---
title: "「638 倍」這個數字不是頁面延遲"
description: "EFS 的 638 倍與 4 倍這兩組數字，實際意義都比表面看起來小得多。這篇說明每個 benchmark 各自量到什麼，以及在你挑儲存層級之前，該怎麼估自己的檔案系統需求。"
pubDate: 2026-11-13
tags: ["filesystem-benchmarking", "efs-latency", "nfs-attribute-cache", "container-storage-attachment", "posix-legacy-workloads"]
locale: zh-tw
canonical: https://mikeng.io/zh-tw/writing/638-stat-not-page-latency/
author: "Mike Ng Sin Ching"
authorUrl: https://mikeng.io/
---

兩個數字、兩種工作負載，而兩者量的都不是頁面延遲。638 倍講的是一次 `stat`，也就是在剛建立的檔案上做檔案詮釋資料查詢，EFS 對比區塊裝置。4 倍則是合成、以請求形狀設計的掃描中，`stat` 的彙總平均時間，對比本機磁碟區，而中位數差距其實只有 1.2 到 1.3 倍。平均值是真的，但它仍然不會告訴你哪一個請求慢。

文中引用的每一項發現都有名稱，連同背後的執行紀錄，全部放在[研究 repo](https://github.com/mikeng-io/aws-wordpress) 裡。

## 量測工具：需求量固定

這裡把 WordPress 當成樣本，它代表大多數環境都有的那一類軟體：在物件儲存還不普遍之前寫的，假設有 POSIX 檔案系統，而且從自己的核心程式碼、外掛、主題到模板階層都不停地查它。把應用程式當成黑盒子，是本研究的限制條件。我改的是 task 定義、掛載拓撲、容器映像、`php.ini` 與 opcache，還有 proxy；我不改應用程式本身。六年前我建過這套架構的天真版本，它在這裡是背景脈絡，不是研究對象。

以下每個數字都是單一 warm request 的計數。一個 warm request 大約發出 4,300 次檔案系統 syscall，其中約 3,900 次是 `stat`，而在我測過的所有 `php.ini` 設定裡，這個地板都沒有動過（warm request syscall 普查，`E0-n10`）。Cold request 是另一組數字，15,400 到 16,400 次操作，不會加進 warm 的計數。

| 量測項目 | 次數 |
| --- | --- |
| 首頁 / 產品頁 / wp-admin，syscall 總數 | 5,157 / 5,265 / 5,140 |
| 購物車與結帳頁（含實際商品），syscall 總數 | 5,941 / 5,884 |
| `wp-includes`（核心），檔案系統操作 | 約 103 |
| `wpforms-lite`，檔案系統操作 | 約 1,155 |
| Elementor / WooCommerce / 主題 / ACF | 590 / 528 / 214 / 137 |
| `ENOENT` 查找 | 約 1,600 |

端點那幾列是 syscall 總數，不是檔案系統呼叫數，所以數字高於普查；它們在內容頁與 WooCommerce 頁之間有 14 到 15% 的變動，而重複十次之間完全沒變（購物車與結帳的計數，`E0-cart-checkout`）。大約 1,600 次檔案系統呼叫回傳 `ENOENT`，也就是應用程式在問「這個檔案存不存在」。在區塊裝置上，這個問題幾乎不花成本；在網路檔案系統上，這是花了延遲卻什麼也沒學到。這陣風暴來自外掛程式碼而不是核心，是逐元件觀察到的；每個探測為什麼存在則是推論，因為我沒有把任何呼叫點追回 PHP 原始碼。

大家常建議的兩個設定，改變的是應用程式「多久問一次」，而不是「問多少」。關掉 `opcache.validate_timestamps` 會少掉約 700 次 `open`，以及在重新驗證視窗內約 1.8% 的 stat；而開啟驗證的設定，每個 `revalidate_freq` 視窗要付一次大約 +4,400 次 stat 的稅，預設 2 秒、調校後 60 秒（同一份普查，`E0-n10`）。我跑的三種設定，包括 `realpath_cache` 32 MB、TTL 3600 秒那一組，全都把地板留在約 3,900（PHP 設定比較，`E0-first-run`）。因為這筆稅每個視窗只付一次，所以在低流量網站上，攤到每個請求的效益最高。

