文｜白 鸽

编｜王一粟

当月活千万的APP面临AI转型，该怎么做数据存储？

2013年成立于大湾区的货运物流App货拉拉，目前所积累的数据量已达40PB+，在整个行业中属于中等规模，“我们现在数据量增速也非常快，每一年还会增加几PB。”货拉拉大数据专家章啸说道。

如此庞大数据量，需要一个既能够稳定、安全，又能够提高读写能力的数据存储设施。

“自建的稳定性跟云的稳定性相比，还是差一些。”章啸说道，“所以我们现在基本99%的数据都存储在云上，不过也保留了一些自建的基础设施，属于自建+云服务的混合架构体系。”

混合架构增加了管理难度，所以找到一朵适合自己业务的云，更加关键。

一年多前，货拉拉将40PB+数据，进行了一次大规模云上迁移，最终迁移目的地，是腾讯云。

用章啸的话说，这次迁移可谓是“开着飞机换引擎”，但最终结果是好的，0故障完成了40PB+的大数据基建搬迁。

数据迁移一年后，依托腾讯云Data Platform数据平台解决方案，货拉拉实现货运报表产出提前40分钟，让任务提速10%。

而这离不开腾讯云Data Platform数据平台解决方案旗下的两个拳头产品：对象存储 COS、元数据加速器Metadata Accelerator。

随着AI大模型时代的到来，货拉拉也在积极拥抱AI，但又面临着新的难题——AI大模型所需要的海量数据频繁访问，拉低了整个数据访问的速度。

那么，AI大模型时代，货拉拉该如何面对海量数据爆炸式增长的挑战？这也是所有面临AI转型的公司们，共同的难题。

40PB+数据的云上迁移，开着飞机换引擎

12年时间积攒的数据量，货拉拉将其一次全部迁移到了腾讯云存储系统架构中，如此大规模的数据迁移，挑战相当大。

业内皆知，企业积累的海量数据，就是一座尚未被挖掘的“金矿”，数据不光要存起来，更重要的还要能用，才能够真正发挥数据的价值。

但往往在使用数据的过程中，一方面存在着数据误删、数据勒索、机房灾难等导致核心数据丢失的情况，另一方面，海量且持续增长的视频、图片等非结构化数据，也面临着存储成本增加、传统存储架构响应慢，难以满足企业实时调用等需求。

事实上，当前货拉拉业务规模已经达到超亿级文件数量规模，在此规模下，数据存储需要保障数据可靠性满足不丢失需求的同时，还需要实现业务高可用，满足任务执行期间业务不受损。

针对这些问题，货拉拉已经形成了自建+混合云服务的大数据存储架构。

在其大数据存储架构中，底层接入层是采集用户数据层，将数据采集之后针对不同时效性要求，会经过批处理和流处理等方式，写入到在线存储或提供给业务使用。

其中，批计算主要是处理永久存储在存储系统中的数据，流计算则处理实时生成的数据，“批处理的部分我们是部署在腾讯云上，其他的板块则在其他云上。”章啸说道。

另外，针对数据灾备可能出现的核心数据丢失问题，货拉拉打造了两套体系化的数据灾备架构：

一是元初-元数据管理平台，针对七天内被误删的数据，能够通过多层防护，快速恢复数据；

二是自研灾备系统Kirk，针对数据勒索和机房灾难，可实现PB级数据灾备，并全链路灾备；

基于这两套系统的能力，货拉拉可以实现数据误删的100%召回，核心数据 100%灾备。

“随着我们与腾讯云的深入合作，最终决定将整个40PB+规模数据都迁移到了腾讯云上。”章啸说道，“腾讯云Data Platform数据平台解决方案能够提供多种能力和服务，不过我们现阶段主要使用了底层存储和元数据加速能力。”

据章啸介绍，整个数据迁移大概分为几个步骤：

首先是基于Kirk系统和数据离线开发平台做数据迁移和任务迁移，会同时在两朵云中跑任务，跑完之后会自动进行数据对比，防止数据出错。对比的结果完成后给到业务做验收。

当整个数据验收能持续验收成功，会对整个开发平台做封网，在当天把整个链路跑完后，再次对比数据准确性，确保准确之后，再将所有系统全部切换，从而完成整个云的迁移。

“我们将数据迁移过来一年多，目前没有出现由于COS这种存储所导致的问题，真正做到了0故障率，整体的建立过程也非常平稳。”章啸说道。

AI时代数据大爆炸，存储的难题怎么解？

企业面临AI业务的转型，带来了许多对数据的新需求。

最近两年，货拉拉落地了许多新的AI业务板块。

“我们现在AI业务主要有ChatBI、AI客服等相关的内容，在AI方面目前跟腾讯合作的很深入。”章啸说道。

AI应用在进行模型训练时，对数据的调用需要有高吞吐、低延时。

这就带来了新的问题——AI数据和传统大数据混合。

“我们的数据都在腾讯云上，现在存在一些模型训练的任务，会把整个桶的下行带宽持续拉满，这样会对我们整个离线链路的稳定性有很大影响。”章啸说道。

企业传统业务的大数据存储计算需要高稳定性，而AI大模型的数据训练却需要高吞吐、大带宽，两个数据存储需求相互抢占资源，又该如何在一个系统架构中实现共存？

“针对这些问题，我们也跟腾讯交流分享了几次，最后提出了分桶而治，专项优化的解决方案。”章啸说道，基于腾讯云对象存储COS，是在底层做了两个存储集群，即COS桶1和COS桶2：

