摘要

9月25日，全球权威 AI 基准测评组织 MLCommons® 公布了 MLPerf® v1.0 存储性能基准测试的结果。焱融科技在此次测试中表现出色，焱融全闪存储产品在 3D-Unet、ResNet50 和 CosmoFlow 三种 AI 深度学习模型的评估中均展现了卓越的性能和效率。

焱融科技作为中国自主研发的高性能存储领导者，与 DDN、Nutanix、Weka、Hammerspace、Solidigm 和 Micron 等众多国际优秀厂商同场竞技，测试结果显示，在带宽、模拟 GPU 数量以及 GPU 利用率等关键性能指标上，焱融科技的产品获得了多项世界第一。

在 MLPerf® Storage v1.0 的基准测试中，焱融全闪存储显著提升了 GPU/ML 工作负载的处理速度，这表明焱融高性能存储产品具备支持各种 AI 模型训练和高性能计算场景的能力。在 AI 领域，尤其是在大规模模型训练方面，焱融全闪存存储解决方案发挥着至关重要的作用，为 AI 技术的发展和应用提供了强有力的支持。

MLPerf® Storage 全球首个且唯一的 AI/ML 存储基准测试

MLPerf 是由图灵奖得主大卫·帕特森（David Patterson）联合谷歌、斯坦福大学、哈佛大学等顶尖学术机构共同发起的国际权威 AI 性能基准测试，被誉为全球 AI 领域的“奥运会”。MLCommons 组织在 2023 年首次推出了 MLPerf 存储基准测试（MLPerf Storage Benchmark），这是首个也是目前唯一一个开源、公开透明的 AI/ML 基准测试，旨在评估存储系统在 ML/AI 工作负载中的表现。这一基准测试为 ML/AI 模型开发者选择存储解决方案提供了权威的参考依据，帮助他们评估合适的存储产品。

MLPerf Storage 基准测试目前有两个版本：v0.5 和 v1.0。2023 年发布的 v0.5 版本初步包含了 Unet-3D 和 BERT 两个模型，并仅支持模拟 NVIDIA v100 GPU。而今年最新发布的 v1.0 版本进行了重大更新，引入了更具代表性的测试模型，这些模型在业界具有广泛的应用，能够更好地代表实际工作负载。

为确保测试结果的可靠性，MLPerf Storage v1.0 基准测试的规则非常严格，关键要求如下：

1. 高 GPU 利用率：
   • 在 U-Net 3D 和 ResNet-50 模型测试中，GPU 利用率需维持在 90% 以上。
   • CosmoFlow 模型的 GPU 利用率需达到 70% 以上。
2. 禁止缓存：
   • 在基准测试开始前，不能在主机节点上缓存训练数据。
   • 连续测试运行之间，必须清除主机节点中的缓存以确保测试的准确性。
   • 整体数据集的大小务必远超过主机节点的内存大小。

焱融存储国内唯一全面参与所有模型测试的厂商 荣登多项世界第一

本次焱融科技参与 MLPerf 测试使用了最新发布的 F9000X 全闪分布式一体机产品。F9000X 每个存储节点搭载最新的英特尔® 至强® 第 5 代可扩展处理器，存储介质采用 10 块 Memblaze PCIE 5.0 NVMe 闪存 ，同时配备 2 块 NVIDIA ConnectX-7 400Gb NDR 网卡。测试环境网络拓扑如图所示：

部署环境架构图

为了深入理解 MLPerf Storage 基准测试内容，我们先解释两个核心概念：

• ACC：即 Accelerators（加速器），MLPerf Storage Benchmark 测试工具通过 accelerator emulation，来模拟真实的 GPU，如：NVIDIA A100、H100等。在无需真实 GPU 的情况下就能进行大规模的存储性能压测，用以评估存储系统在 AI 模型训练场景的适用性。

说明：在 MLPerf Storage Benchmark v1.0 版本中 ACC 可以模拟 NVIDIA A100 和 H100 两款 GPU 型号。本次MLPerf 测试焱融提交了基于 H100的测试数据。

• AU：Accelerator Utilization（AU，加速器利用率）在 MLPerf Storage Benchmark 中，通常被定义为 GPU 计算时间占整个基准测试运行时间的百分比。这是一个衡量加速器在给定任务中的有效利用程度的关键指标，GPU 计算时间占比越高，代表存储速度越快，GPU 越能被充分利用。AU 太低，说明存储性能不足以支撑 GPU 高效运行，只有 AU 高于指定值时，提交的数据是有效数据。

