浪潮信息Lance SUN：高效數(shù)據(jù)編排，加速數(shù)據(jù)在AI場(chǎng)景釋放潛能

北京2024年7月2日 /美通社/ -- AIGC作為當(dāng)下最火的技術(shù)話題，其業(yè)務(wù)流程涉及到數(shù)據(jù)的采集、處理、訓(xùn)練、推理和歸檔五個(gè)階段，每個(gè)階段都面臨著不同的存儲(chǔ)需求和挑戰(zhàn)。隨著數(shù)據(jù)量的爆炸性增長(zhǎng)，特別是隨著多模態(tài)數(shù)據(jù)的快速增長(zhǎng)，對(duì)存儲(chǔ)系統(tǒng)的擴(kuò)展性和服務(wù)兼容性也提出了新的挑戰(zhàn)。

在2024年數(shù)據(jù)基礎(chǔ)設(shè)施技術(shù)峰會(huì)上，浪潮信息分布式存儲(chǔ)產(chǎn)品線架構(gòu)師Lance Sun博士發(fā)表了題目為"高效數(shù)據(jù)編排，加速釋放數(shù)據(jù)潛能"的主旨演講，詳細(xì)討論了高效數(shù)據(jù)編排對(duì)于解決上述挑戰(zhàn)，并釋放數(shù)據(jù)潛能的重要性。

AIGC帶來(lái)的存儲(chǔ)挑戰(zhàn)凸顯了數(shù)據(jù)的重要性

首先，Lance Sun博士詳細(xì)介紹了AIGC對(duì)存儲(chǔ)提出的需求和挑戰(zhàn)，讓我們對(duì)AIGC的業(yè)務(wù)流程和對(duì)數(shù)據(jù)存儲(chǔ)的需求有了更深入的認(rèn)識(shí)。

第一個(gè)是巨量多模態(tài)數(shù)據(jù)的挑戰(zhàn)。很多大語(yǔ)言模型都采用了來(lái)自Common Crawl的數(shù)據(jù)集，這個(gè)組織在過(guò)去17年已經(jīng)采集了2500億網(wǎng)頁(yè)，現(xiàn)在還在持續(xù)收集更多。IDC預(yù)測(cè)，到2025年，全球數(shù)據(jù)總量將超過(guò)175ZB，這種增長(zhǎng)對(duì)存儲(chǔ)系統(tǒng)的多樣性和擴(kuò)展性帶來(lái)了挑戰(zhàn)。

第二個(gè)挑戰(zhàn)是對(duì)超大讀寫(xiě)帶寬的需求。在訓(xùn)練階段，checkpoint的管理是關(guān)鍵，良好的存儲(chǔ)性能應(yīng)在12分鐘內(nèi)完成checkpoint的讀寫(xiě)操作，確保不拖慢整個(gè)訓(xùn)練過(guò)程。同時(shí)，由于GPU成本高昂，更高的存儲(chǔ)性能可以減少顯卡的等待時(shí)間，減少資源浪費(fèi)。

第三個(gè)挑戰(zhàn)是對(duì)于讀寫(xiě)IOPS的更高需求。千億級(jí)文件的快速訪問(wèn)對(duì)IOPS有著極高要求，在某些采用shuffle洗牌策略的訓(xùn)練過(guò)程，如果IOPS性能不夠，會(huì)導(dǎo)致元數(shù)據(jù)服務(wù)器產(chǎn)生大量的通信阻塞，同時(shí)會(huì)造成GPU集群等待，影響訓(xùn)練效率，造成資源浪費(fèi)。

第四個(gè)挑戰(zhàn)在于數(shù)據(jù)全生命周期管理。在數(shù)據(jù)清洗和標(biāo)注算法日益發(fā)展的今天，數(shù)據(jù)作為企業(yè)的核心資產(chǎn)，企業(yè)需要對(duì)數(shù)據(jù)進(jìn)行長(zhǎng)期保存。于是，如何將數(shù)據(jù)以較低的成本安全存儲(chǔ)起來(lái)，也成為更重要的課題。

為了說(shuō)明高質(zhì)量數(shù)據(jù)的重要性，Lance Sun博士還提到了ImageNet數(shù)據(jù)集。作為高質(zhì)量的數(shù)據(jù)集，它極大地推動(dòng)了深度學(xué)習(xí)算法的發(fā)展。2012年，AlexNet在ImageNet挑戰(zhàn)賽上取得成功，這不僅驗(yàn)證了深度學(xué)習(xí)模型處理復(fù)雜視覺(jué)任務(wù)的能力，也激發(fā)了后續(xù)研究和多種新算法的產(chǎn)生。

