 |
ГИГАНТ: как рост цен на оперативную память и NAND влияет на экономику рынка ЦОД
Комментирует Дмитрий Пустовалов, директор департамента обеспечения и развития компании «ГИГАНТ Компьютерные системы»:
-Стала ли память ограничением для запуска новых сервисов и нагрузок в ЦОД?
Да, резкий рост цен на память стал реальным барьером для российских ЦОДов. Запуск сервисов, требующих больших объемов оперативной памяти — будь то виртуализация высокой плотности, in-memory базы данных или контейнерные платформы — упирается не в серверные мощности, а в неподъемную стоимость модулей памяти или даже их физическую недоступность. Это вынуждает операторов и заказчиков пересматривать архитектуру проектов на этапе планирования, часто в ущерб производительности или масштабируемости.
-Влияет ли дорогая память на плотность размещения и эффективность ЦОД?
Влияет и очень сильно! Цены на оперативную память выросли в несколько раз, из-за чего приходится перераспределять нагрузки в ЦОДах, снижая эффективность на 40–50% при выполнении задач, требующих высокой производительности. В России это дополнительно бьет по системным интеграторам, вынужденным менять спецификации на ходу. Чтобы уложиться в бюджет, заказчики выбирают более компактные конфигурации с меньшим объемом памяти, жертвуя производительностью ради экономии. Однако такие решения повышают энергопотребление и усложняют охлаждение, что в свою очередь приводит росту операционных издержек. Резкий рост доли стоимости памяти в цене сервера увеличивает капитальные затраты. Это либо повышает стоимость аренды мощностей для клиента, либо снижает маржинальность для оператора. Эффективность инвестиций в инфраструктуру снижается.
-Как операторы ЦОД технически обходят рост цен на RAM?
Операторы ЦОД могут использовать комбинацию технических и контрактных мер. Например, стандартизировать платформы с оптимальными объемами памяти, отказавшись от избыточных конфигураций в пользу нескольких типовых. Это позволяет делать долгосрочные прогнозные закупки у поставщиков и получать лучшие условия. Снизить затраты поможет активное внедрение технологий, повышающих эффективность использования памяти, сюда относятся: более глубокая контейнеризация, тонкая настройка виртуальных машин, использование программно-определяемой памяти (если платформа позволяет), переход на гибридные архитектуры, когда комбинируют DRAM с более дешевой NAND. И конечно, сейчас важно научиться распределять доступные ресурсы памяти в первую очередь под высокомаржинальные и критически важные нагрузки.
-Какие нагрузки страдают от этого в первую очередь? Есть направления, которые не заметили роста цен?
В большей степени от повышения цен на оперативную память страдают ресурсоемкие нагрузки: ИИ-модели, big-data-аналитика, высокопроизводительные вычисления и гипермасштабируемые дата-центры, где память потребляется в максимальных объемах. Не заметить рост цен в современных реалиях невозможно, но некоторые компании, чьи потребности стабильны и скромны, могут перейти к более рациональным архитектурам, чтобы сгладить негативный эффект. Менее чувствительными к росту цен на память могут быть статические веб-сервисы, микросервисы с небольшой памятью, файловые и архивные хранилища. Однако и они страдают из-за общего роста TCO всей инфраструктуры ЦОД.
-Если цены на память не снизятся в течение года, что рынок сделает первым?
Рынок начал адаптироваться, цены, на мой взгляд, снижаться не будут, но могут выйти на плато. И в этом случае мы увидим ускорение процессов, которые уже идут. Переход от экстенсивного роста к инженерной эффективности станет массовым. Компании перенесут фокус на оптимизацию кода, архитектуры приложений, будут более рационально использовать имеющиеся ресурсы. Крупные игроки смогут диктовать условия через долгосрочные контракты, а рынок в целом откажется от кастомизации «под каждый проект» в пользу типовых, сбалансированных платформ. Заказчики пересмотрят свои ИТ-бюджеты, чтобы перенаправить средства с «железа» на софт, который позволит выжать максимум из существующей инфраструктуры (оркестрация, мониторинг, системы управления).
Контактное лицо: ГИГАНТ
Компания: ГИГАНТ
Добавлен: 21:51, 27.02.2026
Количество просмотров: 538
Страна: Россия
| Транспортные документы от Платформы ЭПД можно будет подписать в смартфоне, Платформа ОФД, 17:06, 17.08.2026, Россия608 |
| «Платформа ОФД» присоединилась к соглашению Минцифры России о развитии и внедрении мобильной электронной подписи «Госключ». Сотрудничество направлено на проработку новых сценариев использования сервиса, обмен технологической экспертизой и поддержку интеграции в продукты электронного документооборота. |
| UDV Group: банки столкнутся с ИБ-рисками из-за нейросетей без правил, UDV Group, 17:04, 17.08.2026, Россия599 |
| Российский разработчик решений в области киберустойчивости UDV Group прокомментировал рекомендации Банка России по безопасному использованию искусственного интеллекта финансовыми организациями. По оценке эксперта компании, ИИ постепенно становится для банков не только инструментом автоматизации, но и отдельным объектом управления информационной безопасностью. |
| ActiveCloud запустил в России услугу частного облака, ActiveCloud, 20:34, 16.08.2026, Россия677 |
| Облачный провайдер ActiveCloud запустил в России услугу частного облака для размещения критически важных систем, ресурсоемких приложений и инфраструктуры с повышенными требованиями к безопасности. |
| «НОБИЛИС» ПРЕДСТАВИТ ЦИФРОВУЮ ЭКСПЕРТИЗУ В СФЕРЕ КОРПОРАТИВНОГО ЗДОРОВЬЯ НА ВНОТ-2026, Нобилис ООО, 14:07, 14.08.2026, Россия791 |  |
| ООО «Нобилис», разработчик российской платформы управления корпоративным здоровьем TouchMED, объявляет об участии в ключевом отраслевом событии - XI Всероссийской неделе охраны труда (ВНОТ-2026). В фокусе презентации компании - практические инструменты цифровизации медосмотров, в том числе профилактических и предиктивной аналитики для снижения операционных рисков и повышения эффективности персонала. |
| Nexign: российский бизнес не спешит использовать ИИ для поиска аномалий, Nexign, 14:03, 14.08.2026, Россия134 |  |
| Почти 80% российских компаний уже применяют инструменты мониторинга своей ИТ-инфраструктуры, но лишь каждая шестая использует модели машинного обучения для обнаружения аномалий. Мешают нехватка внутренней экспертизы, низкое качество данных и сложность подсчета окупаемости инвестиций. |
|
|
