内容目录
分享嘉宾：刘礼铭 bilibili人工智能资深工程师
一、B站AI的训练场景
机器学习平台介绍
首先，简单介绍一下B站 AI 的训练场景，整个机器学习平台的架构如下图所示：
它具备了一个常规机器学习平台的能力，比如交互式建模、数据集管理、模型训练、模型部署等基础能力，用户也会有一些精确的数据集、业务团队以及资源运营相关的能力，同时对机器学习框架（比如业界流行的 TensorFlow、PyTorch、DeepSeed 以及自研的一些框架等）都需要兼容。同时，为了加速整个训练的收益，我们与 Alluxio 进行了很多合作，搭建了一个在 AI 训练场景的训练集群，调度器主要是 Volcano，是现在机器学习平台常用的。
已有存储方案介绍
下图是我们搭建 Alluxio 之前的存储方案， HDFS 主要针对大数据的分析场景，B站自研的 OSS 存储叫 BOSS，还有一些 NAS 存储的系统，当然每个存储系统都有自己的优缺点，这里也简单的做了个对比。
AI 训练场景介绍
1. 搜推
一个是搜推，比如商业、广告、流量推荐，这种场景就是很明显的大数据存储的场景，跟 HDFS 这一套就非常的亲和。
2. CV/ 大模型场景
这个场景也是目前我们使用 Alluxio 的一个主要业务场景，这里有一个特点，单数据集的规模很大，比如我们最近在用的一个数据集，已经达到了 PB 级，文件数量大概在亿级别，基本都是小文件。CV 训练以图片、音频等为主，基本都是100KB、1M大小，数据比较多样，有图片、视频、音频、文本等。
AI 训练存储痛点
我们在训练过程中发现了几个存储方面的痛点：
1. 存储容量：
-
因为现在随着大模型的引入，数据量会越来越大，对数据容量的要求会越来越高，像我们现在大数据集，可能会达到上百T；
-
这是一个快速增长的过程，而且特别是最近的 Sora 带火了 TTV 这种场景，所以视频的规模会非常大，存储系统需要具备高扩展性以应对不断增加的数据需求。
2. 性能瓶颈：
-
高吞吐：AI 训练需要频繁读取和写入数据，存储系统需要支持高吞吐量以保证数据加载速度；
-
低延迟：数据读取的延迟应尽可能低，否则会影响训练效率，导致 GPU/NPU 等计算资源的浪费。
正如大家所熟知的，现在买卡非常难，如果 GPU 由于 IO 导致利用率低，那肯定是不划算的；
3. 成本、安全：
-
高成本：存储大量数据尤其是高分辨率图像和视频数据，存储成本很高，需要平衡性能和成
-
访问控制：需要对数据访问进行细粒度的权限管理，确保数据安全。
基于 Alluxio 的训练存储架构
为了解决这些痛点，我们在调研之后，采用了 Alluxio 的方案，主要有三大吸引点：
- 统一命名空间：将不同存储系统（如 HDFS、BOSS、云存储）抽象为一个统一文件系统接口，对用户来说不用感知底层的 HDFS，只需要挂 Fuse；
- 内存或 NVMe 缓存：结合内存和 NVMe 存储缓存，提升访问速度，降低 I/O 延迟，用的比较多的是 NVMe 的场景，大量 GPU 都会高配这种 NVMe；
- 多存储后端：兼容 HDFS、对象存储等多种存储后端，扩展性强。
二、Alluxio 在 AI 训练场景的应用
为什么选择 Alluxio ？
这里先介绍一下 Alluxio 的主要优势：
- 性能高：低延迟高吞吐的数据缓存能力，对于 AI 训练尤其重要；
- 兼容性强：支持 S3/HDFS 后端，提供了广泛的数据源兼容性；兼容 POSIX 协议；
- 运维成本低：运维成本在大规模数据存储和处理环境中尤为重要，有助于减少整体运维投入；
- 大规模数据处理：Alluxio 支持亿级的数据量规模，能满足 AI 训练需求。
在做技术选型的时候，我们也对业界常用的几个系统做了调研和分析，基于B站的体量，我们没有人力单独为 AI 做存储的维护，所以第一个优先考虑的就是成本，需要投入更低的成本、更低的运维，支持更强的性能。在调研过程中 Alluxio各方面表现优势明显，最终我们选择了 Alluxio。
单集群 or 多集群？
