文｜白 鴿

編｜王一粟

當月活千萬的APP面臨AI轉型，該怎么做數據存儲？

2013年成立于大灣區的貨運物流App貨拉拉，目前所積累的數據量已達40PB+，在整個行業中屬于中等規模，“我們現在數據量增速也非常快，每一年還會增加幾PB。”貨拉拉大數據專家章嘯說道。

如此龐大數據量，需要一個既能夠穩定、安全，又能夠提高讀寫能力的數據存儲設施。

“自建的穩定性跟云的穩定性相比，還是差一些。”章嘯說道，“所以我們現在基本99%的數據都存儲在云上，不過也保留了一些自建的基礎設施，屬于自建+云服務的混合架構體系。”

貨拉拉大數據專家章嘯

混合架構增加了管理難度，所以找到一朵適合自己業務的云，更加關鍵。

一年多前，貨拉拉將40PB+數據，進行了一次大規模云上遷移，最終遷移目的地，是騰訊云。

用章嘯的話說，這次遷移可謂是“開著飛機換引擎”，但最終結果是好的，0故障完成了40PB+的大數據基建搬遷。

數據遷移一年后，依托騰訊云Data Platform數據平臺解決方案，貨拉拉實現貨運報表產出提前40分鐘，讓任務提速10%。

而這離不開騰訊云Data Platform數據平臺解決方案旗下的兩個拳頭產品：對象存儲 COS、元數據加速器metadata Accelerator。

隨著AI大模型時代的到來，貨拉拉也在積極擁抱AI，但又面臨著新的難題——AI大模型所需要的海量數據頻繁訪問，拉低了整個數據訪問的速度。

那么，AI大模型時代，貨拉拉該如何面對海量數據爆炸式增長的挑戰？這也是所有面臨AI轉型的公司們，共同的難題。

40PB+數據的云上遷移

開著飛機換引擎

12年時間積攢的數據量，貨拉拉將其一次全部遷移到了騰訊云存儲系統架構中，如此大規模的數據遷移，挑戰相當大。

業內皆知，企業積累的海量數據，就是一座尚未被挖掘的“金礦”，數據不光要存起來，更重要的還要能用，才能夠真正發揮數據的價值。

但往往在使用數據的過程中，一方面存在著數據誤刪、數據勒索、機房災難等導致核心數據丟失的情況，另一方面，海量且持續增長的視頻、圖片等非結構化數據，也面臨著存儲成本增加、傳統存儲架構響應慢，難以滿足企業實時調用等需求。

事實上，當前貨拉拉業務規模已經達到超億級文件數量規模，在此規模下，數據存儲需要保障數據可靠性滿足不丟失需求的同時，還需要實現業務高可用，滿足任務執行期間業務不受損。

針對這些問題，貨拉拉已經形成了自建+混合云服務的大數據存儲架構。

在其大數據存儲架構中，底層接入層是采集用戶數據層，將數據采集之后針對不同時效性要求，會經過批處理和流處理等方式，寫入到在線存儲或提供給業務使用。

其中，批計算主要是處理永久存儲在存儲系統中的數據，流計算則處理實時生成的數據，“批處理的部分我們是部署在騰訊云上，其他的板塊則在其他云上。”章嘯說道。

另外，針對數據災備可能出現的核心數據丟失問題，貨拉拉打造了兩套體系化的數據災備架構：

一是元初-元數據管理平臺，針對七天內被誤刪的數據，能夠通過多層防護，快速恢復數據；

二是自研災備系統Kirk，針對數據勒索和機房災難，可實現PB級數據災備，并全鏈路災備；

基于這兩套系統的能力，貨拉拉可以實現數據誤刪的100%召回，核心數據 100%災備。

“隨著我們與騰訊云的深入合作，最終決定將整個40PB+規模數據都遷移到了騰訊云上。”章嘯說道，“騰訊云Data Platform數據平臺解決方案能夠提供多種能力和服務，不過我們現階段主要使用了底層存儲和元數據加速能力。”

