别让数据等待 GPU：AI 集群存储链路的三个关键指标

AI 工作负载的数据访问模式与传统业务不同：海量小文件的数据准备、持续读取的训练数据集、频繁写入的检查点，以及多节点并发加载的模型权重，会在不同阶段考验存储系统。

需要同时观察的三个指标

1. 持续吞吐：决定大规模顺序读取能否跟上计算节奏。
2. 元数据能力：影响海量小文件扫描、创建和查询效率。
3. 尾延迟：少数慢请求也可能让整个分布式任务同步等待。

让存储规划贴近业务流程

容量规划不应只统计数据总量，还要区分热数据、冷数据、模型仓库与检查点的生命周期。通过分层存储和清晰的数据流设计，可以在成本、性能与恢复能力之间取得更好的平衡。