## 兩個數字，兩種工作負載

![同一個比較，兩個分母。每次呼叫：638.2×，在剛建立的檔案上量測。每個請求：同一個檔案系統在接近真實的存取模式下，中位數 1.21× / 1.29× / 1.25×、平均值 3.91× / 4.43× / 5.19×、p99 88.7× / 125.9× / 87.6×（每個 replication 一個值）。對數刻度；run results/E2/20260910T163206Z-66dcff8, results/E5-formal/20261028T160106Z-dd5fce0。](https://mikeng.io/zh-tw/writing/638-stat-not-page-latency/figures/per-call-vs-per-request.svg)

在 EFS 上做一次 `stat`，耗時是區塊裝置上同一個呼叫的 638 倍。但在「請求形狀」的掃描中——檔案至少放了兩分鐘，一個客戶端大約每秒對每個檔案 `stat` 一次——彙總 `stat` 時間只有本機 EBS 相同掃描的 1.2 到 1.3 倍中位數、3.9 到 5.2 倍平均值。把這兩個比值乘起來，會得到一個沒有人量過的數字，我自己早期版本的發現就做過這件事；而 per-request 的結果也沒有推翻 per-call 的結果，它只是重新界定了範圍。你可能看過被單獨引用的 638 倍，那就是那份早期草稿。這些掃描用的是合成目錄樹，不是 WordPress 的請求路徑，而且這裡沒有任何數字是照上面 3,900 次呼叫的普查放大換算的。

| 層級 | stat p50 | open+read p50 | create p50 | unlink p50 |
| --- | --- | --- | --- | --- |
| Instance store | 1.3 µs | 5.2 µs | 19.7 µs | 7.5 µs |
| EBS gp3 | 1.3 µs | 5.3 µs | 19.9 µs | 7.6 µs |
| Fargate ephemeral | 1.8 µs | 5.7 µs | 21.9 µs | 11.4 µs |
| EC2 + EFS，Elastic throughput / One Zone / General Purpose / NFS 4.1 | 814 µs | 904 µs | 7.34 ms | 3.00 ms |
| Fargate + EFS，同設定 | 778 µs | 679 µs | 6.99 ms | 2.93 ms |

三個重複實驗、每組三個獨立部署彙整而來（per-call 層級矩陣，`E2-block-backed`）。文中所有比值都以未四捨五入的彙總 p50 計算，所以從這張四捨五入後的表重算，會得到 626 倍而不是 638 倍。區塊儲存底層在這裡分不出差異：instance store 對 EBS 在 `stat` 上是 1.00 倍、open+read 1.03 倍、create 1.01 倍、unlink 1.02 倍，p99 也跟著同樣走勢。跨過那條界線就完全是另一回事：`stat` 638 倍、`unlink` 399 倍、`create` 373 倍、open+read 174 倍。詮釋資料操作受到的影響遠大於小檔案的 `open+read`，而這正是問題的形狀：伺服器支撐的層級，在做這個讀取時遠比回答「檔案狀態」時來得好。這不是吞吐量測試，我也不會從中讀出任何關於搬移位元組的結論。

我的推論是問題在協定，不在硬體，而且這不是一個獨立驗證過的結果：沒有任何一次執行只變動協定，所以這個推論建立在三個區塊底層結果一致、以及六種 EFS 設定結果一致之上。四個候選變因量起來都在噪音範圍內，對比重複實驗之間 1.49 到 1.82 倍的地板：透過本機 `efs-proxy` 的傳輸加密（依掛載路徑不同，1.00 到 1.10 倍）、掛載拓撲（1.00 到 1.09 倍，而 ECS 代管路徑叫用的[是同一個 mount helper](https://docs.aws.amazon.com/efs/latest/ug/mount-helper-setting.html)，和手寫的沒兩樣）、EFS 路徑上 EC2 對 Fargate（`stat` 1.06 倍、`create` 1.01 倍），以及六種 EFS 設定，`stat` p50 從 683 到 786 µs，差距 1.15 倍，各設定對區塊組的倍數則落在 357 到 630 倍。彙總的 638 倍是標題比值；357 到 630 倍才是每個個別設定實際做到的範圍。這些都是同一件量測工具上的 per-call 發現，沒有任何一項被證明是尾部延遲的變因。

