隨著AI大模型進(jìn)入萬億參數(shù)時(shí)代，傳統(tǒng)存儲(chǔ)性能測試已難以真實(shí)反映存儲(chǔ)系統(tǒng)在實(shí)際訓(xùn)練場景中對(duì)成本與效率的核心影響。為此，全球權(quán)威AI基準(zhǔn)測評(píng)組織MLCommons正式推出MLPerf Storage基準(zhǔn)測試套件，為行業(yè)建立起一套貼合實(shí)際、具有指導(dǎo)意義的權(quán)威評(píng)估框架。

區(qū)別于傳統(tǒng)存儲(chǔ)性能測試，MLPerf Storage基準(zhǔn)的核心價(jià)值在于直接評(píng)估存儲(chǔ)系統(tǒng)能否支撐GPU集群達(dá)到并維持高利用率——這直接決定了整體訓(xùn)練耗時(shí)與算力資源成本。該基準(zhǔn)在v2.0版本中進(jìn)一步引入Checkpoint工作負(fù)載，精準(zhǔn)模擬大模型訓(xùn)練中的容災(zāi)恢復(fù)環(huán)節(jié)，使評(píng)測更貼近前沿場景的實(shí)際需求。

為評(píng)估憶聯(lián)Gen5 eSSD UH812a在AI場景中的性能表現(xiàn)，本次測試基于MLPerf Storage v2.0默認(rèn)參數(shù)展開，并特別針對(duì)對(duì)數(shù)據(jù)供給要求更高的NVIDIA H100加速器進(jìn)行模擬驗(yàn)證，以檢驗(yàn)存儲(chǔ)系統(tǒng)能否充分適配新一代算力平臺(tái)的性能需求。此次測試覆蓋了MLPerf Storage v2.0包含的全部訓(xùn)練負(fù)載，包括U-Net 3D、ResNet50、CosmoFlow和Checkpoint。

結(jié)果顯示，在四項(xiàng)訓(xùn)練模型中，UH812a的 GPU利用率均超過基準(zhǔn)要求，表現(xiàn)出強(qiáng)勁的性能；同時(shí)在可支持的加速器數(shù)量上亦領(lǐng)先于行業(yè)同類產(chǎn)品，有力驗(yàn)證了其在高負(fù)載AI訓(xùn)練場景下可提供穩(wěn)定且高性能的存儲(chǔ)支持。

01測試環(huán)境

02測試結(jié)果

U-Net 3D訓(xùn)練場景

該場景模擬醫(yī)療影像等大體積3D數(shù)據(jù)的訓(xùn)練過程，要求存儲(chǔ)系統(tǒng)持續(xù)為多個(gè)并發(fā)GPU客戶端提供大型數(shù)據(jù)文件，旨在測試存儲(chǔ)的極限順序讀寫帶寬，確保GPU不會(huì)因數(shù)據(jù)供給不足而出現(xiàn)空閑等待。

在U-Net3D場景負(fù)載下，我們共使用了42000個(gè)文件進(jìn)行訓(xùn)練，模擬了1到5顆GPU的訓(xùn)練過程。如圖1所示，UH812a在模擬5顆H100 GPU的負(fù)載下，實(shí)現(xiàn)了14566.46 MB/s的最高吞吐量，接近標(biāo)稱讀帶寬(14900 MB/s)，此時(shí)GPU利用率(AU)高達(dá)96%，遠(yuǎn)高于基準(zhǔn)所要求的90%以上水平。通過圖1也可看見，UH812a的性能隨著GPU數(shù)量增加而線性提升，且GPU利用率僅出現(xiàn)微弱波動(dòng)，證明其在多客戶端高并發(fā)訪問場景下仍能持續(xù)提供穩(wěn)定、高帶寬的數(shù)據(jù)流。

◎圖1：UH812a在不同數(shù)量H100環(huán)境下的性能測試結(jié)果

此外，在該場景測試中，UH812a可支持高達(dá)5顆H100加速器，優(yōu)于對(duì)比競品（僅支持4顆），凸顯了其在大體積3D數(shù)據(jù)訓(xùn)練負(fù)載下更強(qiáng)的并發(fā)處理能力與性能優(yōu)勢。

◎圖2：UH812a與競品可支持的H100數(shù)量對(duì)比

ResNet50訓(xùn)練場景

此場景模擬常規(guī)圖像分類模型的訓(xùn)練流程，要求存儲(chǔ)系統(tǒng)能夠應(yīng)對(duì)海量GPU客戶端的高并發(fā)、隨機(jī)讀取需求，處理大量小型圖片文件，從而充分考驗(yàn)存儲(chǔ)系統(tǒng)的高IOPS和低延遲元數(shù)據(jù)處理能力。

