如何用對象存儲支撐新型數(shù)據(jù)湖，將會面臨哪些挑戰(zhàn)

1、傳統(tǒng)數(shù)據(jù)湖面臨性能挑戰(zhàn)

隨著數(shù)據(jù)分析和人工智能應(yīng)用的普及，企業(yè)數(shù)據(jù)量大增，創(chuàng)新業(yè)務(wù)層出不窮，企業(yè)對數(shù)據(jù)分析靈活性、性能和成本的要求越來越高，傳統(tǒng)大數(shù)據(jù)Hadoop系統(tǒng)搭建的數(shù)據(jù)分析平臺已無法滿足企業(yè)的要求。越來越多的企業(yè)以數(shù)據(jù)湖為基礎(chǔ)構(gòu)建大數(shù)據(jù)處理平臺，數(shù)據(jù)湖的典型特征是存儲和計算分離，能夠降低系統(tǒng)成本同時獲得更好的系統(tǒng)擴(kuò)展性。

數(shù)據(jù)湖架構(gòu)使得企業(yè)可以在一份數(shù)據(jù)上拓展創(chuàng)新業(yè)務(wù)，而不必每發(fā)展一個新業(yè)務(wù)就做一次數(shù)據(jù)拷貝，但傳統(tǒng)數(shù)據(jù)湖方案在性能上仍然存在明顯的缺點(diǎn)，傳統(tǒng)數(shù)據(jù)湖依賴云存儲，雖然降低了存儲成本，但在數(shù)據(jù)分析的過程中完全依靠云存儲自身的吞吐能力進(jìn)行數(shù)據(jù)掃描，這種方式只適用于ETL、批量計算等時延不敏感的應(yīng)用，卻無法支撐秒級數(shù)據(jù)檢索、時序數(shù)據(jù)分析等低時延的分析場景。

2、數(shù)據(jù)湖支撐大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)平臺

除了服務(wù)傳統(tǒng)的Hadoop/Spark大數(shù)據(jù)分析平臺，數(shù)據(jù)湖還需要滿足AI算法的模型訓(xùn)練和推理、數(shù)據(jù)歸檔的需求，這要求存儲系統(tǒng)支持多種協(xié)議以提升處理效率。比如在自動駕駛模型訓(xùn)練及分析場景中，車輛采集的視頻、雷達(dá)數(shù)據(jù)需要通過文件或?qū)ο?a target="_blank">接口導(dǎo)入存儲，然后通過HDFS接口對數(shù)據(jù)預(yù)處理，預(yù)處理結(jié)果再通過文件接口由計算服務(wù)器進(jìn)行AI訓(xùn)練和高性能仿真，從而得到新的算法和模型進(jìn)行下一輪測試。這些需求不是單一的對象存儲或HDFS存儲能夠支撐的，需要更專業(yè)的存儲平臺提供服務(wù)。

杉巖數(shù)據(jù)的MOS海量對象存儲通過異構(gòu)納管的方式，可以整合管理已有的HDFS數(shù)據(jù)源和NAS數(shù)據(jù)源，通過混合云存儲方案，可以將存儲在公有云的數(shù)據(jù)也納入到MOS對象存儲池統(tǒng)一管理。杉巖數(shù)據(jù)近期發(fā)布的MosFS高性能數(shù)據(jù)湖文件網(wǎng)關(guān)在系統(tǒng)架構(gòu)中位于MOS對象存儲池之上，為Hadoop/Spark大數(shù)據(jù)分析平臺和TensorFlow/PyTorch/Caffe等機(jī)器學(xué)習(xí)平臺提供原生的HDFS接口、S3/OSS對象接口、POSIX文件接口。

MOS對象存儲和MosFS文件網(wǎng)關(guān)組合構(gòu)建的數(shù)據(jù)湖架構(gòu)為企業(yè)統(tǒng)一管理眾多的數(shù)據(jù)源，實(shí)現(xiàn)高性能存儲和數(shù)據(jù)治理提供了堅實(shí)的基礎(chǔ)。

高效率的多數(shù)據(jù)源管理

MOS可以納管第三方的NAS存儲、對象存儲和HDFS數(shù)據(jù)源，并通過映射的方式對上層提供數(shù)據(jù)服務(wù)，可以在現(xiàn)有的IT架構(gòu)中實(shí)現(xiàn)存儲系統(tǒng)的快速割接，漫長的數(shù)據(jù)遷移可以在后臺異步執(zhí)行。統(tǒng)一管理的數(shù)據(jù)可以為多套平臺和應(yīng)用服務(wù)，不需要多重復(fù)制，減少對存儲空間的需求。

