人工智能和对象存储有何火花 如何避免错误理解对象存储

    　每当看到人工智能（也即AI），我们通常会想到机器人、自动化、图像语音或视频识别、算法等高大上的黑科技。而对象存储则给人一种低调、海量的感觉。是什么原因，让这两者相遇，并擦出了火花？

　　什么是对象存储？

　　对象存储是自包含、自愈合的智能存储设备，具有容量大、速度快、扩展灵活的特点。每一个对象除了存放数据本身之外，还存放了唯一标识符和数据的元信息，例如创建的日期和时间，属主，大小，索引，保留周期，QoS等。对象本身使得数据的组织得到了简化，避免了传统存储文件目录树形结构的复杂。对象的存放是扁平化地方式保存在bucket（桶）中的，变得更简单。而且对象的元信息，也方便了检索。

　　拿生活中常见的例子来比喻，当图书馆购进新的纸质书籍需要存放时，需要按照图书分类法（按照图书的内容、形式、体裁和读者用途等进行分类），清楚地知道大类、子类和更详细的分类，才能找到合适的位置上架。文件存储的数据存放就类似图书分门别类地存放，如下图。

　　类比：文件存储的数据存放方式就像图书分类

　　当我们逛超市需要存包的时候，尽管有那么多储物柜，但是大家都觉得存取包很简单。存的时候，按一下存包按键，啪的一声，一个柜子打开，同时你会得到包含二维码的纸条，你把包放到柜子里，但是不用记住柜子的位置和编号，潇洒的离开。当你取包的时候，你刷一下二维码，也是啪的一声，放包的柜子自动打开，所存物品唾手可得。对象存储的数据存放方式就和超市存取包很类似，存储对象的唯一标识符就相当于那个二维码。

　　类比：对象存储的数据存放方式就像超市存包

　　下图是对象存储的一些特点。

　　对象存储特点

　　不过，我们需要注意的是，文件存储和对象存储有着各自适用的场景。下图列出了分布式文件存储和分布式对象存储的区别：

　　分布式文件存储与分布式对象存储的区别

　　当文件数量级过亿的时候，文件目录树形结构会对数据的读写造成巨大的挑战，例如在linux中如果用ls查看文件，可能都要等待几十分钟以上。但是，量级没有如此之大时，因为过去的使用习惯，以及相对成熟的生态，使用文件存储还是不错的选择。

　　如何避免错误理解对象存储

　　当我们谈对象存储时，需要注意讨论的是存储接口，还是内部数据组织形式。

　　1）实际上，讨论对象存储大多数是指存储接口，是否支持RestFul或S3，也即对象接口的形式来访问存储空间。

　　2）少数情况下，对象存储指存储设备的内部数据组织形式。在数据猛增的背景下，越来越多的存储设备内部采用对象存储的这种内部数据组织形式。例如VMware vSAN，其实是是一种基于服务器端存储的共享分布式对象存储系统，只不过存储接口主要采用的是SCSI方式；或者具备高可靠、高性能、高安全和易管理的浪潮AS13000，如下图。

　　浪潮AS13000G5的对象存储功能

　　AI与对象存储

　　在许多人的印象中，AI需要大量的算力，是计算密集型的典型应用。而对象存储大多时候用于海量非结构化数据的存放，备份归档，云存储、企业云盘、文档影像或视频的存储等。从存储特征来看，对象存储的延迟可能较难满足AI的性能需求；从使用习惯来看，大多数AI用户都是采用文件接口。

　　实际上，有计算，就会有存储，只是或多或少，或快或慢，或过渡或长期保存的区别。

　　在微信公众号浪潮存储《2020：下一个十年，存储发展的趋势是什么》上篇也即鉴往事篇 一文中，曾提到：

　　AI所需存储，可以分为准备、训练、推理和归档等阶段，每个阶段的IO特征不一样，对于存储的要求也不一样。例如，在推理阶段，IO的特征是读写混合，并且要求存储的延时低，能快速响应。

　　下图列出了AI各个阶段的IO特征，及其对存储的要求。

　　AI各个阶段的IO特征及存储需求

　　综合考虑用户使用习惯、性价比、性能和容量，如果能够取得一个平衡的话，对象存储能够用在AI的多个不同阶段中，如提取、准备、训练、归档等。

　　NVIDIA收购SwiftStack用来做什么呢？

　　首先，我们来看一下做为事实上的标准的AWS S3，从骨子里说，它代表的对象存储，是一种在线的海量数据较低成本的存储方式，适合跨地域读写；因此，虽然备份归档是对象存储的使用场景之一，但只是做备份归档，其实是委屈了对象存储。