在ResNet-50場景測試中，我們使用了19163個(gè)文件進(jìn)行訓(xùn)練，模擬了10至78顆GPU的訓(xùn)練過程。如圖3所示，在模擬78顆H100 GPU的負(fù)載下，UH812a實(shí)現(xiàn)了14008.66 MB/s的最大吞吐量，GPU利用率穩(wěn)定在92.2%，同樣超過基準(zhǔn)要求(AU>90%)，體現(xiàn)出其能夠?yàn)閺?fù)雜訓(xùn)練任務(wù)持續(xù)提供充足的存儲(chǔ)性能支持。

◎圖3：UH812a在不同數(shù)量H100環(huán)境下的性能測試結(jié)果

另外，在此場景測試中，UH812a可支持高達(dá)78顆H100加速器同時(shí)高效工作，顯著領(lǐng)先于競品（分別為65顆和64顆）。這一優(yōu)勢表明，UH812a具備支撐更大規(guī)模AI訓(xùn)練集群的潛力，能為極致擴(kuò)展的模型訓(xùn)練任務(wù)提供穩(wěn)定可靠的數(shù)據(jù)供給基礎(chǔ)。

◎圖4：UH812a與競品可支持的H100數(shù)量對(duì)比

CosmoFlow訓(xùn)練場景

該場景主要模擬氣候、宇宙學(xué)等科學(xué)計(jì)算中的大規(guī)模訓(xùn)練任務(wù)，要求存儲(chǔ)系統(tǒng)能夠支持從8個(gè)到數(shù)千個(gè)客戶端的GPU集群擴(kuò)展，同時(shí)高效讀取海量中等尺寸文件。其核心挑戰(zhàn)在于存儲(chǔ)系統(tǒng)的可擴(kuò)展性與延遲穩(wěn)定性——任何局部的訪問延遲都可能拖慢整個(gè)分布式訓(xùn)練作業(yè)，因此對(duì)存儲(chǔ)系統(tǒng)的并發(fā)處理與響應(yīng)一致性要求更高。

在CosmoFlow場景的實(shí)際驗(yàn)證中，我們累計(jì)使用了971819個(gè)文件進(jìn)行訓(xùn)練，并模擬了1至26顆GPU的訓(xùn)練過程。如圖5所示，當(dāng)加速器數(shù)量達(dá)到23顆及以上時(shí)，UH812a的吞吐量穩(wěn)定維持在約14000MB/s，同時(shí)GPU利用率始終高于基準(zhǔn)要求(AU>70%)，展現(xiàn)出卓越的系統(tǒng)可擴(kuò)展性與持續(xù)穩(wěn)定的高并發(fā)數(shù)據(jù)供給能力。

◎圖5：UH812a在不同數(shù)量H100環(huán)境下的性能測試結(jié)果

此外，在這一場景下，UH812a可支持26顆H100加速器，相比于競品(支持21顆和16顆)，支持GPU數(shù)量更多，可為高負(fù)載場景提供穩(wěn)定可靠的存儲(chǔ)。

◎圖6：UH812a與競品可支持的H100數(shù)量對(duì)比

Checkpoint訓(xùn)練場景

此場景模擬大模型訓(xùn)練中保存和恢復(fù)訓(xùn)練狀態(tài)的關(guān)鍵操作，要求所有GPU同時(shí)將完整的模型狀態(tài)(參數(shù)、優(yōu)化器等，規(guī)模可達(dá)數(shù)TB)順序?qū)懭氪鎯?chǔ)，再快速讀取。該過程是對(duì)存儲(chǔ)系統(tǒng)高并發(fā)順序讀寫帶寬的終極考驗(yàn)，其性能直接決定了訓(xùn)練任務(wù)因中斷而損失的時(shí)間。

在Checkpoint場景的實(shí)測中，受限于時(shí)間等因素，我們以Llama3-8b為模型進(jìn)行了寫入測試，圖7實(shí)測結(jié)果顯示，UH812a的帶寬達(dá)到13053.4 MB/s，較競品A提升24%，較競品B提升11%，可為用戶提供高性能的讀寫體驗(yàn)。

◎圖7：Llama3-8b模型下UH812a與競品表現(xiàn)對(duì)比

MLPerf Storage v2.0的測試結(jié)果表明，UH812a能夠充分滿足前沿AI場景對(duì)存儲(chǔ)系統(tǒng)的嚴(yán)苛性能需求，尤其在數(shù)據(jù)供給能力和穩(wěn)定性方面展現(xiàn)出顯著優(yōu)勢，性能領(lǐng)先于業(yè)界同類產(chǎn)品。這不僅印證了其在加速AI工作負(fù)載方面的卓越能力，也體現(xiàn)了其作為智能算力底座關(guān)鍵一環(huán)的核心價(jià)值。

未來，憶聯(lián)將繼續(xù)聚焦AI存儲(chǔ)技術(shù)創(chuàng)新與產(chǎn)品研發(fā)，致力于通過更高性能、更可靠的存儲(chǔ)解決方案，持續(xù)賦能智能算力基礎(chǔ)設(shè)施建設(shè)，與產(chǎn)業(yè)伙伴共同推動(dòng)人工智能技術(shù)的規(guī)?；涞嘏c持續(xù)演進(jìn)。