Адаптер Dell Mellanox ConnectX-6 DX (540-BCXN) в низкопрофильном исполнении предлагает двухпортовую 100-гигабитную связность через интерфейс QSFP56 для компактных 1U и 2U серверов Dell PowerEdge. Базирующийся на платформе ConnectX-6 DX SmartNIC с PCIe 4.0 x16, адаптер достигает суммарной пропускной способности 200 Гбит/с и интегрирует аппаратное ускорение для виртуализации, контейнеризации, безопасности и storage offload. Low Profile форм-фактор позволяет установку в плотные серверные конфигурации без ущерба для функциональности.

Применение

Гиперконвергентная инфраструктура

ConnectX-6 DX идеально подходит для HCI-решений, где вычисления, хранилище и сеть объединены в одном сервере. Поддержка RoCE v2 обеспечивает низколатентный доступ к распределённым системам хранения типа Ceph или vSAN, а аппаратное ускорение RDMA снижает задержки до уровня, сопоставимого с локальными накопителями.

Контейнерные платформы и Kubernetes

Аппаратный OVS offload и поддержка SR-IOV с сотнями виртуальных функций делают адаптер оптимальным выбором для Kubernetes-кластеров с тысячами подов. Технология ASAP2 переносит функции сетевого коммутатора из ядра ОС на чип адаптера, освобождая CPU для контейнерных рабочих нагрузок.

Технические характеристики

Разница между 540-BCXN и 540-BCXO?

540-BCXN — Low Profile для установки в компактные 1U/2U серверы, 540-BCXO — Full Height для стандартных шасси. Функционал идентичен.

Поддерживается ли работа с Ceph/vSAN?

Да, RoCE v2 обеспечивает RDMA для низколатентного доступа к распределённым storage-системам. Ceph и VMware vSAN полностью поддерживаются.

Можно ли использовать QSFP28 модули?

Да, QSFP56 порты обратно совместимы с QSFP28 модулями и DAC-кабелями для работы на скоростях до 100 Гбит/с.

Что такое inline crypto?

Inline encryption — аппаратное шифрование IPsec/TLS на адаптере без нагрузки на CPU. Обеспечивает безопасность данных при передаче без снижения производительности.

Подходит ли для AI/ML кластеров?

Да, GPUDirect RDMA позволяет GPU-ускорителям обмениваться данными напрямую через сеть, минуя CPU и память хоста, что критично для распределённого обучения моделей.