在部署的时候 Alluxio 采用的是一种多 Master、多 Worker 的方式。但B站在大数据集场景是一种单集群部署的模式，优势是：一个集群可以集中管理、运维成本比较低，可以实现资源的高效利用；缺点是现在社区版2.9.4的元数据存储在 Master ，很容易碰到天花板，扩展性比较有限，如果我们单个集群出现了问题，对业务的影响是比较大的，所以在 AI 场景我们最终采用的是多集群部署的方案。
基于整个集群的存储规模，集群的划分会按照业务或者是数据集，好处是某个业务或者数据集需要更强的能力，我们则会投入更多的资源，而对于那些不怎么重要的业务，或者是低优先级的业务，则需要把它隔离开，从而不至于让低优先级的业务影响到高优先级的业务，这是我们最终采用的方式。
通过多集群的方式，在部署运维方面会增加更多的成本，那么如何解决这个问题？
基于 Fluid 的云原生多集群部署方案
这里我们引入了 Fluid。Alluxio 是对底层存储的抽象，Fluid 又是对 Alluxio 这一层 Runtime 的抽象。通过 Fluid 之后，我们可以更好的在 K8s 上，更自动化的部署多集群的方案，目前我们应该有百机规模的集群。
调度优化
另一个问题是，我们在实际应用中使用的是 volcano 调度器，主要是 binpack 为主，binpack 的策略是尽可能的把单台机器塞满，对我们这种 IO 密集型的业务，如果把所有的节点都调度到单台机器上，很容易造成单点故障，给 IO 造成瓶颈，另外也会带来网络拥塞、资源利用不均等问题。
解决办法：我们结合了业务特点以及本身的缓存加速场景，采用的是拓扑感知的调度策略。首先，会尽可能的让 Alluxio 的节点分散到我们集群的每台机器上，尽可能的把 IO 打散。其次，在任务调度的时候，我们也会去感知 Alluxio 的拓扑分布，尽可能做到任务与 Alluxio 节点的亲和，这样亲和之后相当于在读本地硬盘。
元数据同步加速
元数据同步的必要性:
- 元数据同步在 Alluxio 中至关重要，因为它确保 Alluxio 文件系统与底层存储系统中的数据保持一致
这个问题我们也同样遇到过。当数据量大了之后，如果我们按照官方的元数据同步方法，对整个集群的稳定性和性能都会有很大的影响，所以我们最终采取了一种按需同步的方法。因为我们已经把集群暴露给用户，他可以直接操作他的集群，知道什么时候数据是更新的，由他来决定；另外，如果是那种亿级别的数据集要做 Meta 同步，至少是小时级别，这个肯定是不可接受的，所以我们也在要求用户最小化他的同步单元，尽可能的减少无效的同步计算。
具体同步方式:
- 基于时间的自动同步：设置alluxio.user.file.metadata.sync.interval 属性 来定时同步；
- 手动同步：使用 loadMetadata 命令或 API 手动触发同步。
加速方式：
- 按需同步：只在需要时触发；
- 最小范围同步：最小范围同步，减少无效同步计算。
超大规模小文件优化
我们很多场景的数据都是以小数据为主，如果只是简单的把数据给到 Alluxio，然后什么都不做，这样就会有两个问题，一个是 Meta 会很多，本身我们采用的就是 Master 的架构，整个集群对 Master 的压力会很大；另一个就是用户会无组织的去用，因为他根本就不知道该做哪些组织才有利于数据的 IO。这块我们主要是做了数据合并，也是我们在训练场景用的比较多的一种方式，把一个图片做成一个 chunk，chunk 里边再做一个下浮，我们可以做到指数级的降低文件的 Meta 信息，并对整个训练的效果都不会有太大的影响。
Alluxio 带来的效益
在我们实际应用过程中测下来，亿级别的单节点性能基本能达到 IOPS 在 3000+ 以上，整个业务包括我们的审核、大模型，都在用这一套，我们现在已经缓存的数据集大概在几百T规模左右。
三、未来规划
Alluxio 之前介绍过知乎的推理场景，这个场景B站也有比较大的痛点，所以我们也在尝试探索更多的可能。另外就是现在 Master 元数据管理是一个很痛的点，在这种场景下 Alluxio 最新的 Dora 框架可以带来多大的收益，也是需要我们进一步去调研的，同时，因为我们是一个机器学习平台，应用场景非常单一，我们也在跟B站的存储专业团队做一个更大规模、更通用的 Alluxio 解决方案，这是我们现在在做的，也是后续打算去推的。