COS桶1，专做大数据存储，上层支撑整个大数据市场相关业务；

COS桶2，则写入专做AI大模型训练的数据，上层对应整个AI项目；

基于此，“存储层按照应用拆分不同桶，仅迁移单个模型下行带宽下降8%。”章啸说道，“不过，我们也明显感受到AI业务对带宽吞吐的诉求要比大数据大的多，后续也会逐步把AI业务通过这样的方式迁移过来，再进行专项优化。”

在底层COS存储设立两个桶，虽然缓解了大数据和AI大模型数据在使用时对带宽需求的压力，但AI大模型数据存储桶自身，也仍面临着需要非常高的带宽吞吐能力。

针对这一问题，货拉拉正与腾讯云基于数据加速器GooseFS进行探索。

据介绍，腾讯云数据湖存储GooseFS可支持Tbps级吞吐、千亿级元数据规模、单链接速度轻松达到 GBps 级别，相比于行业内百兆级规模提升10倍，大模型分发效率10倍跃升。

而实现数据高速调用的背后，GooseFS主要是通过对数据的亲和力调度能力，将数据调度到跟计算相关节点更近的本地磁盘上，提供Tbps级的吞吐性能。

“我们用起来体验感最好的，就是GooseFS的元数据加速能力。”章啸坦言。

最后，针对跨云的问题，章啸也表示，目前基于COS的模式进行训练，可以实现按需配置，“数据将持久化存储在COS Data Lake中，训练数据按需通过GooseFS拉取到云上或者IDC计算端，做到一份Dataset，多地训练。”

可以看到，COS作为云存储底座，为货拉拉40PB+的数据提供统一存储池，能够提供安全稳定的数据存储能力，在大幅度提升系统可用性、可靠性等性能的同时，也还可以大幅降低存储成本。

而GooseFS则提供元数据的数据缓存加速服务，能够满足大规模数据处理和训练对高性能存储的需求，帮助货拉拉落地AI应用业务。

数据万象助力企业，释放数据价值

随着企业非结构化数据不断增长，带来了AI识别难，处理速度慢等新难题。

为了让数据的价值能够释放，需要在存储端就开始做预处理。

而腾讯云数据万象，能够有效帮助企业解决这一问题。数据万象，主要包含两个功能，一个是数据管理Metalnsight，一个是数据处理Data Engine。

Data Engine，就是数据处理，把计算下沉到存储端，提供大量标准化的图片、音视频的处理能力。比如小红书用户上传图片，它能在数据层就把图片进行压缩+裁剪+上水印，在图片质量不受损的情况，提升图片访问性能，保护知识产权。

MetaInsight，通过智能检索能力为客户提供一种高效的数据管理服务，它能让用户使用自然语言快速检索海量非结构化数据（图片、音视频等）。比如网盘、手机相册中的“以文搜图”，之前找照片只能按时间一张张找，现在可以输入关键字直接搜到。

举个例子，在电商商品搜索中，基于MetaInsight的以图搜图功能，用户在上传商品图片后，系统通过特征提取与索引库中的商品图进行相似度对比，快速返回同款或相似款商品信息，解决传统关键词检索的局限性。

而在AI大模型训练场景中，MetaInsight 可对海量非结构化数据进行智能预分类，通过语义检索（如输入“雨天”“行人穿行”）快速筛选特定场景数据。相比人工标注，该方案能减少70%以上的预处理时间，同时支持跨模态检索（如图像+文本描述），帮助企业在数据清洗阶段高效构建高质量训练集。

“因为非结构化数据的日益增长，云存储平台一定要有向量化的能力。”章啸说道，“数据万象CI，就可以很好的提升对非结构化数据的管控。”

可以看到，AI大模型时代，存储不再是之前只做数据的仓库，而是结合一系列数据处理和计算的能力，成为了数据加速运转的新引擎。

集体涨停，固态电池又爆发了文丨泰罗9月5日，固态电池板块爆发，一度二十多只概念股涨停。金银河、先导智能、厦钨新能、信宇人、海目星、天奈科技、天赐材料、丰元股份、赣锋锂业、上海洗霸等不是涨停，就是在涨停的路上。日前，先导智能在投资者互动平台称已经成功打通全固态电池量产的全线工艺环节