有兩組收集必須分開看：上面 Fargate ephemeral 那一列來自層級矩陣，而另一組獨立收集量了三個 Fargate task、4,020 個樣本（Fargate ephemeral 發現，`E3-fargate-ephemeral`）。再分開來看，EFS 是每個 task 掛載一次，不是每台主機掛載一次。同一台 `t4g.small` 上的兩個 task，task 定義與檔案系統都相同，卻產生兩個 NFS4 客戶端掛載、兩個 `efs-proxy` 行程，以及各自獨立的屬性快取（掛載隔離發現，`E1-mount-per-task`）。同機共置的 task 預設不會幫彼此暖快取，這也是為什麼一個 task 能確定在本機持有的程式碼，只有它自己寫在本機的那些。刻意共用主機掛載的作法我從未量測，因此不做任何一方的結論。

## 檔案年齡、快取歷史與計時器

![在每個 tier 建立測試檔案所需的秒數，每個 replication 一點：EFS 為 7.173 s / 6.502 s / 7.122 s，對比 ONTAP 的 0.9938 s / 0.9682 s / 0.9875 s。下一張圖說明這對 benchmark 意味著什麼。Run results/E2/20261015T000959Z-85382cc。](https://mikeng.io/zh-tw/writing/638-stat-not-page-latency/figures/cache-window-create-pass.svg)

per-call benchmark 會先建立一組檔案，幾秒後再對它 `stat`；工具跑一輪就是一次 create 掃描加一次 stat 掃描。FSx 那組揭露了這到底在量什麼：在每個 NFS 層級上，快的那些 `stat` 形成一段連續的尾端，對應最近建立的檔案，並在某個固定年齡結束（伺服器支撐層級矩陣，`E2-server-backed`）。

| 層級（固定設定） | 建立檔案集耗時 | 快速回答的 stat | 邊界年齡 |
| --- | --- | --- | --- |
| EFS，Elastic / One Zone / General Purpose / NFS 4.1 | 6.5 到 7.2 秒 | 31 到 38% | 2.30 到 2.48 秒 |
| FSx for OpenZFS，Single-AZ 64 GiB，128 MBps | 3.4 秒 | 68 到 70% | 2.91 到 2.92 秒 |
| FSx for ONTAP，Single-AZ gen-1 1024 GiB，128 MBps | 1.0 秒 | 100% | 整個掃描都在視窗內 |

create 掃描越快，stat 掃描開始時就有越多檔案還在有效視窗內，所以越多 `stat` 在本機就被回答。ONTAP 對 1,000 次 `stat` 只送出 8 個 `GETATTR` RPC，而它同組的 1.7 µs p50 是快取命中，不是一次往返。這屬於它 Single-AZ gen-1、1024 GiB、128 MBps 的那個配置點，不是 ONTAP 這個服務的性質。

這個邊界是 Linux 客戶端的 `acregmin`，預設 3 秒（[nfs(5)](https://man7.org/linux/man-pages/man5/nfs.5.html)），退避邏輯是從 kernel v6.1 的 `fs/nfs/inode.c` 讀來的，不是從這些執行推論出來的。每次重新驗證若檔案未變，逾時就加倍，3 秒、6 秒、12 秒、24 秒、48 秒、60 秒，上限是 `acregmax`，任何變更都會重置。所以超過 60 秒的檔案並不是產生 miss 的原因：計時器跟著這個客戶端上 inode 的重新驗證歷史走，這也是為什麼一個一年前寫的 PHP 檔，在 cold mount 上第一次被查找時，會像全新檔案一樣從 3 秒起算。

```mermaid
sequenceDiagram
    participant App as Application
    participant C as Linux NFS client
    participant S as Server

    Note over App,S: first touch on a cold client
    App->>C: stat
    C->>S: LOOKUP compound
    S-->>C: attributes, timer starts at acregmin
    C-->>App: answered

    Note over C: attributes valid, up to 60 s
    App->>C: stat again
    C-->>App: answered from memory, no RPC

    Note over C: validity elapses
    App->>C: stat after expiry
    C->>S: GETATTR
    S-->>C: unchanged, timeout doubles toward acregmax
    C-->>App: answered

    opt read delegation held, OpenZFS capability only
        App->>C: stat
        C-->>App: answered locally, timer never runs
    end
```