焱融在 MLPerf Storage v1.0 的测试表现

• 最全面最完整，国内唯一一家参加了全部模型测试的存储厂商

焱融科技是国内唯一一家参与了 MLPerf Storage 全部模型测试的存储厂商，这些测试包括 3D-Unet、CosmoFlow 和 ResNet 50。在本次测试环节，焱融追光全闪存储一体机 F9000X 展现了卓越的性能，全面覆盖目前主流模型应用数据负载需求。F9000X 不仅能够处理大规模的数据集，还可以根据 AI 集群规模弹性扩展，完美匹配 GPU 算力性能。

• 在分布式训练集群场景，平均每个计算节点 ACC 数量最多，存储带宽最高

MLPerf Storage 基准测试规则定义可以采用单个计算节点（客户端）运行多个 ACC（GPU 加速器），进行相应模型应用测试，同时支持大规模分布式训练集群场景，多个客户端模拟真实数据并行的方式并发访问存储集群。其中平均每个客户端能够运行的 ACC 数量越多，则代表该节点的计算能力越强，能够处理任务的数量也就越多，而对于存储数据并发访问性能要求也就越高。测试结果显示，在分布式训练集群场景，焱融存储在所有三个模型的测试中，能够支撑的每个计算节点平均 ACC 数量和存储带宽性能均排名第一。

• 存储性能随计算规模同步线性增长

随着计算规模的扩大，存储性能应实现线性增长以满足 AI 训练的需求。以 3D-Unet 三维图像分割模型为例，其单个图像样本大小约为 146MB，而在多节点集群环境中，每秒处理的训练样本数可超过 1100 个，这导致训练数据的读取带宽需求超过 160GB/s。

在针对三个模型的测试中，焱融全闪存储一体机 F9000X 展现了出色的性能。测试结果显示：随着并发计算节点（ACC）数量的增加，存储系统的带宽性能保持明显的线性增长能力。此外，存储的可用性（AU）也始终保持在测试基准要求的范围内，确保了训练过程的高效和稳定。

目前在 3D-Unet 模型应用的测试中，使用 3 个计算节点，共 60 个 ACC，可达到 160GB/s 的存储带宽性能。F9000X 3 节点存储集群实测最大可以达到 260GB/s 以上的带宽性能，这表明在实际业务环境中焱融全闪存可以支撑更多的 GPU 的计算节点。

以下是焱融全闪存储在 ResNet50、CosmoFlow 这两款模型测试的存储的可用性（AU）及带宽性能表现：

小结

在进行 MLPerf Storage 基准测试时，我们发现为了满足 AI 计算存储的性能需求，存储系统需要具备以下关键特性：

1. 高性能设备支持：MLPerf Storage 需要高带宽，因此存储系统必须支持如 200Gb 和 400Gb InfiniBand 或以太网等高性能网络设备。
2. MultiChannel 网络带宽聚合：YRCloudFile 支持在 InfiniBand 或 RoCE 网络上使用 MultiChannel 功能，以充分利用双卡的性能，实现数据读写的高效性。
3. 全链路 direct I/O：为了避免内存缓存导致的性能瓶颈，YRCloudFile 支持在计算节点上部署 kernel client，允许数据读写直接绕过内存缓存，通过 direct I/O 方式访问后端存储。
4. NUMA优化：内存性能对存储性能至关重要。YRCloudFile支持全链路NUMA优化，确保服务进程与NVMe SSD绑定到同一NUMA节点，优化数据传输路径。

焱融分布式文件存储 YRCloudFile 通过上述技术亮点，能够在本次 MLPerf Storage 测试中接近硬件性能极限，为 AI 计算提供所需的高性能存储解决方案。在实际测试中，YRCloudFile 已经展现出能够支持大规模 AI 训练任务的能力，即使在极端条件下也能保持系统的稳定性和性能。

引用链接：

[1] MLPerf Storage Benchmark Suite Results: https://mlcommons.org/benchmarks/storage/

[2] MLPerf Storage rules: https://github.com/mlcommons/storage/blob/main/Submission_guidelines.md