? Что скрывается под капотом Synology NAS? Мы привыкли считать его удобным и простым решением «всё‑в-одном», но на самом деле это сложная система с десятками собственных слоёв, интерфейсов и оптимизаций. Рассмотрим его возможности!

Сегодня мы разберём Synology как инженер, а не как пользователь:

• Как реализованы метаданные в Btrfs и зачем Synology держит их кэш отдельно

• Почему Docker тормозит, и как это исправить

• Как предсказание поведения пользователя влияет на производительность

• Как собрать своё машинное хранилище на базе Synology и не убить IO

? Btrfs: больше чем файловая система

В Synology Btrfs используется не как просто ФС, а как динамический backend, позволяющий:

• делать atomic snapshot'ы

• управлять CoW-клонами

• изолировать данные контейнеров

• прогнозировать IO

Btrfs — это дерево B+, в котором:

• корневой узел — tree_root

• метаданные хранятся в inode_item

• каждый файл — это логическая структура extent → блоки данных

Synology же добавляет:

• Слой кэшируемых inode (в RAM)

• Фоновую дефрагментацию extent'ов с минимальным IO

• Демон-предсказатель поведения — synoelasticd

? CoW-ловушка: как Docker вызывает фрагментацию

Проблема

Каждый слой Docker вызывает:

1. Snapshot Btrfs

2. Разделение extent-блоков

3. Рост CoW-фрагментов

На практике это выглядит как:

• docker build на Synology с Btrfs → ⏱️ 3–10x медленнее, чем на ext4

• docker-compose up со множеством volume → лаги в IO

Решение

# Перенос Docker data на ext4-том
mkdir /volume1/docker-ext4
mount -t ext4 /dev/mapper/dockerdata /volume1/docker-ext4

или

# Выключение теневых snapshot'ов
sudo synoservicecfg --disable synobtrfs_snapshotd

? Альтернатива — использовать rsync --inplace вместо обычной копии, чтобы обойти CoW.

? Реальные метрики: тест на 20.000 файлов

? Как работает synoelasticd: обучение на основе поведения

Этот демон ведёт лог активности пользователя:

• time -> file -> access type

• строит временные модели

• подгружает inode и dentry в RAM, ещё до того, как вы нажали "Открыть"

? Сторонний инструмент для анализа поведения — iostat + dstat + atop, с визуализацией на Grafana.

? Эксперимент: ускорение AI-пайплайна на Synology

Предположим, вы хотите хранить на NAS:

• модели HuggingFace

• датасеты .npz и .parquet

• результаты инференса

Проблема: каждое чтение больших моделей вызывает CoW и Btrfs-фрагментацию.

Решение: вручную управляемая reflink-модель

# Создание clone-on-write копии модели
cp --reflink=always llama-3-8b /volume1/cache/llama-active

# Работа ведётся с клон-версией
python infer.py --model_path=/volume1/cache/llama-active

В результате:

• никаких реальных копий

• нет повторной записи одних и тех же данных

• гораздо меньше IO

? Open-source tweak script: synotune.sh

#!/bin/bash

# Отключаем CoW на временной папке
chattr +C /volume1/tmp

# Отключаем авто-snapshot’ы
synoservicecfg --disable synobtrfs_snapshotd

# Превентивно создаём reflink-клоны
cp --reflink=always /volume1/models/base /volume1/tmp/model

echo "Synology NAS оптимизирован под AI + Docker"

?️ Неочевидный совет: использовать @cache вручную

Папка /volume1/@cache/ часто недоступна напрямую, но:

• вы можете смонтировать её временно как scratch-диск

• использовать как /tmp-аналог без CoW

mount --bind /volume1/@cache /mnt/nocow

? Полезно для:

• сборки видео

• временных слоёв контейнеров

• live-записи в OBS/FFmpeg

? Заключение

Synology NAS — это не просто устройство для хранения, а целая экосистема, где продуманные до мелочей механизмы Btrfs, кэширования и предсказания поведения пользователя работают в связке, чтобы обеспечить стабильность и высокую производительность. Понимание этих скрытых слоёв даёт возможность не только эффективно использовать устройство, но и адаптировать его под свои узкоспециализированные задачи — от AI-пайплайнов до мультимедийных серверов.

И это лишь малая часть его возможностей!