IOPS和吞吐量有什么区别？用读写块大小看懂存储性能

图解产业阿军编辑 · AI 辅助整理与编辑核查

在查阅企业级固态硬盘（SSD）、全闪存阵列或云存储卷的规格表时，IOPS 和吞吐量是出现频率最高的两个性能参数。许多初次接触硬件规格的读者常产生疑问：既然两者都代表性能，为什么有些设备标称几十万 IOPS 却无法跑出极高的数据传输速度？

核心区别在于：IOPS 衡量的是存储系统每秒完成的读写操作次数，不等于数据库事务数；吞吐量衡量的是存储系统每秒实际搬运的数据字节量，描述实际数据流量，不等于总线理论带宽。连接这两者的物理桥梁，正是单次操作中的读写块大小（Block Size）。本文不涉及网络带宽与下载测速，仅聚焦于本地及块级存储介质的 I/O 处理特性。

核心定义与换算关系

要读懂存储数据手册，需要先理清三个基础术语的物理含义：

IOPS（Input/Output Operations Per Second）：每秒输入/输出操作次数。它统计选定测量层上的读写操作，单位是“次/秒”。
吞吐量（Throughput）：每秒传输的有效数据量，行业常见单位为 MB/s（十进制，10^6 字节/秒）或 MiB/s（二进制，2^{20} 字节/秒）。
读写块大小（Block Size / I/O Size）：操作系统或应用程序发起单次读写时所操作的数据块容量。

在理想的稳态单次读写模型中，吞吐量与 IOPS 之间存在明确的数学关系：

理论吞吐量 = IOPS × 读写块大小

需要注意单位转换的一致性。如果块大小以二进制单位 KiB（1024 字节）或 MiB（1024 KiB）计量，换算为 MiB/s 时需采用相应倍率，避免十进制（KB/MB）与二进制单位混淆导致的标称误差。

假设案例分析：4 KiB 与 1 MiB 的性能表现

为了直观理解块大小如何决定两个指标的倾斜方向，我们设定一个基准设备并引入两种典型的假设测试场景。

注：以下数据为便于概念理解的理论推算模型，不代表特定厂商硬件的实测结果。

场景一：4 KiB 小块随机读写（以事务数据库为例）

下面假设应用发起 4 KiB 小块读写；数据库页和日志请求大小因系统而异。

假设条件：存储控制器在持续并发请求下达到 100,000 IOPS，每次请求大小恒定为 4 KiB。
吞吐量计算： 100,000 次/秒 × 4 KiB = 400,000 KiB/s ≈ 390.6 MiB/s
特征分析：此时系统承受着巨大的请求调度压力，如果 100,000 IOPS 是该工况的上限，IOPS 就已触顶，但物理总线上流经的数据量不到 400 MiB/s，是否触及通道上限还要核对具体设备。

场景二：1 MiB 大块顺序传输（以视频渲染与备份为例）

大文件连续归档、离线备份或高清多媒体回放倾向于采用大块连续读取，这里假设每次 I/O 为 1 MiB，并不代表所有备份软件都如此。

假设条件：该设备的物理总线吞吐量上限为 500 MiB/s，业务端发起连续 1 MiB 块传输。
IOPS 逆向计算： 500 MiB/s ÷ 1 MiB/次 = 500 IOPS
特征分析：此时数据通道已完全饱和，吞吐量达到硬件极值，但由于单次搬运数据量大，每秒仅需执行 500 次 I/O 操作。

这两个极端场景清晰展示了指标的局限性：脱离块大小单独谈论 IOPS 或吞吐量，无法准确描述存储系统的实际承载状态。

影响实际性能的关键现实因素

在真实服务器和生产环境中，比较不同层级或不同块大小的指标时，不能直接套用一个固定乘积；同一测量边界上应使用实际平均 I/O 大小。以下四个因素构成了存储性能的关键制约面：

1. I/O 拆分与合并机制

操作系统内核的文件系统层与通用块层具备合并连续小 I/O 的机制，以降低中断开销。反之，如果应用程序提交了超过控制器或驱动最大单次传输限制（如部分系统限制单次 I/O 最大为 256 KiB）的巨型请求，系统底层会将其自动拆分为多个碎片请求。拆分后，底层的实际操作次数会成倍增加。底层固态介质对小块写入与大块擦除的处理行为不同，具体可参考 DRAM与NAND闪存差异对擦写粒度的机制说明。

2. 队列深度（Queue Depth, QD）

固态存储器依靠内部多个通道和裸片（Die）并行工作。如果应用采用单线程同步 I/O（队列深度为 1），每次只能等待前一个请求完成，可供调度的并发较少，测得 IOPS 可能低于高队列测试值；而当队列深度加深时，并行能力被充分调度，IOPS 可能提高，直到其他瓶颈出现。然而，过深的队列会导致排队延迟（Latency）陡增，在性能评估中需权衡处理。结合不同的物理总线通道，诸如 NVMe与SATA接口解析中提及的多队列特性，其并发上限也有本质差异。

3. 访问模式：随机与顺序

顺序与随机访问会改变控制器、缓存和介质的工作方式。性能还受读写比例、缓存状态、设备填充度等影响，应对照同一负载条件的测试，不能把一种标称值推广到所有访问模式。

4. 实例与卷上限的“木桶效应”

在虚拟化与云存储场景中，性能边界通常不是单一维度的。根据官方技术参考（参见 AWS EBS I/O 特性文档），系统会根据单次 I/O 大小动态确定消耗的 IOPS 额度，且云主机实例的挂载通道与后端网络存储卷分别设有独立的 IOPS 与吞吐量峰值上限。无论后端卷标称能力多高，只要数据传输触及虚拟化宿主机的实例通道上限，整体性能便会受限于该瓶颈。

存储性能选型评估清单

在评估硬件规格或规划系统资源时，可参照以下维度逐项核对：

评估维度	小块随机工作负载（如数据库、缓存索引）	大块顺序工作负载（如备份、流媒体、日志归档）
典型块大小	以实际请求分布为准	以实际请求分布为准
主要性能瓶颈	IOPS 限制、单次请求响应延迟	总线物理带宽、吞吐量限制
首要考量参数	目标队列深度下的 IOPS、P99 延迟分布	持续顺序读写吞吐量（MB/s）
选型常见误区	盲目购买标称大吞吐量但随机小块 IOPS 偏低的设备	追求数百万级小块 IOPS 却受限于低带宽总线
环境制约检查	驱动层是否设置合理的并发队列深度	接口总线协议与主机传输通道是否跑满

下一步行动

识别业务特征：使用系统性能监控工具（如 Linux 下的 iostat -xz 1）观察实际运行环境中应用程序的平均请求大小（rareq-sz / wareq-sz），确认真实工作负载是偏向小块随机还是大块顺序。
补充架构概念：结合总线接口协议与存储介质特性的系列指南，补齐物理硬件层面的基础认知。
核对产品白皮书：在确认自身工作负载的平均 I/O 大小后，再调取具体厂商或云平台产品的官方基准测试白皮书，核实其标称测试所采用的块大小、队列深度与通道约束，从而做出准确的资源容量规划。

文中算例用于解释原理，具体参数请按引用资料与产品条件核对。发现问题，可将文章链接与依据发送至 support@packscena.com。