這樣就得出兩種不同的 miss 工作負載。第一次觸及 cold 客戶端——task 啟動、scale-out 或部署之後——要付一次 `LOOKUP` compound，在 EFS 各組量到是重新驗證成本的 2.8 到 4.4 倍，OpenZFS 是 1.04 到 1.08 倍（其中一次重複是 0.72 倍），ONTAP 是 1.08 到 1.44 倍（首觸與重新驗證比較，`E5-attribute-cache`）。那個大幅溢價是 EFS 的觀察，不是 NFS 的性質。穩態下的重新驗證，每個檔案大約每 `acregmax` 付一次 `GETATTR`：EFS 263 到 357 µs，OpenZFS 69 到 98 µs，ONTAP 109 到 111 µs。這修正了我自己先前的一個數字，也就是 per-call benchmark 得到的 827 µs EFS miss 成本，它在這裡重現不出來；這些數字是它的 0.32 到 0.43 倍，因為那是另一種 miss。

計時器能不能乾脆停掉，是協定能力問題。EFS 不能授予 NFSv4 delegation，所以 `OPEN` 永遠回傳 `OPEN_DELEGATE_NONE`（[EFS 限制](https://docs.aws.amazon.com/efs/latest/ug/limits.html)）；FSx for OpenZFS 可以授予 read delegation（[OpenZFS 效能指南](https://docs.aws.amazon.com/fsx/latest/OpenZFSGuide/performance.html)），而執行中在它上面數到 1,000 次 `DELEGRETURN`，EFS 與 ONTAP 都是零。持有 delegation 的客戶端會在本機回答 `stat`，計時器根本不會啟動。這是「有能力持有 delegation」，不是說每個 OpenZFS 存取都持有。

這套機制是文件與 kernel 支援的推論，和量到的邊界相符；真正能定案的做法是改 `actimeo`，然後看邊界跟著移動。用 20 µs 門檻來判定一次 `stat`「由客戶端記憶體回答」，是事後描述的規則。而缺陷在於指標的範圍，不在 benchmark 作者：對剛建立的檔案做 per-call 量測，等於在不同快取生命週期的位置上比較各層級——EFS 只有 31 到 38%、OpenZFS 68 到 70% 的 stat 落在視窗內，ONTAP 則是全部。它量到的是取決於建立歷史的命中與未命中混合物，不是一個均勻暖好的快取。

## 心跳：到期前幾乎打平

![每個請求加總的 stat 時間，從中位數到最大值排成階梯，EFS 與 EBS 對照組各三個 replication，同一對數刻度。對照組保持平直；EFS 在尾部離開它。間距是次序性的，不是時間軸。Run results/E5-formal/20261028T160106Z-dd5fce0。](https://mikeng.io/zh-tw/writing/638-stat-not-page-latency/figures/heartbeat.svg)

第二件工具會在量測前至少 120 秒，從另一個掛載點先播種檔案，所以每個量測掛載點遇到它們時都是 cold 的。一個客戶端每 0.1 秒、每 1 秒或每 10 秒對每個檔案 `stat` 一次，暖機 300 秒、量測 600 秒。Miss 是從 `mountstats` 的 RPC 計數器判定，而不是用延遲門檻，因為計數器會告訴你呼叫有沒有上網路，計時器只告訴你花多久。那些計數器算的是 RPC 操作，跟檔案 miss 事件不是同一個量，所以我引用比率，而不把它換算成命中百分比。