內(nèi)容感知的多級緩存加速

機(jī)器學(xué)習(xí)平臺在模型訓(xùn)練中要求數(shù)據(jù)的超高吞吐量和超低延遲，MosFS可以和上層應(yīng)用聯(lián)動，通過標(biāo)簽感知與應(yīng)用關(guān)聯(lián)度高的數(shù)據(jù)，機(jī)器學(xué)習(xí)平臺可以通過路徑、數(shù)據(jù)標(biāo)簽、多策略組合等方式得到相關(guān)性高的數(shù)據(jù)集。在實(shí)際運(yùn)行中，MosFS把上述數(shù)據(jù)映射成目錄，并通過內(nèi)存和SSD多級緩存來加速數(shù)據(jù)訪問。比如在自動駕駛的訓(xùn)練中，算法需要所有車輛在白天的四車道上捕獲的視頻和圖片，MosFS就可以通過這些數(shù)據(jù)特征對應(yīng)的標(biāo)簽，將MOS存儲資源池中的相關(guān)數(shù)據(jù)映射為一個目錄，并通過多級緩存提供給訓(xùn)練算法。

多策略數(shù)據(jù)映射簡化管理

MosFS的數(shù)據(jù)映射能力實(shí)現(xiàn)了數(shù)據(jù)訪問的虛擬化，并通過全局命名空間將數(shù)據(jù)呈現(xiàn)給上層應(yīng)用，基于時間、標(biāo)簽、文件名前綴等多粒度策略可以簡化對數(shù)據(jù)的管理。

3、性能逼近本地全閃存的分布式數(shù)據(jù)湖文件網(wǎng)關(guān)

MosFS文件網(wǎng)關(guān)與MOS對象存儲可以合設(shè)也可以分離部署，為了滿足機(jī)器學(xué)習(xí)平臺超高吞吐量和超低延遲的性能要求，通常將MosFS分布式部署于計算服務(wù)器，在這種情況下，MosFS將計算服務(wù)器的本地預(yù)留內(nèi)存和SSD組成一個分布式的緩存層以加速訓(xùn)練。傳統(tǒng)分布式NAS作為機(jī)器學(xué)習(xí)后端存儲的方案具有成本高昂、數(shù)據(jù)與其它類型存儲不能互通等缺點(diǎn)，數(shù)據(jù)管理復(fù)雜造成訓(xùn)練效率低下，相比而言MosFS的方案可以管理MOS、原有NAS和HDFS存儲，統(tǒng)一所有數(shù)據(jù)視圖，且分布式數(shù)據(jù)緩存可以將訓(xùn)練效率提升多倍，性能接近于使用計算服務(wù)器的本地SSD。

4、HDFS協(xié)議增強(qiáng)實(shí)現(xiàn)大數(shù)據(jù)存算分離

HDFS作為傳統(tǒng)的數(shù)據(jù)倉庫存儲平臺在數(shù)據(jù)湖場景下面臨性能和成本的問題。在實(shí)際應(yīng)用中，在10～20PB以上的數(shù)據(jù)規(guī)模下，HDFS的性能下降嚴(yán)重，另外HDFS基本只支持多副本的存儲模式，對糾刪碼的支持效果不佳。MosFS和MOS組合構(gòu)建的數(shù)據(jù)湖存儲兼容HDFS接口和S3協(xié)議，可以實(shí)現(xiàn)存儲和Hadoop計算平臺的分離，幫助客戶把HDFS的數(shù)據(jù)統(tǒng)一歸集到MOS存儲中，實(shí)現(xiàn)非結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和結(jié)構(gòu)化數(shù)據(jù)的統(tǒng)一管理。MosFS提供的原生HDFS接口100%兼容主流平臺，并在內(nèi)部實(shí)現(xiàn)了S3/OSS與HDFS接口協(xié)議的互通轉(zhuǎn)換，避免數(shù)據(jù)多次拷貝。

