私有云与AI双场景下,分布式存储如何选型?

存算分离与超融合是架构分层选择,关键在于将合适的负载部署到合适的存储架构上。

一、存储正在成为AI基础设施的瓶颈

过去几年企业谈AI基础设施,焦点几乎都在GPU上:采购什么卡、如何调度、利用率多少。等到AI平台真正搭建运行后,许多团队发现制约因素并非算力,而是存储。

原因在于AI负载对存储的要求与传统企业应用遵循两套不同逻辑。训练阶段需要将海量样本快速送入GPU,考验的是带宽;推理阶段需要快速加载模型、响应请求,考验的是延迟;数据预处理环节常面对海量小文件,考验的是元数据性能。采用为数据库和虚拟机设计的传统存储承载这些负载,带宽和IOPS很快见底,导致高价采购的GPU长时间等待数据。

与此同时,私有云本身也在经历一轮存储架构的重新选择:是继续用超融合将存储和计算绑定,还是将存储拆分出来独立扩展。AI负载进入后,这一问题变得更加紧迫,因为AI对存储的需求量和增长速度,往往与计算并不同步。

下文以企业最常提出的几个问题为线索,梳理分布式存储的选型逻辑。

二、存算分离与超融合,如何选择?

这是近期被讨论得最多的问题之一。Dell在2026年主推存算分离(Disaggregated)架构,宣称在特定配置下比超融合节省最高65%的采购成本,这一数字促使不少企业重新审视自身的架构选择。

图片

先明确结论:两种架构并无绝对优劣,区别在于计算和存储的增长是否同步。

超融合(HCI)适合计算和存储同步增长的场景。 将计算和存储打包在同一批节点上,部署简单、运维统一,增加节点即同步增加算力和容量。对于业务规模可预测、计算存储比例稳定的场景,超融合的简洁性是实打实的优势。ZStack的超融合产品线在大量VMware替代和信创落地项目中,正是凭借"一套节点搞定计算存储网络"的简洁性站稳脚跟。

存算分离适合计算和存储增长不同步的场景。 AI是典型代表:训练任务可能需要短时间内堆叠大量GPU,但数据量呈持续稳定增长;或者相反,数据湖快速膨胀,而计算需求平稳。此时将存储独立出来单独扩展,无需为增加容量被迫连同算力一起采购,资源利用更精细。Dell给出的65%,本质上算的就是这种按需独立扩展所节省的冗余采购。需要提醒的是,这是厂商在特定配置和假设下的内部测算,实际能节省多少,要结合自身负载和许可模型重新核算。

因此,选型要先回答一个问题:计算和存储是否同步增长。同步,超融合更省心;不同步,存算分离更经济。"哪个架构更先进"是一个伪命题。许多企业最终采取两者并存:核心业务运行超融合,AI和数据湖运行存算分离。

三、分布式存储的三副本与纠删码,如何权衡?

确定存算分离后,下一个问题是数据可靠性如何保障。分布式存储依靠多副本或纠删码防范硬件故障,两种机制各有取舍。

图片

三副本将每份数据存储三份,任意一份所在的节点或磁盘损坏,数据均不丢失。优点是读性能好、故障恢复快;代价是存储利用率仅约三分之一,存储1TB数据需占用3TB空间。对延迟敏感、读多写少的场景(如推理服务加载模型),三副本更为合适。

纠删码采用类似RAID的思路,将数据切块加校验,用更少的冗余空间达到接近的可靠性,存储利用率可达70%以上。代价是写入和故障重建时计算开销大、延迟更高。对容量敏感、以顺序读写为主的场景(如训练数据集、备份归档),纠删码更为划算。

实践中无需二选一。成熟的分布式存储支持按存储池配置不同策略:热数据用三副本保性能,温冷数据用纠删码省空间。ZStack企业版分布式存储支持对象、块、文件三种存储类型,可以在同一套存储底座上按业务场景灵活配置可靠性策略,无需为不同需求部署多套存储。

四、AI场景下,存储架构需额外考虑哪些维度?

传统企业存储选型关注容量、IOPS、可靠性即可。AI进入后,有几个额外维度必须纳入考量。

图片

带宽优先于IOPS。 训练场景下,GPU集群对存储的并发读带宽要求极高,单纯堆叠IOPS无法解决问题,要看聚合带宽能否喂饱GPU。存储网络的规划(高速以太或RDMA)和存储引擎的并行能力,在这里比单盘性能更为关键。

海量小文件的元数据性能。 AI数据预处理经常面对千万级小文件,此时元数据操作(列目录、查文件)的性能往往比数据读写本身更容易成为瓶颈。选型时要专门压测小文件场景,不应只看大文件顺序读写的数据。

多协议统一。 AI流水线中,训练可能用文件存储,模型仓库可能用对象存储,在线服务可能用块存储。如果每种协议都需单独一套存储,数据在不同存储间往返搬运,既慢又容易出错。支持对象、块、文件多协议的统一存储底座,可使数据在一套系统内被不同环节直接访问。

与算力平台的协同。 存储并非孤立环节。ZStack分布式存储和ZStack AIOS智塔处于同一技术体系内,存储资源和GPU算力的调度可以协同规划,避免存储和计算各自为政、互相等待。

五、私有云存储选型的实操建议

将前述逻辑落到具体动作,企业在做分布式存储选型时可按以下顺序推进。

先分清负载类型,再选架构。 将现有和规划中的负载按"计算存储是否同步增长"分类,同步的归超融合,不同步的(尤其是AI和数据湖)归存算分离,避免一开始就全盘押注单一架构。

按场景配置可靠性策略,避免一刀切。 热数据三副本、冷数据纠删码,在一套存储内分池管理,兼顾性能与空间。

AI场景专门压测带宽和小文件。 不应沿用传统数据库的测试方法评估AI存储,带宽和元数据性能要单独验证。

优先选择多协议统一的存储底座。 对象、块、文件一套覆盖,减少数据搬运和多套存储的运维负担。

存储是私有云和AI基础设施里最容易被低估、又最难补救的一环。GPU采购错误尚可更换,存储架构选型错误,数据迁移的代价高得多。在AI负载进入、数据量快速膨胀的当下,将存储选型与算力规划置于同等重要的位置,是私有云能否支撑AI的关键。