在一秒一次的節奏下，EFS 每筆正向 `stat` 約 0.017 次 RPC 操作；0.1 秒時是 0.0017，10 秒時是 0.16。所以在現實節奏下，網路活動很低，客戶端幾乎全靠記憶體回答。這換來的中位請求是大約 2 ms 的彙總 stat 時間，三次重複分別是 2.14 / 2.09 / 1.88 ms，對比 EBS 的 1.77 / 1.63 / 1.50 ms。平均值是 3.91 倍、4.43 倍、5.19 倍。p99 是 151 到 217 ms，最大值 233 到 262 ms（節奏發現，`E5-attribute-cache`）。這些全是 EC2 純主機掛載組的彙總 `stat` 時間，不是端到端頁面延遲，也不是 WordPress 路徑。

集中度讓這個形狀變得可讀。前 5% 的請求承載了 82.9%、89.4%、82.5% 的 NFS RPC 操作。在第一次重複的原始逐請求計時中（我是人工檢視，不是靠提交的推導程式），慢於 20 ms 的請求在 EFS 上以 56 到 59 秒的間隔成群出現，EBS 控制組則從未出現。那次檢視只涵蓋一次重複。它與 60 秒視窗、以及「一起編譯的檔案一起到期」相符，兩者都還是推論；資料中沒有任何東西能把同步到期和 burst 出現的其他原因分開。

Lustre 是「屬性計時器買不到什麼」的對照組：它慢呼叫的比例在每個間隔都維持在 0.157 到 0.335%，對比實驗設下的 1% 上限；同時段的 EBS 控制組是 0.0000 到 0.0243%，配置為 Scratch 2、1200 GiB、版本 2.15。這是延遲觀察，不是鎖定狀態的證明。

平均值是最容易讀錯的地方。它量到的彙總 stat 時間是真實工作，也是估算總等待時間模型時站得住腳的輸入，只要那個模型談的是總量；它做不到的是描述典型請求（大約 2 ms），或描述集中的停頓（151 到 217 ms）。這份彙總等待會不會變成機群成本，取決於並行度、worker 佔用率與你的延遲目標，而這三件事本研究都沒量。

## 啟動類型決定你能選什麼

![由 client memory 直接回答的 stat 佔比，依據正文說明、並標明是事後回看才定下的描述性規則：EFS 33.5% / 37.8% / 30.9%，ONTAP 100% / 100% / 100%。建立檔案最快的 tier 看起來最快，因為它的檔案仍在 attribute-cache 窗口內。Run results/E2/20261015T000959Z-85382cc。](https://mikeng.io/zh-tw/writing/638-stat-not-page-latency/figures/cache-window-fast-share.svg)

下面這張表編碼的規則：你能用哪些層級，在你的啟動類型就決定了，任何效能問題都還來不及問。

| 層級 | 在 EC2 上 | 在 Fargate 上 | 決定因素 |
| --- | --- | --- | --- |
| EFS | ECS 代管 volume，或主機掛載後 bind | ECS 代管 volume，平台 1.4.0+ | mount helper、port 2049 |
| EBS gp3 | ECS volume 或 root volume | AWS 文件列為 volume 選項 | 沒有實測的 Fargate 組 |
| FSx for Lustre | 主機掛載後 bind | 不支援 | 不是 ECS volume 類型 |
| FSx for OpenZFS | 主機掛載後 bind | 不支援 | 不是 ECS volume 類型 |
| FSx for ONTAP | task 定義 volume、原生 NFS | 只有 S3 Access Points，S3 API 不是 POSIX | 原生 NFS 得用 EC2 |
| S3 Access Points | S3 API | 可達，但不是掛載 | 物件語意，不是 POSIX |

