克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
DeepSeek开源周，今日正式收官！
内容依旧惊喜且重磅，直接公开了V3和R1训练推理过程中用到的文件系统。
具体来说，包括以下两项内容：
-
Fire-Flyer文件系统（简称3FS，第三个F代表File），一种利用现代SSD和RDMA网络的全部带宽的并行文件系统；
-
Smallpond，基于3FS和DuckDB构建的轻量级数据处理框架。
划重点就是，3FS可以把固态硬盘的带宽性能利用到极致，表现出了惊人的速度：
-
180节点集群中的聚合读取吞吐量为6.6TiB/s；
-
25节点集群中GraySort基准测试的吞吐量为3.66TiB/分钟；
-
每个客户端节点的KVCache查找峰值吞吐量超过40GiB/s。
V3和R1中训练数据预处理、数据集加载、嵌入向量搜索和KV Cache查找等工作，3FS都立下了汗马功劳。
网友们表示，3FS和Smallpond为AI数据处理设定了新基准，将改变数据处理的游戏规则。
对于AI来说，这就像从自行车升级到了高铁。
将SSD和RDMA性能榨干
根据DeepSeek团队介绍，3FS是一种高性能的分布式文件系统，面对的就是AI训练和推理工作负载的挑战。
它利用现代SSD和RDMA网络来提供共享存储层，从而简化分布式应用程序的开发。
SSD就是固态硬盘，而RDMA（远程直接访问，remote direct memory access）是一种直接存储器访问技术。
它可以在没有双方操作系统介入的情况下，将数据直接从一台计算机的内存传输到另一台计算机，也不需要中央处理器、CPU缓存或上下文交换参与。
特点就是高通量、低延迟，尤其适合在大规模并行计算机集群中使用。
具体到3FS，具有以下特点：
-
分布式架构：结合了数千个SSD的吞吐量和数百个存储节点的网络带宽，使应用程序能够以不受位置影响的方式访问存储资源。
-
强一致性实现带：分配查询的链式复制 (CRAQ) 以实现强一致性，使应用程序代码简单易懂。
-
文件接口：文件接口众所周知且随处可用，无需学习新的存储 API。
并且，3FS能够适用于大模型训练推理和过程中不同类型的应用负载：
-
数据准备：将数据分析pipeline的输出重组成分层目录结构，并有效管理大量中间输出。
-
数据加载器：通过跨计算节点随机访问训练样本，消除了预取或混洗数据集的需要。
-
Checkpoints：支持大规模训练的高吞吐量并行Checkpoints。
-
用于推理的KV缓存：为基于DRAM的缓存提供了一种经济高效的替代方案，可提供高吞吐量和更大的容量。
在大型3FS集群上的读取测试中，实现了惊人的高吞吐量。
该集群由180个存储节点组成，每个存储节点配备2×200Gbps InfiniBand网卡和16个14TiB NVMe SSD。
大约500+个客户端节点用于读压测，每个客户端节点配置1x200Gbps InfiniBand网卡。
在训练作业的背景流量下，最终聚合读吞吐达到约6.6TiB/s。
DeepSeek还用GraySort基准测试评估了基于3FS构建的smallpond框架，该基准测试可测量大规模数据集的排序性能。
测试分为两个阶段，先用键的前缀位通过shuffle对数据进行分区，然后进行分区内排序。两个阶段既需要从3FS读取，也需要向3FS写入数据。
测试集群包含25个存储节点（2个NUMA域/节点、1个存储服务/NUMA、2×400Gbps NIC/节点）和50个计算节点（2个NUMA域、192个物理核心、2.2 TiB RAM 和1×200 Gbps NIC/节点）。
最终对8192个分区中110.5TiB数据进行排序，耗时30分14秒，平均吞吐量为3.66TiB/分钟。
另外，KV缓存客户端的读取吞吐量，峰值也达到了40GiB/s。
One More Thing
回顾DeepSeek这五天开源的内容，几乎都和AI Infra相关：
-
第一天，FlashMLA架构，DeepSeek独创MLA架构的高性能版本，直接突破H800计算上限；
-
第二天，DeepEP， 第一个用于MoE模型训练和推理的开源EP通信库，提供高吞吐量和低延迟的all-to-all GPU内核；
-
第三天，DeepGEMM，一个通用矩阵乘法库，仅300行代码，是V3/R1训练推理关键秘籍；
-
第四天，连开三源，创新的双向流水线并行算法DualPipe、用于MoE的负载均衡算法EPLB，以及训练和推理框架的性能分析数据；
-
第五天，3FS和Smallpond，高效的分布式文件系统和以之为基础的数据处理框架。
并且主打的就是极度压缩成本，降低消耗的同时将各种硬件的性能全部发挥到极致。
而另外一边，有网友已经在期待V4和R2的上线了。
至此，DeepSeek开源周的连载也要告一段落了，但DeepSeek后续动作依然值得持续关注。
感兴趣的话，欢迎扫码备注「DeepSeek-职业/姓名」加入群聊，一起关注DeepSeek更多动态！
项目地址：
https://github.com/deepseek-ai/3FS
（文：量子位）