理命令。另一方面,NVMe 允许最多 64,000 个队列,每个队列最多可以同时拥有 64,000 个命令 。同时,由于其更简单的复杂性和直接的实现,NVMe 比 SATA 占用更少的 CPU 资源。

NVMe 的工作方式与多核处理器非常相似,将较长的任务分成更小的块,这些块需要更少的时间并且可以并行运行。它能够在 32 的队列深度下实现高达 440,000 次随机读取 IOPS 和 360,000 次随机写入 IOPS 性能。

不利的一面是,每个系统的 NVMe SSD 数量有限,因为大多数消费类 PC 中的 PCIe 数量从 16 到 24 不等,GPU 最多使用 16 个,网络适配器使用一对。这为台式 PC 上的 2-3 个 NVMe 驱动器留下了空间。相比之下,大多数中高端 PC 可以轻松容纳多达 8 个 SATA SSD。

M.2 只是一种较新的连接类型。它直接插入主板上的 M.2 插槽,可以连接到 SATA 或 PCIe 总线。M.2 SATA SSD 更小更薄,但仍能提供 SATA 速度。同时,M.2 NVMe SSD 通过主板上的 PCIe 通道连接,并且更小、更薄且速度更快。如果想要最快的存储,NVMe SSD,通过 M.2 连接是要走的路。

3D NAND 和 VNAND:这些是层

当你周围没有剩余空间时会发生什么?这基本上就是 3D NAND 所做的。传统上,NAND 单元以 2D 方式排列,单元数越多,驱动容量就越大(每个芯片的内存增加)。但正如摩尔定律的消亡告诉我们的那样,可以缩小硅片的程度是有限的。

因此,由于 2D 中没有单元格,我们开始将它们一个一个地堆叠起来,这称为 3D NAND。它不仅更便宜,而且速度更快,而且更节能。制造商通常将基于 TLC 和 QLC 的 SSD 与 3D 堆叠或 VNAND 配对,以进一步提高性价比,使驱动器更加实惠。

三星的 VNAND 技术是他们的 3D NAND 版本,中间有一些专有的修改。

更高密度的 SSD 基本上具有更高的层数。如今,多达 96 层的单元堆叠在消费者和企业 SSD 中。预计 100 层 NAND 芯片的估计密度为 1Tb。


http://chatgpt.dhexx.cn/article/vOVlTbMM.shtml

相关文章

hive实战

1. 安装hive 2. hive实战 3. hive存储模型 4. 深入hql查询语言 5. 参考资料及代码下载 <1>. 安装hive 下载hive&#xff0c;下载地址http://mirror.bjtu.edu.cn/apache//hive/ &#xff0c;解压该文件&#xff1a; xuqiangubuntu:~/hadoop/src/hive$ tar zxvf h…

hive实战 - qiang.xu - 博客园

hive实战 - qiang.xu - 博客园 hive实战 - qiang.xu - 博客园 hive实战 1. 安装hive 2. hive实战 3. hive存储模型 4. 深入hql查询语言 5. 参考资料及代码下载 <1>. 安装hive 下载hive&#xff0c;下载地址http://mirror.bjtu.edu.cn/apache//hive/&#xff0c;解压该…

《深度学习之PyTorch物体检测实战》—读书笔记

随书代码 物体检测与PyTorch 深度学习 为了赋予计算机以人类的理解能力与逻辑思维&#xff0c;诞生了人工智能&#xff08;Artificial Intelligence&#xff0c; AI&#xff09;这一学科。在实现人工智能的众多算法中&#xff0c;机器学习是发展较为快速的一支。机器学习的思…

3D图像重建中的颜色预测误差研究

目录 整体思路&#xff1a;1、本课题的目的、意义1. 描述图像2. 标注图像3、CNN 3D图像重建中的颜色预测误差研究摘 要1 绪 论1.1背景与意义1.2 课题研究内容1.3 3D重建国内外研究现状1.4 深度学习算法研究现状1.4.1 应用于自然语言处理1.4.2 提取立体图像视觉特征1.4.3 图像颜…

python项目开发实例视频-零基础入门Python Web开发到项目实战精讲

课程章节 第1章Mysql基础 1-数据库简介 2-数据库的安装及配置 3-SQL语句规范 4-数据库的相关操作 5-MySQL中支持的数据类型简介 6-MySQL中的存储引擎简介 7-MySQL数据表的创建 8-测试数据类型 9-测试字符串类型 10-测试字符串类型 11-测试日期时间类型 12-测试主键…

Hadoop 和 Spark 知识点整理汇总

文章目录 前言一、LINUX 系统常用命令汇总二、Hadoop 常用命令汇总三、Hadoop 基本概念1. Hadoop 特性2. Hadoop 架构2.1 Hadoop 集群2.2 HDFS2.3. YARN 四、Hadoop HDFS命令1. HDFS 命令通用格式2. 创建与查看 HDFS 目录3. HDFS 与本地计算机之间的文件复制4. 复制与删除 HDFS…

IT转互联网的转行经验

全栈工程师开发手册 &#xff08;作者&#xff1a;栾鹏&#xff09; 架构系列文章 个人经历 选择大学专业 2010年&#xff0c;我20&#xff0c;手机还是2G网络&#xff0c;电脑还是window x&#xff0c;高中毕业&#xff0c;父母只是农村建筑工人&#xff0c;对社会工作完全…

这一套封面的程序员专业书籍你读过哪一本?

