非结构化数据存储的六大挑战及解决方法

专家介绍：王伯韬

24年IT行业经验。1998年加入国际商业机器（中国）有限公司，先后在中国技术支持中心、系统和科技事业部、企业IT架构师团队、IBM中国系统中心等部门工作。获得IBM高级认证系统架构师(Senior Certified IT Architect)，参与过国内多家电信企业、大型公共服务机构的IT系统架构设计项目。目前担任IBM中国科技事业部存储团队架构师。

真实经历引发的思考

2022年5月2日下午12:05 我收到了以下流调短信与电话：

[北京市疾控中心提示]您好！根据市卫健委通报的新冠疫情，经流行病学调查，您与感染者存在时空交集，有感染风险。请您及时向所在社区和单位报告....

此时，发现北京健康宝已弹窗，随后接到流调工作人员电话。

流调员：“请问您4月30日下午2点是否去过朝阳区xx商场，xx餐馆”

我：“稍等我看一下……，当时没有去过您提到的几个地点，但是去过几个街区之外的xx吃饭，不过有可能开车经过了您提到的地方”

流调员：“好的，那您去所在社区居委会报备，说明情况，持24小时核酸并签署承诺书，然后可以解除弹窗。”

疫情期间当我们的身边发现确诊病例，大家都希望看到这些人的行动轨迹，如果发生了时空关联，就会收到上面的信息和电话。目前，疫情防控已经变成了我们生活的一部分。大家都希望通过精准科学的方式找到疫情防控和正常生活的平衡点，但又谈何容易。我们可以从数据流向推测和分析事件的成因。然而极致的“精准”，需要数据量足够多，包括手机位置信息，流调人员的排查信息，现场流调信息等等。同时，数据量暴涨也是需要面对的问题。

其实，近年来各个行业的数据量都呈几何级增长。如今，随着传统业务转型，新时代业务云计算、大数据分析、人工智能等新一代应用的出现，非结构化数据并行文件存储给各行各业带来了诸多挑战。

一家人工智能芯片的企业于2017年流片量产了中国首款边缘AI芯片，2019年量产了中国首款车规级AI芯片，凭借30亿美金估值成为全球估值最高的AI芯片独角兽企业。然而，随着企业逐渐从初创企业走向成熟，其在数据存储、管理和调度等方面遇到了一些难题。

其中一个比较突出的问题是数据竖井。在发展初期，往往以项目方式组织资源和部署数据结构，很多项目各有数据集群，形成了一个个数据竖井，或说数据孤岛。对于需要“小步快跑”的初创企业而言，这种方式无可厚非，但随着企业规模扩大，这些相互独立的数据竖井就会给数据管理带来比较大的挑战。

从更大的层面看，他们也面临跨多云数据调度的难题。对于AI企业而言，提高模型训练效率是至关重要的，但训练效率的提高不仅仅依赖于计算资源，也离不开数据的及时调度。由于GPU资源分布在多个公有云上和本地，当GPU资源不断变化时，如何让数据也能快速地跟随变化随需调度，也成为企业在数据管理方面的一个核心需求。

此外，随着数据规模的快速增长，数据管理成本也与日俱增。之前是采用算存一体的方式，计算和存储在一个一体机上实现，随着数据规模增长，这种方案不仅会降低计算设备运行效率，而且成本也会高企不下，因此需要性价比更高的数据存储方案来支持企业的长远发展。

在医疗行业，信息化起步较早，在长期的发展过程中，各业务系统都针对初始单个业务模块的需求陆续建设了很多“烟囱工程“。此外，医疗行业对数据合规要求有其特殊性，门诊电子病历往往需要保留15年以上。数据量的增长使得存储成本难以控制，同时管理、扩展和维护数据在线访问的复杂性大大提高。新一代工作负载，面临数据存储、数据集成、数据可访问性、应用程序数据集成等问题，无法实现现代化应用程序；环境数据分散，存储在太多不同的地理位置，没有数据集成，没有通用的管理能力，数据孤岛使得数据查询和使用异常困难。这就需要一个企业级的、真正的全球共享数据湖基础架构，更快交付洞察，底层存储必须同时支持新时代的大数据和传统的应用，具备安全性、可靠性和高性能。

数据管理之六大挑战

为了应对云计算、大数据分析、人工智能等新一代应用，我们的企业往往在非结构化数据存储中遇到诸多挑战：

挑战1：当前架构无法应对海量数据增长，无序扩展，存在严重的性能瓶颈。传统的SAN文件系统和NAS文件系统，受限于其单个控制器的性能和元数据的处理方式，无法提供更高性能的IO访问，NAS文件系统扩展方式是按照SAN或者NAS的控制器扩展，控制器之间不能实现并行IO操作，无法避免单机头带来的性能瓶颈，并因为文件目录的名称改变而导致应用重新定义。

挑战2：数据孤岛。企业超过50%的数据存放在离散的存储系统中，企业环境的数据分散，存储在太多不同的地理位置，数据孤岛使得数据查询和使用异常困难。数据量的增长使得存储成本难以控制，同时管理、扩展和维护数据在线访问的复杂性大大提高。

挑战3：缺乏企业级的统一数据管理平台。传统的SAN文件系统和NAS文件系统本身不具备智能的、基于策略自动执行的生命周期管理，需要借助单独的软件或者硬件实现数据的分层和备份，导致数据管理困难。

挑战4：无法为未来前沿技术提供有效存储支撑。如云计算的数据需求并行存储能够支持多云架构，统一资源管理，数据安全和高可用。人工智能需求海量数据集存储，大算力。大数据分析业务需求高效分析和高可用。

挑战5：新技术带来的潜在的基础架构“割裂”，没有全局的统一命名空间，难以实现数据共享和安全共享。

挑战6：无可靠的高可用、完整性。不能统一管理和部署，提升运维复杂度。不能支持存储异构，不同NAS机头无法统一存储空间。故障数据重构开销大，对性能影响较大。

高性能ESS给出最优解

为了应对以上挑战，IBM最新发布了基于 Spectrum Scale 的ESS3500，它包括以下特点：

1. 极致的性能和可扩展性：可以从小规模开始构建，然后逐步扩展性能和容量，无任何瓶颈，能够提供极致的数据、元数据和闪存可扩展性。无瓶颈的架构提高了性能，从而实现极大的吞吐量和低延迟访问。IBM ESS 3500在每个单一节点上提供1PBe，吞吐量高达91GB/秒。

2. 统一存储，适用于集群、HDFS、文件、对象与容器环境。

3. 加速AI训练：配合 NVIDIA DGX 系统，AI训练时间缩短 140%。

4. 统一命名空间。实现全球协作：Spectrum Scale 通过主动文件管理分布式磁盘高速缓存技术，跨不同存储和位置随时随地访问数据，在数据中心或全球范围内实现应用加速。

5. 数据完整性和安全性：认证、加密、安全和复制选项，用于满足业务和法规需求。

最后，我想说的是……

各行各业的数字化难题不断涌现，IBM伴随很多客户，一步步突破最新的AI和云计算的性能极限，成就了他们的创新和发展。疫情防控也一样，不仅需要技术的支撑，也需要各方的共同努力、每个人的积极配合，希望世界早日恢复生机蓬勃。

原文标题：我们期望的 “精准”，谈何容易

文章出处：【微信公众号：IBM中国】欢迎添加关注！文章转载请注明出处。

审核编辑：汤梓红