科研数据的产生、汇聚、分析与长期保存，正成为支撑高水平研究的核心基础设施。随着 AI for Science 成为科研新范式，生命健康研究进入多模态、定量化阶段，大科学装置持续推动数据密集型研究，材料、药物与能源研发从试错走向智能设计，科研数据在体量、类型与访问模式上都发生了变化。

一、科研数据的四层结构与四类变化

从数据流转看，科研数据贯穿四层：公共科研仪器平台承担数据源与暂存，规模为 PB 级；课题组环境承担采集、清洗与加工，规模为百 TB 级；所级科学数据中心承担汇集、共享、归档与安全，规模为 10PB 至 EB 级；所级计算中心承担分析与计算，规模为百 TB 级，其中 HPC 偏重大文件高带宽，AI 训练需要应对海量小文件并发。

这四层不是四个孤岛，而是一条流水线：仪器出数据、课题组做初加工、数据中心汇集、计算中心分析。流水线断在哪一层，算力就在哪一层等；数据在层与层之间搬一次，就多一次版本不一致的风险。

由此带来四类变化：数据量从 TB 走向 PB；小文件快速增多，组学、切片、日志与实验过程数据大量累积；访问压力上升，GPU 与 HPC 对带宽、时延与并发的要求同步提高；管理复杂度增加，跨课题组、跨平台、跨协议的共享成为常态。

“十五五”期间，这四类变化会同时加速。AI 辅助假设生成与实验设计需要反复读取历史数据；生命健康研究从“看现象”走向“看机制”，多模态数据叠加；大科学装置与算力平台持续扩容。存储若仍按“一套系统服务一类数据”建设，很快会回到多套并存的局面。

以冷冻电镜为例，单次实验产生数 TB 原始数据，重建过程需要反复读取并生成中间结果；以基因测序为例，一个样本的下机数据为数十至数百 GB，一个批次几十个样本同时处理。两类负载都要求存储既能承接高吞吐写入，又能在计算阶段提供稳定读取，而不是“写得进、读不出”。

二、四类现状制约科研效率

第一，计算效率被拖累。算力资源被 I/O 瓶颈拖慢，作业排队与等待时间过长，昂贵的算力投资难以转化为科研产出。GPU 空转的每一分钟，都是经费的浪费。

第二，协作效率被消耗。数据在仪器、计算平台与办公终端之间反复物理拷贝，存储路径变更导致科研脚本失效，跨团队交付周期漫长。学生毕业、人员流动后，数据在哪里往往无人说得清。

第三，存储总成本偏高。多套系统各自采购、独立管理，冷热数据缺少策略，部分全闪容量被低频数据占用，单位容量成本长期居高。扩容时又因系统边界，无法把容量调到最需要的地方。

第四，数据保护不足。快照策略覆盖不全，误删与篡改缺少有效保护，恢复过程依赖人工，权限管控难以满足审计要求。科研数据往往只有一份，丢失即不可复现。

四类问题对应四项能力要求：高带宽低时延的读写能力、统一访问路径、按数据价值分层的能力，以及可追溯、可恢复的保护体系。

预算机制也在放大这四类问题。科研经费按项目、按年度下达，存储往往被拆成多次采购；每批设备型号不同、品牌不同，几年后形成“一柜一品牌”的局面。统一存储的价值之一，是让后续扩容可以叠加在同一架构上，而不是每批采购都开一条新路线。

三、深信服aStor统一存储方案架构：按数据价值分层建设

方案采用全闪、混闪与存量纳管相结合的分层结构，通常以 2 台全闪、3 台混闪为起点，并根据存量规模纳入 N 套原有存储。全闪层承载 AI 训练、HPC 分析、小文件密集访问与检查点数据；3 台起步即可提供 PB 级可用容量与 6—8GB/s 吞吐，支持大比例纠删码配置，得盘率更高。

混闪层承载活跃项目数据、原始数据副本、近期复用数据集与中间结果，与全闪统一元数据，冷热数据可自由流动。存量层通过统一命名空间纳入原有 NAS、对象存储与归档池，数据逐步治理、按需迁移，历史数据仍可查询与访问，并支持归档至第三方磁带库与云存储。

网络侧采用 100G 与 200G InfiniBand 或 RoCE 组网，向上对接科学计算与工程仿真、大模型训练与微调、推理，以及数据管理、项目管理与计算管理平台。对已有 HPC 集群的院所，存储以标准协议接入，不必改造计算网络。

部署上，管理网络、存储私网与业务网络分离，业务网络按计算集群规模选择 100G 或 200G；存储节点通过标准以太网或 InfiniBand 接入，客户端沿用现有挂载方式。对已有 IB 组网的超算平台，存储可作为并行文件系统之外的容量层与数据层接入，不改变计算侧的使用习惯。

表 1  科研分层建设的落位

四、关键能力

4.1 高性能读写：缩短算力等待时间

统一存储通过 NFS over RDMA 降低网络与 CPU 开销；pNFS 将元数据路径与数据路径分离，多客户端可并行访问多个数据服务；GPU 直接读取（GDS）使文件数据以更短路径进入 GPU，减少 CPU 中转与内存拷贝。科研实测结果显示：单个 30X 人类基因组样本的比对、排序与变异检测由约 10 小时缩短至 6—7 小时；冷冻电镜单次实验的 2D/3D 分类与重构由约 3—7 天缩短至 1—3 天；10 万细胞级单细胞分析由约 14 小时缩短至 8—9 小时；AI 药物虚拟筛选由约 15 小时缩短至 10—11 小时。