　　其次，对象存储的高并发，特别适合前端呈现分布式负载的场景。AI场景的使用，包括AI训练、AI推理，是由许许多多个任务并发进行的，任务与任务之间几乎没有数据的交互，因此很少考虑存储通常要顾及的写一致性。

　　因此，在我们看来，NVIDIA收购SwiftStack或许有如下几个原因：

　　1）NVIDIA欲整合AI基础架构

　　NVIDIA是一个非常注重生态的公司，它的版图里应该不仅仅是计算以及衍生出来的各个组件，从近两年的动作来看，NVIDIA想整合整个AI基础架构。2019年3月11日NVIDIA以69亿美元收购 Mellanox；2020年3月6日宣布收购SwiftStack。

　　2）SwiftStack具备数据跨云管理和高并发的优势

　　据报道："Manuvir Das表示，NVIDIA尤其喜欢SwiftStack的1space技术，该技术可以为忙于处理缓存和分层等任务的GPU助一臂之力。

　　SwiftStack V7于2019年发布，提供数PB的规模，可处理数千个worker节点同时访问数据的任务。它提供了超过100GB /秒的吞吐速度，性能和容量都能实现线性扩展。

　　1space是NVIDIA收购Swiftstack的主要原因，这是一种文件连接件，使云原生应用程序可以通过S3或Swift对象API访问本地数据或AWS数据，并可以确保不断向数据提供计算资源”

　　我个人认为，AI训练有个特点，它一次性将原始训练集的数据加载到计算节点的内存或者SSD后，需要经过一段较长的时间（也即计算或说训练），才会再次读取存储上的数据。因此，对象存储的延迟可能不会构成障碍，这一点可以通过高并发来弥补。

　　3）还可将SwiftStack用于数据提取，或者数据归档阶段。海量的数据，采用对象存储是一个不错的选择。

　　4）维护原有使用习惯

　　NVIDIA内部大量使用SwiftStack来存储数据，几年下来，习惯已经养成，而且猜测数据量也非常庞大。通过收购SwiftStack，以免未来受人制肘，也是有可能的。

　　无论如何，对象存储在云计算和AI迅猛普及的情况下，一定会迎来它的春天。IDC中国SDS市场数据显示，2019年对象存储增长率55.3%，是中国软件定义存储市场里增速最快的细分领域。

　　在中国的对象存储市场中，浪潮的AS13000做出了贡献。2019年，AS13000对象存储成功地在某银行（国内排名前15）总行的影像系统中部署，并实现了同城容灾功能。如下图所示：

　　浪潮AS13000对象存储的实际案例

　　浪潮分布式存储在不断迭代的过程中，除了前面提到的同城容灾之外，还开发了大量的其他高级特性。一是小对象聚合。浪潮对象存储针对海量小文件场景，通过小对象聚合，节约HDD的磁盘IO，提升存储效率。二是读Cache加速。在卡口图片、AI计算场景，通过读Cache加速提升数据读取效率。三是元数据检索。在存储系统内集成索引引擎，实现根据对象元数据多条件模糊检索对象的技术，有效地提升了海量非结构化数据中“大海捞针”的效率。四是企业级WORM，满足企业客户数据的法规性要求，结合应用特点，灵活设置宽限期和保护期。此外，还有存储OS加固、桶策略配置等等。

　　展望未来

　　受“新冠疫情”影响，在线化、数字化、分散化、自动化等新形态新模式，也对AI、大数据中心（含计算、存储、网络和安全）等的发展提出了迫切的需求。

　　疫情趋势预测、风险预警、医疗资源和物质的预测和调配，要做到快速、准确、科学的判断，需要和AI结合。

　　另外，非接触的服务和工作、自动化、快速分析决策和响应的需求等，将会爆发。例如，人脸识别（包括免摘口罩的人脸识别）、AI辅助诊断、应急管理、安防监控、知识图谱、基因研究、医药研发、金融服务、智能配送、各行各业的无人值守（例如零售）、物流运输、个人画像、轨迹追踪、舆情分析等等。

　　我们相信，作为新基建的一部分，包含AI和存储在内的信息基础设施将迎来更好更快的发展。