近期，全球科技界迎來了一項重要突破：DeepSeek開源的3FS系統通過優化存儲，顯著提升了AI推理工作負載的性能，同時大幅度降低了成本。這一創新成果引發了業界的廣泛關注。
3FS系統作為AI原生存儲，憑借其鏈式復制機制和FFRecord格式優化等獨特設計，不僅刷新了AI存儲的技術標準，更彰顯了專用存儲系統在支撐超大規模模型推理中的關鍵作用。這一系統的推出，標志著AI存儲技術邁上了新的臺階。
從技術層面來看，曙光存儲ParaStor與3FS在推動AI基礎設施的進化上展現出高度的一致性。兩者都是高性能并行文件系統的杰出代表，專為AI數據存儲而設計。
以RDMA技術為核心傳輸協議，曙光ParaStor和3FS通過零拷貝機制將網絡延遲降至微秒級，有效解決了傳統TCP/IP協議棧在AI集群中引發的CPU資源爭用問題，使得200Gbps網卡的利用率得以突破90%。在此基礎上，兩者還引入了硬件卸載技術，將數據校驗和協議解析等任務交由智能網卡處理，從而進一步提升了性能。
實測數據顯示，硬件卸載技術的引入使得存儲讀響應時間縮短了40%，同時釋放了30%以上的CPU算力用于模型推理。這種“存儲即服務”的設計理念，打破了傳統存儲依賴CPU資源的模式，為AI集群提供了更多的算力空間。
針對AI訓練特有的小文件高并發、數據訪問局部性及混合負載特性，曙光存儲ParaStor和3FS都構建了多層次優化體系。通過元數據分片技術，兩者將海量小文件的元數據請求分散到多個控制節點，從而顯著提升了查詢吞吐量，支持了萬級客戶端的并發訪問。智能預取與緩存分層技術通過分析訓練任務的數據訪問模式，提前將數據從HDD預加載至NVMe緩存，有效縮短了ResNet-152單epoch的訓練時間。
為滿足大模型訓練對海量數據的需求，曙光存儲ParaStor與3FS均采用了去中心化架構。通過全局命名空間技術，兩者整合了跨地域、跨介質的存儲資源，支持了千億文件的統一管理。無狀態彈性擴展技術使得節點可以在線擴展至數千個，容量與性能隨節點增加而線性提升。在GPT-3級場景中，兩者均實現了超過1TB/s的聚合帶寬。
曙光ParaStor和3FS還采用了自適應糾刪碼策略，對熱數據采用多副本保障性能，對溫冷數據采用EC 8+3編碼，從而提升了空間利用率。這一策略使得存儲系統的空間利用率突破了85%。
曙光ParaStor在國產化創新方面取得了顯著成果。依托國產硬件生態優勢，曙光ParaStor實現了自研SSD控制器與智能網卡的協同優化，在國產AI芯片適配性上展現出獨特價值。這種自主可控的技術路徑不僅提升了系統的穩定性與安全性，更為我國AI產業的快速發展提供了堅實的基礎設施保障。
3FS的技術突破與曙光ParaStor的國產化創新共同表明，硬件加速、場景化優化與分布式架構的深度融合是突破“存儲墻”的關鍵路徑。這一行業共識的達成，將進一步推動AI存儲技術的創新與發展。
在共性技術之外，曙光ParaStor還憑借其獨特的自主可控技術路徑，在國產AI芯片適配性上展現出顯著優勢。這一優勢不僅提升了系統的整體性能，更為我國AI產業的自主可控發展提供了有力支撐。