由此可見(jiàn)，數(shù)據(jù)的采集和高質(zhì)量的數(shù)據(jù)清洗，對(duì)AI的發(fā)展至關(guān)重要的。過(guò)去十多年的時(shí)間里，語(yǔ)言類模型的數(shù)據(jù)集規(guī)模，模型參數(shù)規(guī)模，AI芯片計(jì)算能力和數(shù)據(jù)存儲(chǔ)需求都發(fā)生了顯著變化。

AIGC在數(shù)據(jù)歸集面臨的挑戰(zhàn)與浪潮信息的解決之道

在數(shù)據(jù)存儲(chǔ)方面，隨著數(shù)據(jù)集規(guī)模和多樣性增加，越發(fā)依賴更大規(guī)模的存儲(chǔ)服務(wù)器集群。Lance Sun博士介紹稱，很多傳統(tǒng)行業(yè)都積累了大量數(shù)據(jù)，這些數(shù)據(jù)需要在不同的存儲(chǔ)系統(tǒng)間進(jìn)行高效的數(shù)據(jù)流轉(zhuǎn)以支持AI和大數(shù)據(jù)分析，這在現(xiàn)有的存儲(chǔ)架構(gòu)中造成了數(shù)據(jù)流動(dòng)的效率問(wèn)題。

事實(shí)上，多數(shù)據(jù)中心和異構(gòu)存儲(chǔ)環(huán)境中數(shù)據(jù)遷移面臨很多挑戰(zhàn)，對(duì)此，Lance Sun博士總結(jié)了三點(diǎn)：

第一點(diǎn)，數(shù)據(jù)訪問(wèn)分散。數(shù)據(jù)遷移的過(guò)程對(duì)用戶來(lái)說(shuō)是不透明的，嚴(yán)重依賴第三方遷移軟件，而且受網(wǎng)絡(luò)波動(dòng)和存儲(chǔ)性能的影響，容易導(dǎo)致數(shù)據(jù)遷移時(shí)間過(guò)長(zhǎng)，增加操作的不確定性和復(fù)雜性。

第二點(diǎn)，空間和時(shí)間成本的浪費(fèi)。遷移過(guò)程常用糾刪或副本機(jī)制來(lái)提高可靠性，但這會(huì)導(dǎo)致時(shí)間和空間成本大幅增加。此外，這一過(guò)程還嚴(yán)重依賴于第三方遷移軟件的性能，不同存儲(chǔ)平臺(tái)的使用容量差異可能導(dǎo)致數(shù)據(jù)副本遷移時(shí)出現(xiàn)容量不均衡問(wèn)題。

第三點(diǎn)，運(yùn)維復(fù)雜性增加。由于不同存儲(chǔ)產(chǎn)品的特性差異，使得存儲(chǔ)廠商各自發(fā)展出不同的運(yùn)維管理系統(tǒng)，數(shù)據(jù)的頻繁遷移或長(zhǎng)時(shí)間遷移導(dǎo)致數(shù)據(jù)管理混亂，導(dǎo)致運(yùn)維時(shí)間和成本顯著增加。

為了應(yīng)對(duì)多數(shù)據(jù)中心和異構(gòu)存儲(chǔ)環(huán)境中數(shù)據(jù)管理和遷移挑戰(zhàn)，浪潮信息存儲(chǔ)進(jìn)行了大量工作，基于AS13000構(gòu)建了一套全局?jǐn)?shù)據(jù)管理平臺(tái)。

在全局?jǐn)?shù)據(jù)管理平臺(tái)的最上層，通過(guò)一個(gè)統(tǒng)一的全局命名空間提供用戶視角的完全統(tǒng)一，確保所有數(shù)據(jù)都可以通過(guò)一個(gè)統(tǒng)一的入口進(jìn)行訪問(wèn)和管理，極大地簡(jiǎn)化了數(shù)據(jù)操作流程。

第二個(gè)層面，系統(tǒng)支持多種標(biāo)準(zhǔn)協(xié)議接口，包括Linux的NFS、對(duì)象存儲(chǔ)的S3、大數(shù)據(jù)的HDFS、容器化的CSI接口以及Windows環(huán)境下的SMB協(xié)議。這樣的設(shè)計(jì)使得平臺(tái)能夠廣泛兼容各種應(yīng)用和環(huán)境，滿足不同場(chǎng)景的需求。

