AI存储性能评估，看懂关键“指标”至关重要

MLPerf存储基准测试V1.0衡量存储系统在AI工作负载下的性能表现，其核心指标是在给定的训练模型和GPU型号下，存储系统能提供的带宽以及支持的GPU数量。其他指标，例如每GPU带宽值或每计算节点带宽值，基本由主机相关配置决定，和存储系统性能无关，不具备可比性和参考价值。

今年9月底，MLCommons协会发布了最新MLPerf Storage v1.0 AI存储基准测试结果，引发了业内的广泛关注。

MLPerf benchmark是一个衡量人工智能硬件、软件和服务性能的标准化基础测试平台，由图灵奖得主David Patterson联合顶尖学术机构发起成立，是权威性最大、影响力最广的国际AI性能基准测试。2023年，MLCommons推出了MLPerf存储基准性能测试,旨在以架构中立、具有代表性和可重复的方式衡量AI工作负载的存储系统性能。

通过严格的测试标准和环境要求，以及丰富的测试模型和指标，MLPerf存储基准测试不仅能够为ML/AI模型开发者提供权威的参考依据，帮助他们选择合适的存储解决方案，同时测试结果也为存储系统的优化和改进提供重要参考和指导。

而今年的MLPerf存储基准评测(v1.0)一共吸引了全球13家领先存储厂商和研究机构参与，该评测围绕医学影像分割、图像分类、天文学参数预测三大AI存储应用场景，采用主流的3D-Unet、ResNet50、CosmoFlow三类模型，在GPU利用率高达90%或70%的条件下，以支持的模拟GPU数量以及带宽作为基准测试指标，评估存储系统的性能表现。

值得一提的是，为了更好的帮助外界理解本次基准测试的标准和结果，MLCommons市场总监Kelly Berschauer日前也单独撰文《MLPerf storage benchmark: A user guide from the maker》，从官方的角度进一步解读了本次基准测试背后的逻辑和思考。

其核心观点是：“MLPerf存储基准测试V1.0衡量存储系统在AI工作负载下的性能表现，其核心指标是在给定的训练模型和GPU型号下，存储系统能支持的GPU数量，而非每GPU带宽值或每计算节点带宽值。”

首先，存储系统能够支持的模拟GPU训练集群的规模，是本次基准评测的核心指标。

可以看到，当前训练数据集的规模正从TB级别上升至PB乃至EB级别，AI大模型的参数量也从千亿级别向万亿甚至十万亿规模迈进，这也意味着所需要的计算资源和存储资源都将会同步增加，而存储系统同样需要提供足够的容量和与之匹配的性能，才能更好地满足AI训练过程中对存储高性能的需求。所以，这个指标本质上是反映了存储系统的扩展能力和对大规模AI集群的支持能力。

基于此，在本次基准测试中，官方认为在给定的训练模型和GPU型号下，存储系统能够支持多少的模拟GPU数量将会决定系统性能的“上限”，而存储系统能够支持的GPU数量越多，不仅代表着系统的性能越高，同时用户的AI存储投资回报也会越高。当然，由于当前训练的AI集群规模都比较大，从用户的角度来说，未来该指标也可以进一步“细化”到单台存储设备或者存储的扩展单元（scale unit）可以支持的GPU数量规模，以更全面、更准确地反映存储在大规模AI集群中的综合性能表现。

其次，仅仅比较每个GPU的MiB/s值（宽带传输速率），并没有太大的参考价值。

本次基准测试中，MLPerf Storage Benchmark主要是通过accelerator emulation测试工具，来模拟真实的 GPU，如：NVIDIA A100、H100 等，在无需真实GPU的情况下就能进行大规模的存储性能压测，用以评估存储系统在 AI 模型训练场景的适用性。

在这样“虚拟”基准测试环境下，每GPU对带宽性能的要求基本上可以看作是一个“确定值”。如官方所言：“本次基准测试中，只有当Unet3D和ResNet50的加速器利用率达到90%以上，或者Cosmoflow的利用率达到70%以上时，整个基准测试才会通过。”且从不同厂商的UNET3D测试数据的对比中，也可以看到“每个GPU的性能差异不会超过10%。”。官方进一步强调表示：“即使是GPU的使用率超过了90%（对于Unet3D和ResNet50）或者70%（对于Cosmoflow），基准测试也不认为有额外价值”。

事实上，我们以高速公路上行车为例，每GPU对带宽性能的要求就像是每辆车在高速公路上面临的“限速”一样，车辆行驶过程中通常都是不能低于最低限速的（比如90%或70%的利用率）。此外，在基准测试中强调的性能差异不超过10%，则类似于不同品牌的车辆在相同条件下（比如都是高性能跑车），它们的速度差异不会太大，都在一个相对接近的范围之内，因此即使车辆能够开得再快，同样也不能高于最高限速。

不仅如此，每GPU的带宽差异也会受卡间同步开销影响，如官方表示：“每GPU带宽是用总数据读取量除以总运行时间得到的，没有正确考虑权重交换期间的空闲时间的影响”。随着GPU数量的增加，权重交换占用的时间也会增加，导致每GPU带宽下降。因此，在当前的测试基准设定下，每GPU的MiB/s这个指标，主要受GPU卡数量、主机性能的影响，无法用于评估存储系统的性能表现。

我们可以这样理解，如同在一条高速公路上，车辆的通行“速度”（ 每GPU的MiB/s值）这个指标，主要受车辆数量（GPU卡数量）和道路拥堵状况的影响，因而不能仅凭车辆的速度，就可以判断一条高速公路的质量（存储系统）一样，我们也不能仅凭每GPU的MiB/s值来评估存储系统的性能表现。

最后，单纯比较每个客户端（主机）的MiB/s值，同样也没有太大的参考意义。

每客户端（主机）的MiB/s基本和每主机模拟的GPU卡数呈线性正比，而测试基准并不限制每主机模拟的GPU卡数，测试者可以根据主机的性能以及主机数量自主决定每主机模拟的GPU卡数。这意味着每台客户端（主机）的MiB/s并不能反映存储系统的性能。

简单做个比喻，这就像是在一场赛车比赛中，每家车队（客户端/主机）的最终名次大致上与他们参与比赛的赛车数量（模拟的GPU卡数）成正比，而比赛规则并没有规定车队必须驾驶多少辆赛车，因而车队可以根据自己的驾驶技术（主机性能）以及车队规模（主机数量）来自由决定自己驾驶的赛车数量。

这也是官方表示：“基准测试报告中提到的主机节点数量，并不等同于实际需要的主机系统数量，因此我们无法从这个数据中得出什么有用的结论”背后的逻辑。

以此为参考，可以看到在本次MLPerf AI存储基准测试中，华为通过单台设备成功满足了255张GPU模拟训练的数据吞吐需求，其GPU利用率保持90%以上，单框稳定带宽高达679 GB/s，是传统存储性能的10倍，这一数据可以说充分展示了华为存储系统在支持大规模GPU运行方面的实力。

更为关键的是，它也再次印证了如果AI存储系统能够支持更多的GPU同时运行，那么它就能更好地满足大规模AI模型训练的需求，而这也是未来用户评估存储系统性能的核心指标的重要所在。

正所谓“正本清源”，相信通过官方对MLPerf AI存储基准测试标准的解读，大家可以更明白无误地“看懂”本次MLPerf AI存储基准测试的结果，以便于在将来更好地选择适合自身的AI存储解决方案。