（文章來源：教育新聞網）

支持AI和ML部署的數據中心依靠基于圖形處理單元(GPU)的服務器為其計算密集型架構提供支持。在多個行業中，到2024年，GPU使用量的增長將落后于GPU服務器預計超過31%的復合年增長率。這意味著將承擔更多的系統架構師的職責，以確保GPU系統具有最高的性能和成本效益。

然而，為這些基于GPU的AI / ML工作負載優化存儲并非易事。存儲系統必須高速處理海量數據，同時應對兩個挑戰：

服務器利用率1)。GPU服務器對于訓練大型AI / ML數據集所需的矩陣乘法和卷積非常高效。但是，GPU服務器的成本是典型CPU服務器的3倍。為了保持ROI，IT員工需要保持GPU繁忙。不幸的是，豐富的部署經驗表明GPU僅以30%的容量使用。

該2)。ML訓練數據集通常遠遠超過GPU的本地RAM容量，從而創建了一個I / O瓶頸，分析人員將其稱為GPU存儲瓶頸。AI和ML系統最終要等待訪問存儲資源，這是因為它們的龐大規模阻礙了及時訪問，從而影響了性能。為了解決這個問題，NVMe閃存固態硬盤逐漸取代了標準閃存固態硬盤，成為Al / ML存儲的首選。

NVMe支持大規模的IO并行性，性能約為同類SATA SSD的6倍，并且延遲降低了10倍，并且具有更高的電源效率。正如GPU推動了高性能計算的發展一樣，NVMe閃存在降低延遲的同時，實現了更高的存儲性能，帶寬和IO / s。NVMe閃存解決方案可以將AI和ML數據集加載到應用程序的速度更快，并且可以避免GPU匱乏。

此外，可通過高速網絡虛擬化NVMe資源的基于光纖的NVMe(NVMeoF)啟用了特別適用于AI和ML的存儲架構。NVMeoF使GPU可以直接訪問NVMe的彈性池，因此可以使用本地閃存性能來訪問所有資源。它使AI數據科學家和HPC研究人員可以向應用程序提供更多數據，以便他們更快地獲得更好的結果。

要獲得最佳的GPU存儲性能，就需要根據業務目標對基礎架構進行微調。這里有四種方法可供考慮：

有效擴展GPU存儲容量1)例如，InstaDeep為可能不需要或不需要運行自己的AI堆棧的組織提供了AI即服務解決方案。因此，InstaDeep需要最大的ROI和可擴展性。特別是，對多租戶的需求意味著基礎架構必須隨時準備就緒，以滿足各種工作負載和客戶端的性能要求。

InstaDeep基礎架構團隊在部署其第一個GPU服務器系統的早期就了解到，本地GPU服務器的存儲容量將太有限，只有4TB的本地存儲，而客戶的工作量則需要10到100 TB的TB。該團隊研究了外部存儲選項，并注意到，使用傳統陣列它們將獲得更多的容量，但性能最終會阻礙AI工作負載，因為應用程序需要將數據移入和移出GPU系統，從而中斷工作流程并影響系統效率。

通過使用軟件定義的存儲在快速的RDMA網絡上合并NVMe閃存(一種將數據集加載速度提高10倍的方法)，InstaDeep可以實現更高的GPU容量利用率，消除了GPU瓶頸并提高了ROI，因為現有的GPU變得更加完整利用。
（責任編輯：fqj）