最后一層，AS13000引入了智能數(shù)據(jù)編排和緩存系統(tǒng)。智能數(shù)據(jù)編排引擎利用人工智能算法自動(dòng)讓數(shù)據(jù)在熱、溫、冷存儲(chǔ)之間的流轉(zhuǎn)，優(yōu)化數(shù)據(jù)存儲(chǔ)效率。而高效的緩存系統(tǒng)可以為短期內(nèi)頻繁使用的極熱數(shù)據(jù)提供快速訪問(wèn)能力，加速數(shù)據(jù)的流轉(zhuǎn)。

最終，用戶可以基于AS13000的全局?jǐn)?shù)據(jù)管理平臺(tái)實(shí)現(xiàn)數(shù)據(jù)在任何地點(diǎn)，任何時(shí)間以任何類型可視可管可流動(dòng)。

Lance Sun博士還指出了市場(chǎng)上一些方案的不足。比如，一些方案在數(shù)據(jù)采集階段使用了混閃對(duì)象存儲(chǔ)，而在訓(xùn)練階段使用全閃存儲(chǔ)技術(shù)。然而，數(shù)據(jù)在兩個(gè)存儲(chǔ)集群的流轉(zhuǎn)非常低效，數(shù)遷移過(guò)程中，經(jīng)常由于網(wǎng)絡(luò)波動(dòng)造成文件斷傳。

相比之下，AS13000由于在一套系統(tǒng)內(nèi)引入了多協(xié)議融合互通技術(shù)，直接省去了數(shù)據(jù)遷移的過(guò)程，大大提高了訓(xùn)練數(shù)據(jù)的準(zhǔn)備效率，以確保數(shù)據(jù)在訓(xùn)練和處理階段的高效率和低延遲訪問(wèn)。 

AIGC存儲(chǔ)的技術(shù)展望

AIGC技術(shù)的影響力日益擴(kuò)大，各大存儲(chǔ)廠商對(duì)此高度重視，存儲(chǔ)系統(tǒng)的創(chuàng)新和演進(jìn)均將AIGC作為核心考量。在演講的最后，Lance Sun博士詳細(xì)介紹了浪潮信息存儲(chǔ)在AIGC領(lǐng)域的未來(lái)發(fā)展關(guān)鍵方向和技術(shù)動(dòng)向，并表示浪潮存儲(chǔ)將持續(xù)深度融入AI生態(tài)系統(tǒng)。

在行業(yè)技術(shù)方面，GPU直連存儲(chǔ)技術(shù)已在眾多文件系統(tǒng)層面廣泛應(yīng)用，其在大文件讀寫(xiě)方面的性能表現(xiàn)尤為出色。浪潮信息與英偉達(dá)及業(yè)界廠商緊密合作，致力于推動(dòng)完整技術(shù)體系和標(biāo)準(zhǔn)的落地。

在行業(yè)基準(zhǔn)評(píng)測(cè)方面，浪潮信息積極參與權(quán)威的AI性能測(cè)試基準(zhǔn)—MLperf Storage評(píng)測(cè)，并在多項(xiàng)負(fù)載性能評(píng)測(cè)中表現(xiàn)優(yōu)異，幫助企業(yè)選擇最適用于AI場(chǎng)景的存儲(chǔ)系統(tǒng)。

存儲(chǔ)的安全問(wèn)題同樣不容忽視。英偉達(dá)在2024年的GTC大會(huì)上提到包括加密計(jì)算在內(nèi)的多種安全技術(shù)，而在存儲(chǔ)層面，同樣需要提供強(qiáng)有力的數(shù)據(jù)保護(hù)措施。浪潮信息存儲(chǔ)正在多租戶權(quán)限隔離、防勒索等數(shù)據(jù)保護(hù)技術(shù)領(lǐng)域進(jìn)行深入探索。

談到未來(lái)發(fā)展，Lance Sun博士表示，存儲(chǔ)性能的持續(xù)優(yōu)化是浪潮信息存儲(chǔ)的核心目標(biāo)。浪潮信息將繼續(xù)通過(guò)軟硬件結(jié)合的持續(xù)創(chuàng)新，力求在智算產(chǎn)業(yè)和AI產(chǎn)業(yè)中實(shí)現(xiàn)快速落地，推動(dòng)整個(gè)行業(yè)的進(jìn)步。

2024年，AIGC依然是最熱技術(shù)話題，其迅猛的發(fā)展速度和廣闊的應(yīng)用前景吸引了眾多關(guān)注和創(chuàng)新力量。憑借在數(shù)據(jù)存儲(chǔ)領(lǐng)域的持續(xù)創(chuàng)新和深耕，浪潮信息正站在這場(chǎng)技術(shù)革新的前沿。