以往我们总盯着畅销书&#xff0c;经典书&#xff0c;新书&#xff0c;今天给大家介绍Packt Publishing的程序员专业书籍。这一套封面的程序员书你读过哪一本&#xff1f; 1、Python图像处理实战 [印度] 桑迪潘戴伊&#xff08;Sandipan Dey&#xff09; 著&#xff0c;陈盈&…

[译]用R语言做挖掘数据《七》

时间序列与数据挖掘 一、实验说明 1. 环境登录 无需密码自动登录&#xff0c;系统用户名shiyanlou&#xff0c;密码shiyanlou 2. 环境介绍 本实验环境采用带桌面的Ubuntu Linux环境&#xff0c;实验中会用到&#xff1a; 1. LX终端&#xff08;LXTerminal&#xff09;: Linux命…

[学习笔记]黑马程序员-Hadoop入门视频教程

文章目录 参考资料第一章&#xff1a;大数据导论与Linux基础&#xff08;p1-p17&#xff09;1.1 大数据导论1.1.1 企业数据分析方向1.1.2 数据分析基本流程步骤明确分析的目的和思路数据收集数据处理数据分析数据展现报告攥写 1.1.3 大数据时代大数据定义大数据的5V特征应用场景…

[译]用R语言做挖掘数据《五》

介绍 一、实验说明 1. 环境登录 无需密码自动登录&#xff0c;系统用户名shiyanlou&#xff0c;密码shiyanlou 2. 环境介绍 本实验环境采用带桌面的Ubuntu Linux环境&#xff0c;实验中会用到程序&#xff1a; 1. LX终端&#xff08;LXTerminal&#xff09;: Linux命令行终端&a…

基于ROS的Most Stars开源代码汇总(自动驾驶汽车+RGBDSLAMv2+ROS2+人识别与跟踪等)

Star 200 https://github.com/CPFL/Autoware 用于城市自主驾驶的开源软件。 http://www.tier4.jp/ Autoware 用于城市自主驾驶的集成开源软件&#xff0c;由第四层维护。支持以下功能&#xff1a; 3D本地化3D映射路径规划路径跟随加速/制动/转向控制数据记录汽车/行人/物体检…

WEKA使用(基础配置+垃圾邮件过滤+聚类分析+关联挖掘)

声明: 1)本文由我bitpeach原创撰写,转载时请注明出处,侵权必究。 2)本小实验工作环境为Windows系统下的WEKA,实验内容主要有三部分,第一是分类挖掘(垃圾邮件过滤),第二是聚类分析,第三是关联挖掘。 3)本文由于过长,且实验报告内的评估观点有时不一定正确,希…

CUDA 初体验

CUDA Visual ProfilerCUDA编程指导 shared memoryPage locked out memory C CUDA 调用CUDA 编程介绍CUDA 数据同步 CUDA Visual Profiler 在上180645课程的时候&#xff0c;里面谈到使用CUDA来做矩阵乘法和k均值聚类的加速。在使用n卡的时候&#xff0c;有一个Visual Profile…

LogCluster算法

LogCluster - A Data Clustering and Pattern Mining Algorithm for Event Logs LogCluster - 事件日志的数据聚类和模式挖掘算法 Risto Vaarandi and Mauno Pihelgas TUT 数字取证和网络安全中心 塔林科技大学 爱沙尼亚塔林 0 概要 Abstract—Modern IT systems often pro…

机器学习,看这一篇就够了:回归算法,特征工程,分类算法,聚类算法,神经网络,深度学习入门

目录 前言 1机器学习概述 1.1机器学习简介 1.1.1机器学习背景 1.1.2机器学习简介 1.1.3机器学习简史 1.1.4机器学习主要流派 1.2机器学习、人工智能和数据挖掘 1.2.1什么是人工智能 1.2.2什么是数据挖掘 1.2.3机器学习、人工智能与数据挖掘的关系 1.3典型机器学习应…

Ubuntu18.04下Opencv的安装及使用实例

本文主要介绍了在Ubuntu18.04系统下练习编译、安装著名的C/C图像处理开源软件库Opencv 3.4.12&#xff08;过程多&#xff0c;耗时长&#xff0c;需要耐心和细心&#xff09; 目录 一、Opencv简介 二、Opencv安装 1.安装环境 2.下载Opencv3.4.12 3.解压安装包 4.使用cmak…

处理器架构分类

一 X86和X64 X86和X64分别代表Intel 32位和64位的处理器&#xff0c;这里有个前提是指Intel X86架构的处理器吧。而具体点应该是&#xff1a; 1. x86-32&#xff1a; 32位的X86处理器&#xff0c;平常会简写成x86 2. x86-64&#xff1a; 64位的X86处理器。平常会简写成x64 …

ARM 处理器架构简介

ARM 架构是构建每个 ARM 处理器的基础。ARM 架构随着时间的推移不断发展&#xff0c;其中包含的架构功能可满足不断增长的新功能、高性能需求以及新兴市场的需要。有关最新公布版本的信息&#xff0c;请参阅 ARMv8 架构。 ARM 架构支持跨跃多个性能点的实现&#xff0c;并已在许…

昇腾 (Ascend) AI 处理器:达芬奇架构

参考&#xff1a;《昇腾AI处理器架构与编程——深入理解CANN技术原理及应用》 目录 昇腾 AI 处理器背景主要的架构组成部件可扩展性 达芬奇架构 (DaVinci Architecture)计算单元矩阵计算单元CPU vs. GPU vs. Ascend改变矩阵的存储方式来提升矩阵计算的效率矩阵计算单元 (矩阵乘…