據章嘯介紹，整個數據遷移大概分為幾個步驟：

首先是基于Kirk系統和數據離線開發平臺做數據遷移和任務遷移，會同時在兩朵云中跑任務，跑完之后會自動進行數據對比，防止數據出錯。對比的結果完成后給到業務做驗收。

當整個數據驗收能持續驗收成功，會對整個開發平臺做封網，在當天把整個鏈路跑完后，再次對比數據準確性，確保準確之后，再將所有系統全部切換，從而完成整個云的遷移。

“我們將數據遷移過來一年多，目前沒有出現由于COS這種存儲所導致的問題，真正做到了0故障率，整體的建立過程也非常平穩。”章嘯說道。

AI時代數據大爆炸

存儲的難題怎么解？

企業面臨AI業務的轉型，帶來了許多對數據的新需求。

最近兩年，貨拉拉落地了許多新的AI業務板塊。

“我們現在AI業務主要有ChatBI、AI客服等相關的內容，在AI方面目前跟騰訊合作的很深入。”章嘯說道。

AI應用在進行模型訓練時，對數據的調用需要有高吞吐、低延時。

這就帶來了新的問題——AI數據和傳統大數據混合。

“我們的數據都在騰訊云上，現在存在一些模型訓練的任務，會把整個桶的下行帶寬持續拉滿，這樣會對我們整個離線鏈路的穩定性有很大影響。”章嘯說道。

企業傳統業務的大數據存儲計算需要高穩定性，而AI大模型的數據訓練卻需要高吞吐、大帶寬，兩個數據存儲需求相互搶占資源，又該如何在一個系統架構中實現共存？

“針對這些問題，我們也跟騰訊交流分享了幾次，最后提出了分桶而治，專項優化的解決方案。”章嘯說道，基于騰訊云對象存儲COS，是在底層做了兩個存儲集群，即COS桶1和COS桶2：

COS桶1，專做大數據存儲，上層支撐整個大數據市場相關業務；

COS桶2，則寫入專做AI大模型訓練的數據，上層對應整個AI項目；

基于此，“存儲層按照應用拆分不同桶，僅遷移單個模型下行帶寬下降8%。”章嘯說道，“不過，我們也明顯感受到AI業務對帶寬吞吐的訴求要比大數據大的多，后續也會逐步把AI業務通過這樣的方式遷移過來，再進行專項優化。”

在底層COS存儲設立兩個桶，雖然緩解了大數據和AI大模型數據在使用時對帶寬需求的壓力，但AI大模型數據存儲桶自身，也仍面臨著需要非常高的帶寬吞吐能力。

針對這一問題，貨拉拉正與騰訊云基于數據加速器GooseFS進行探索。

據介紹，騰訊云數據湖存儲GooseFS可支持Tbps級吞吐、千億級元數據規模、單鏈接速度輕松達到 GBps 級別，相比于行業內百兆級規模提升10倍，大模型分發效率10倍躍升。

而實現數據高速調用的背后，GooseFS主要是通過對數據的親和力調度能力，將數據調度到跟計算相關節點更近的本地磁盤上，提供Tbps級的吞吐性能。

“我們用起來體驗感最好的，就是GooseFS的元數據加速能力。”章嘯坦言。

最后，針對跨云的問題，章嘯也表示，目前基于COS的模式進行訓練，可以實現按需配置，“數據將持久化存儲在COS Data Lake中，訓練數據按需通過GooseFS拉取到云上或者IDC計算端，做到一份Dataset，多地訓練。”

可以看到，COS作為云存儲底座，為貨拉拉40PB+的數據提供統一存儲池，能夠提供安全穩定的數據存儲能力，在大幅度提升系統可用性、可靠性等性能的同時，也還可以大幅降低存儲成本。

而GooseFS則提供元數據的數據緩存加速服務，能夠滿足大規模數據處理和訓練對高性能存儲的需求，幫助貨拉拉落地AI應用業務。

數據萬象助力企業

釋放數據價值

隨著企業非結構化數據不斷增長，帶來了AI識別難，處理速度慢等新難題。

為了讓數據的價值能夠釋放，需要在存儲端就開始做預處理。

而騰訊云數據萬象，能夠有效幫助企業解決這一問題。數據萬象，主要包含兩個功能，一個是數據管理metalnsight，一個是數據處理Data Engine。

Data Engine，就是數據處理，把計算下沉到存儲端，提供大量標準化的圖片、音視頻的處理能力。比如小紅書用戶上傳圖片，它能在數據層就把圖片進行壓縮+裁剪+上水印，在圖片質量不受損的情況，提升圖片訪問性能，保護知識產權。

metaInsight，通過智能檢索能力為客戶提供一種高效的數據管理服務，它能讓用戶使用自然語言快速檢索海量非結構化數據（圖片、音視頻等）。比如網盤、手機相冊中的“以文搜圖”，之前找照片只能按時間一張張找，現在可以輸入關鍵字直接搜到。

舉個例子，在電商商品搜索中，基于metaInsight的以圖搜圖功能，用戶在上傳商品圖片后，系統通過特征提取與索引庫中的商品圖進行相似度對比，快速返回同款或相似款商品信息，解決傳統關鍵詞檢索的局限性。

而在AI大模型訓練場景中，metaInsight 可對海量非結構化數據進行智能預分類，通過語義檢索（如輸入“雨天”“行人穿行”）快速篩選特定場景數據。相比人工標注，該方案能減少70%以上的預處理時間，同時支持跨模態檢索（如圖像+文本描述），幫助企業在數據清洗階段高效構建高質量訓練集。

“因為非結構化數據的日益增長，云存儲平臺一定要有向量化的能力。”章嘯說道，“數據萬象CI，就可以很好的提升對非結構化數據的管控。”

可以看到，AI大模型時代，存儲不再是之前只做數據的倉庫，而是結合一系列數據處理和計算的能力，成為了數據加速運轉的新引擎。