作為AI原生存儲,3FS的鏈式復制機制、FFRecord格式優(yōu)化等創(chuàng)新設計,不僅重新定義了AI存儲的技術標準,更凸顯了專用存儲系統(tǒng)在支撐超大模型推理中的不可替代性。

從技術角度看,曙光存儲ParaStor與3FS呈現出高度趨同性,二者通過相似的技術路徑共同推動著AI基礎設施的進化。

高性能數據存儲為AI集群釋放算力

?曙光ParaStor和3FS都是典型的高性能并行文件系統(tǒng),這類系統(tǒng)堪稱是最適合AI的數據存儲。

兩者均以RDMA技術為核心傳輸協(xié)議,通過零拷貝機制將網絡延遲降至微秒級,有效解決了傳統(tǒng)TCP/IP協(xié)議棧在AI集群中產生的CPU資源爭用問題,使200Gbps網卡利用率突破90%。在此基礎上,兩者創(chuàng)新性引入硬件卸載技術,將數據校驗、協(xié)議解析等任務交由智能網卡處理。

實測顯示,硬件卸載可使存儲讀響應時間縮短40%,同時釋放30%以上CPU算力用于模型推理。

這種“存儲即服務”的設計理念,徹底顛覆了傳統(tǒng)存儲依賴CPU資源的模式,為AI集群釋放出更多算力空間。

AI專屬優(yōu)化:IO特征適配與智能緩存

針對AI訓練特有的小文件高并發(fā)、數據訪問局部性及混合負載特性,曙光存儲ParaStor和3FS均構建了多層優(yōu)化體系:

元數據分片技術:將百萬量級小文件的元數據請求分散至多個控制節(jié)點,使查詢吞吐量提升5倍以上,支撐萬級客戶端并發(fā)訪問。

智能預取與緩存分層:通過分析訓練任務的數據訪問模式,提前將數據從HDD預加載至NVMe緩存,使ResNet-152單epoch訓練時間縮短18%。

QoS感知調度引擎:動態(tài)分配帶寬與IO優(yōu)先級,確保模型訓練關鍵路徑的服務質量。

彈性進化:EB級存儲的無縫擴展能力

為滿足大模型訓練對海量數據的需求,曙光存儲ParaStor與3FS均采用去中心化架構:

全局命名空間:整合跨地域、跨介質存儲資源,支持千億文件統(tǒng)一管理。

無狀態(tài)彈性擴展:節(jié)點可在線擴展至數千個,容量與性能隨節(jié)點增加線性提升,在GPT-3級場景中實現超1TB/s聚合帶寬。

自適應糾刪碼策略:對熱數據采用多副本保障性能,溫冷數據采用EC 8+3編碼,使空間利用率突破85%。

軟硬一體:構建自主可控的AI存儲基座

3FS的技術突破與ParaStor的國產化創(chuàng)新,共同印證了一個行業(yè)共識:硬件加速、場景化優(yōu)化與分布式架構的深度融合,是突破“存儲墻”的必由之路。

在共性技術之外,曙光ParaStor依托國產硬件生態(tài)優(yōu)勢,實現了自研SSD控制器與智能網卡的協(xié)同優(yōu)化,在國產AI芯片適配性上展現出獨特價值。這種自主可控的技術路徑,不僅提升了系統(tǒng)的穩(wěn)定性與安全性,更為我國AI產業(yè)發(fā)展提供了堅實的基礎設施保障。

songjy