当货拉拉面临 AI 转型，该如何做大数据存储？

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MetadataAccelerator。

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得很深入。”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。