上表的可用性是文件記載，不是我量出來的（[ECS data volumes](https://docs.aws.amazon.com/AmazonECS/latest/developerguide/using_data_volumes.html)）。FUSE 層級缺席是平台原因，不是測試結果：它們需要 `CAP_SYS_ADMIN`，而 Fargate 只允許加一個 Linux capability，就是 `CAP_SYS_PTRACE`（[Fargate task 注意事項](https://docs.aws.amazon.com/AmazonECS/latest/developerguide/fargate-tasks-services.html)）。研究中每一項 FUSE 量測都在 EC2 上做，沒有任何一項在 Fargate 上嘗試過。

| 層級 | 固定設定 |
| --- | --- |
| EFS | Elastic throughput、One Zone、General Purpose、傳輸加密開啟、NFS 4.1 |
| FSx for OpenZFS | Single-AZ、64 GiB、128 MBps provisioned（不是 64 MBps 的地板）、壓縮 NONE |
| FSx for ONTAP | Single-AZ gen-1、1024 GiB、128 MBps、無快照、儲存效率關閉 |
| FSx for Lustre | Scratch 2、1200 GiB、版本 2.15、以 `-o flock` 掛載 |

每一列是一個配置點，不是整個服務的延遲性質。Provisioned throughput 決定 FSx 檔案伺服器記憶體中詮釋資料快取的大小，所以 OpenZFS 與 ONTAP 的數字有一部分就是這個上限；Scratch 2 不是 Persistent，這裡沒有任何東西描述 Persistent 部署類型。加密的 EFS 那一列屬於 per-call 實驗；上面節奏的結果來自純主機掛載組。

量了三個檔案系統，而誠實的結論比「淘汰」窄得多。JuiceFS 達到 `stat` p50 104.6 µs，`create` 29.2 ms，主要由把檔案本體寫到 S3 所支配；它登記要回答的問題是「物件儲存支撐的使用者空間檔案系統，能不能在詮釋資料上快 EFS 一個數量級」，而它以比 EFS cache-miss p50 快 7.5 倍作收，結果是未定論，不是勝也不是敗（FUSE 結果，`E2-fuse`）。SeaweedFS 達到 `stat` 20.2 µs、`create` 2.28 ms，通過 11 項一致性檢查中的 11 項，這讓它在 EC2 上成為本研究沒有對應用程式實測過的真實選項。Mountpoint for S3 在每次重複中，11 項單節點檢查都失敗 8 項，包括 `rename` 不會覆蓋、`mtime` 不會前進，所以它沒有延遲表：語意上的失敗不該被平均進效能排名裡。三者共同的特性是都不能用 Fargate，這是平台排除，不是對軟體的評價。

## 注水（hydration）消除了到期事件

![EFS 與在啟動時 hydrate 到 task-local storage 的程式碼樹，兩者的 stat 延遲，p50 到 p99，同一對數刻度。hydration 在啟動時要付多少代價，正文已經說明。間距是次序性的。Run results/E4/20261029T091909Z-842d596。](https://mikeng.io/zh-tw/writing/638-stat-not-page-latency/figures/hydration.svg)

啟動時把唯讀程式碼樹從 EFS 注水到 task 自己的 ephemeral 儲存，並不會消除檔案系統存取；它消除的是那條讀取路徑上的遠端屬性快取到期。三個獨立部署，Fargate 1.4.0、ARM64、0.5 vCPU 與 1 GiB、20 GiB ephemeral（注水發現，`E4-hydration`）：

| 量測項目 | 在 EFS 上 | 注水後 | 比值 |
| --- | --- | --- | --- |
| `stat` p50 | 1.3884 ms | 3.061 µs | 0.00220 |
| `open_read` p50 | 2.7109 ms | 11.667 µs | 0.00430 |
| Tar 解壓縮，27,412,480 bytes | n/a | 0.218 / 0.444 / 0.429 秒 | 相同位元組下 2.04 倍差距 |
| 第一次 log 到 benchmark 開始，兩組之間 | n/a | 0.051 / 0.192 / 0.265 秒 | 有混淆，見下文 |

上面那個 3.061 µs 與 0.00220 是實驗回報的摘要值，逐操作量在 task 本機儲存上。每次重複都成立的是它們背後的驗收門檻：注水後不得比 EFS 的 `stat` 成本差過十分之一，`open_read` 成本不得差過五分之一；逐次執行的結果在摘要值附近變動，而不是一位數一位數地重現。本機分布是單峰的，`stat` p99 為 6.023 µs，`ENOENT` p99 為 22.6 µs，重點就在這裡：本機檔案系統沒有重新驗證計時器，所以沒有事件會到期。

