CurveFS 助力网易云商，解决语音识别训练数据增长需求

云商 ASR 训练数据快速增长面临困境

随着语音技术在各行各业的广泛应用，自动语音识别(ASR)正在成为众多云服务商的核心竞争力。 但 ASR 模型的持续优化需要大量训练数据的支持,如何高效管理海量训练数据成为云商面临的一个难题。

网易云商在发展 ASR 业务过程中，存储面临了巨大挑战。

  • 将海量训练数据保存在单个节点上，不仅存储资源利用率低下，也使数据难以被多个训练任务共享访问。
  • 仅存放在本地还带来数据丢失风险。
  • 随着语音数据量呈指数增长，单节点存储早已无法负荷。
  • 存储空间满溢，将严重制约业务进一步扩张。

针对存储面临的这些困境，网易云商迫切需要找到一个更优的存储解决方案。

CurveFS

为解决这一痛点,网易云商决定引入开源存储系统CurveFS。

CurveFS是什么

CurveFS是一个基于 Fuse实现的兼容POSIX 接口的分布式文件系统，架构如下图所示:

curvefs arch

CurveFS由三个部分组成：

  1. 客户端 curve-fuse，和元数据集群交互处理文件元数据增删改查请求，和数据集群交互处理文件数据的增删改查请求。

  2. 元数据集群 metaserver cluster，用于接收和处理元数据(inode 和 dentry)的增删改查请求。 metaserver cluster的架构具有高可靠、高可用、高可扩的特点：MDS用于管理集群拓扑结构，资源调度。 metaserver 是数据节点，一个 metaserver 对应管理一个物理磁盘。 CurveFS 使用 Raft 保证元数据的可靠性和可用性，Raft复制组的基本单元是 copyset。 一个 metaserver 上包含多个 copyset 复制组。

  3. 数据集群 data cluster，用于接收和处理文件数据的增删改查。 data cluster 目前支持两存储类型：支持 S3 接口的对象存储以及 CurveBS（开发中）。

CurveFS 一个独特的设计是其后端存储既可对接 S3 对象存储，也可对接 Curve 自研的块存储。 这赋予用户高度的灵活性：对性能要求较高的业务场景，可选择部署在 Curve 高性能块存储；对成本敏感的业务，则可以利用 S3 存储的优势来降低成本。 CurveFS 兼容两种存储后端的特性，使其可以适应不同业务的存储需求，既保证高性能，也控制存储成本。

CurveFS 应用价值

相较于本地存储而言，CurveFS 具有以下优势:

  • 将训练数据存储在云端对象存储，实现资源弹性扩展

  • 统一管理训练数据,支持多节点共享访问

  • 后端接入 NOS 低频存储，相比本地存储能够大幅降低 ASR 训练存储成本

  • 支持数据多级缓存，提升训练效率约 30 %

与保存在单机上的传统方式相比，CurveFS云端部署方案虽然数据读取速度略低，但考虑到未来训练数据量的增长需求，其扩展性和资源优化能力已大大超越本地存储。

Curve共享文件存储系统不仅适用于 ASR 业务场景，在 ElasticSearch 等大数据存储分析业务场景也有应用，目前也在多个集团内部业务场景落地使用。

项目未来规划和展望

但是，CurveFS也面临一定的挑战。 由于ASR训练过程中需要频繁读取数据，这对云存储的访问速度和稳定性提出了较高要求。 云存储由于网络传输的影响，读取速度难以与本地存储相比。 这些在 CurveFS 的后续版本迭代中持续优化，包括优化元数据性能和多级缓存等。

总结

作为一个年轻的项目，Curve仍在快速迭代。未来Curve会继续优化在AI和大数据分析场景的适配能力:

  • 与各类AI框架深度集成，提供自动化的数据预热、训练优化等功能,提升AI训练的易用性和效率。
  • 支持 HDFS 接口，使其能够统一应用于数据收集、存储与分析处理，实现数据生命周期的无缝管理。
  • 在更多实际业务场景中落地,丰富解决方案经验。

通过这些努力，Curve正在成长为一个成熟、强大、适用范围广泛的开源存储系统,为用户提供简单高效的存储服务。它的发展前景广阔，必将为开源社区做出重要贡献。