大數(shù)據(jù)分析和AI訓(xùn)練推理融合的需求越來越多，傳統(tǒng)的大數(shù)據(jù)存儲僅提供HDFS接口，大數(shù)據(jù)分析的結(jié)果如果用于AI訓(xùn)練，需要把數(shù)據(jù)拷貝到其它存儲中處理，導(dǎo)致數(shù)據(jù)分析整體效率的低下，也浪費(fèi)了存儲空間。杉巖新型數(shù)據(jù)湖架構(gòu)既能提供HDFS接口用于大數(shù)據(jù)分析，又能提供文件和對象接口用于AI訓(xùn)練推理，大數(shù)據(jù)分析結(jié)果可直接通過文件接口訪問，無需拷貝和等待，很大程度上提升了融合場景的大數(shù)據(jù)分析效率。

4、AI訓(xùn)練實(shí)踐案例

類腦智能技術(shù)及應(yīng)用國家工程實(shí)驗(yàn)室是由中國科技大學(xué)組建，由中科院、復(fù)旦大學(xué)、微軟、百度等機(jī)構(gòu)共同承建的國家工程實(shí)驗(yàn)室，中科類腦成立于2017年，是該實(shí)驗(yàn)室的產(chǎn)業(yè)化平臺，通過搭建“先進(jìn)人工智能算法+公有計算云+私有部署云”的智能混合云平臺，對外提供計算資源、人工智能技術(shù)、智能化解決方案等服務(wù)。

中科類腦開發(fā)的類腦云OS提供了大規(guī)模算力、數(shù)據(jù)和智能技術(shù)，有效降低人工智能創(chuàng)業(yè)門檻，能夠促進(jìn)人工智能應(yīng)用生態(tài)的發(fā)展，賦能各行業(yè)完成智能升級轉(zhuǎn)型。目前該平臺已經(jīng)匯聚了180項AI前沿算法、100類通用數(shù)據(jù)集，具備豐富的平臺建設(shè)和行業(yè)落地經(jīng)驗(yàn)。

杉巖新型數(shù)據(jù)湖架構(gòu)已經(jīng)在類腦云OS得到應(yīng)用，根據(jù)中科類腦的訓(xùn)練方案，數(shù)據(jù)集分別放在本地SSD、分布式NAS存儲和杉巖MosFS+MOS上，性能對比測試結(jié)果表明，MosFS訓(xùn)練耗時與本地SSD接近，對比分布式NAS，MosFS在單GPU節(jié)點(diǎn)下讀取性能提升62.5%，雙GPU節(jié)點(diǎn)分布式訓(xùn)練的性能提升75.8%。集群規(guī)模越大，杉巖數(shù)據(jù)湖方案的性能越能得到體現(xiàn)，表現(xiàn)出了優(yōu)秀的擴(kuò)展性。

5、智能應(yīng)用和大數(shù)據(jù)分析需要智能的新型數(shù)據(jù)湖

數(shù)據(jù)基礎(chǔ)設(shè)施正在走向智能和融合。數(shù)據(jù)湖如果不能實(shí)現(xiàn)有效的數(shù)據(jù)管理，就會變成“數(shù)據(jù)沼澤”，智能管理要求存儲提供多維度的檢索能力、生命周期管理能力以及數(shù)據(jù)可視化能力，實(shí)現(xiàn)數(shù)據(jù)的合理分類與管理，加速數(shù)據(jù)清洗、轉(zhuǎn)換、流動的過程。存儲與計算架構(gòu)實(shí)現(xiàn)分離，結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)統(tǒng)一存放在數(shù)據(jù)湖中，海量的數(shù)據(jù)得以在數(shù)據(jù)湖中實(shí)現(xiàn)融合，不同類型數(shù)據(jù)存儲的界限逐漸模糊。

人工智能和大數(shù)據(jù)分析應(yīng)用的融合使得一份數(shù)據(jù)能夠同時提供給多個計算及分析流程使用，新一代數(shù)據(jù)湖存儲平臺必須具備多源數(shù)據(jù)管理能力，包括混合云能力與異構(gòu)納管其它存儲的能力，以及可智能感知內(nèi)容的高性能多協(xié)議數(shù)據(jù)服務(wù)能力。新型數(shù)據(jù)湖架構(gòu)必將為數(shù)據(jù)分析和智能應(yīng)用的開發(fā)和運(yùn)行帶來巨大的便利，加快迭代分析過程，簡化基礎(chǔ)設(shè)施需求，提供綜合的數(shù)據(jù)服務(wù)能力，方便人們高效率地提取數(shù)據(jù)價值。

fqj