我預測注水會讓 benchmark 至少晚 0.5 秒才開始，這個預測錯在便宜的方向。解壓縮本身花了 0.218 到 0.444 秒，而兩組之間第一次 log 到 benchmark 的差值落在 0.051 到 0.265 秒，其中包含遠端一致性寫入與排程噪音，所以我不會把那個差值記成注水的因果開銷，也不會當成完整啟動時間。

這不是一個量到的請求延遲結果。注水後的程式碼樹從未在節奏工具的負載下跑過，所以 151 到 217 ms 的停頓並未被證明會消失，兩者之間的連結是從兩個獨立結果推出的推論。它也很特定：唯讀程式碼樹、27 MB 而非正式安裝、沒有 write-back adapter、沒有機群更新或失效行為、沒有端到端延遲量測。它處理的是某一條路徑上的到期事件。它沒有讓可變的應用程式狀態變成本機，而且它是眾多選項中一個有界的選項，不是唯一還站著的選項。

## 稽核筆記：這份研究能確立什麼

| 研究問的問題 | 結果 |
| --- | --- |
| 每個伺服器支撐的層級，在 `stat` 上都會比區塊組慢 10 倍以上嗎？ | 機械性地被否證：表面上的反例是客戶端快取命中而不是伺服器查找，所以這個否證本身沒有資訊量 |
| 第一次觸及比重新驗證更貴嗎？ | 在 EFS 上是，2.8 到 4.4 倍；登記的 1.0 到 3.0 區間被兩邊否證——EFS 各組高於它，一次 OpenZFS 重複以 0.72 倍低於它 |
| 一個請求會付到 per-call 的比值嗎？ | 不會：平均值落在其支持上界內，且遠低於否證門檻（節奏發現，`E5-attribute-cache`） |
| 注水成本會低於我在 benchmark 開始前預測的 0.5 秒地板嗎？ | 不會；解壓縮花了 0.218 到 0.444 秒，所以預測被否證，而兩組之間的差值混淆太深，無法替代它 |
| 注水能消除請求停頓嗎？ | 未證明；從未在節奏工具下跑過 |

預測都在執行前登記，在設計允許時做三次重複，每個服務都在單一配置點上量測。網路活動以 RPC 計數器為依據，wall-clock 延遲永遠不會成為「呼叫有沒有離開客戶端」這類主張的依據。20 µs 的快取命中門檻、只做一次重複的群集檢視、以及同步到期的解釋，在出現之處都標為事後推論。沒有量測端到端請求延遲，沒有節奏相符的 Fargate 執行，沒有測試刻意共用的主機掛載，購物車與結帳流量只有計數，沒有端到端埋點。

## 星期一：決策清單

1. 在比較任何儲存層級之前，先數一個 warm request 的檔案系統需求。你沒有量到的需求數字，沒辦法用來估算容量。
2. 先確認你的啟動類型到底能掛哪些東西，因為對你不存在的選項，不是一個比較慢的選項。
3. 先測應用程式需要的 POSIX 語意。`rename` 與 `mtime` 正是物件儲存掛載會失敗的地方，而正確性失敗是排除條件，不是排名。
4. 用自己的節奏量，用 RPC 計數器而不是碼錶，因為新檔矩陣和請求形狀的掃描回答的是不同問題。
5. 每次重複引用數字，都要連配置點一起講。Single-AZ OpenZFS 128 MBps 和 Single-AZ gen-1 ONTAP 1024 GiB 是設定，不是服務本身。
6. 如果你需求中的程式碼那一側是唯讀的，可以考慮注水到 task 本機儲存，並同時量解壓縮成本與逐操作結果。如果不是唯讀，這個選項就不適用於你。

對這個工作負載來說，儲存層級決定尾部的形狀，也同樣決定平均值；而消除到期事件的干預，是改變程式碼從哪裡被讀取。平均懲罰仍然存在，任何計算總 stat 等待的帳都該算進去；它從來沒描述的是單一請求，而使用者記得的請求，是 p99 的那些。