这些数字的共同点是：瓶颈原本都在数据供给，而不在算力。把存储路径理顺后，同样的卡时能跑出更多轮实验，这是科研平台最直接的收益。

网络侧同样影响结果。NFS over RDMA 把协议处理从 CPU 卸载到网卡，降低时延与 CPU 占用；对多客户端并行读取同一数据集的场景，pNFS 把数据路径分散到多个服务节点，避免单一入口成为瓶颈。计算集群越大，这两项能力越重要。

4.2 小文件：补足 HPC 平台的短板

传统 HPC 平台以少数大文件、顺序读为主，而 AI 与组学负载以海量小文件、随机读为主。统一存储通过元数据多台协同、目录自动打散、元数据压缩后常驻内存，提升小文件访问效率；小文件聚合写入减少写放大；NVMe 高并发队列降低单次 IO 时延。相关指标为：小文件并发 40 万 OPS；文件量从 1 亿增长到 100 亿，访问性能不下降；聚合块分层使 1000 万文件加载时间由 4 小时缩短至 2 分钟。

4.3 统一命名空间：先纳管、后迁移

统一存储将 NAS（NFS 接入）与对象存储（S3 接入）纳入统一命名空间。元数据先行，同步目录与描述信息，不复制全部数据；业务通过统一入口访问，源端差异对业务透明；热数据按需加载，首次访问触发被动缓存，已知任务可主动预热。相关指标为：统一命名空间支持百亿级文件与大规模客户端并发接入；3000 万文件规模下跨存储查找由 32 分钟缩短至 5 秒。存量数据原地可用，不必等待全量搬迁完成即可上线。

对院所而言，这一能力的意义在于改造可以分步：先把新数据写到新资源池，历史数据留在原处可查；等业务稳定后，再按项目、按年份迁移。项目周期从“搬迁数月”变成“上线数周”。

迁移顺序也有讲究。通常先迁移“新产生、访问频繁”的数据，让用户体验立即改善；再迁移“体量大、访问少”的历史数据，利用夜间与周末窗口；最后处理“归属不清、长期无人访问”的数据，先盘点再决定迁移或归档。分三步走，风险与工作量都可控。

4.4 分层与数据缩减：让全闪承载真正需要的数据

分层按数据热度、访问频率、项目阶段与成本要求决定存放位置，以聚合块为单位流动，减少逐文件搬运的开销；冷数据可分层至异构 NAS、对象存储、磁带库与云存储。相关指标为：1000 万文件加载由 4 小时缩短至 2 分钟；单 TB 可用成本降低 30%。全闪容量因此集中服务当前计算任务，而非长期占用。

4.5 统一视图与检索：不必记住数据位于哪套存储

统一视图支持按项目、时间、类型、大小、标签与来源组合查询；查询结果可组织为任务所需的数据集，直接进入数据准备与预热；开放接口可对接数据管理平台与科研管理系统。相关指标为：3000 万文件规模下跨存储查找由 32 分钟缩短至 5 秒；支持百亿级文件的统一视图。研究人员查数据由多系统检索变为一次查询。

4.6 可靠与保护：不可复现的数据不能丢失

统一存储通过 EC 冗余、端到端校验与硬盘亚健康监测保障数据可靠；目录级快照采用元数据 COW 与数据 ROW 技术，秒级生成；增量异步复制支持异地容灾；配合防勒索、回收站与一次写入不可篡改能力，形成分级保护。相关指标为：平台可靠性 6 个 9；1TB 数据恢复约 15—20 分钟；增量异步复制最短 15 分钟级 RPO；检查点可在 5—15 分钟内完成恢复，断点续训不耽误算力。

五、兼容与生态

协议层面，统一存储支持 NFS、SMB、pNFS 与 NFS over RDMA，以及 GPU 直接读取，可同时对接 Windows 与 Linux 计算环境；对象存储可通过 S3 接入，用于归档与数据湖场景。设备对接层面，已适配磁共振成像系统、光学显微镜、测序仪、质谱仪、冷冻电镜等多品牌进口科研设备的数据直存，替代先落本地盘再人工转存的流程。

存量生态层面，既有 NAS、对象存储与磁带库可被纳管并分层承接，并支持归档至第三方磁带库与云存储，无需另建一套系统。国产算力层面，已在昇腾科研集群上验证文件与对象统一服务以及断点续训能力；产品获赛宝实验室性能认证，入选信创工委会图谱，并为存储产业创新战略联盟成员单位。

对国产算力平台，适配的重点不是“能挂载”，而是训练中断后的恢复能力。断点续训要求存储能在数分钟内把检查点读回，且读取带宽稳定；这一能力已在昇腾科研集群上验证。对正在建设国产算力平台的院所，这是选型时必须确认的一项。

六、案例与佐证

某脑科学与智能技术研究机构以 1.5PB 资源池承载 54 个课题组与 100 余台科研设备，按课题组划分独立空间，TB 级全脑成像数据加载时间减少 80%，管理成本降低 40%。某高校智能产业研究院以 480TB 起步支撑十多个课题组的 AI 训练，容量使用率超过 90% 时性能不衰减。

某医科大学以 3 台混闪、1.05PB 承载基因测序生产与归档，分析周期由一周以上缩短至 3 天以内，分析时间缩短约 60%，成本降低约 30%。在交付规模上，深信服aStor统一存储已服务科研行业 PB 级项目单位 300 家以上，覆盖中科院体系、双一流高校、国家实验室与新型研发机构。

总结：先打通数据流转，再讨论峰值性能

科研存储的关键在于把仪器、课题组、数据中心与计算中心四层用一条统一路径连接，再按热、温、冷分层。四层贯通之后，算力才不会等待数据，峰值性能才有实际意义。该结构适用于新建平台，也适用于既有平台改造。

落地时可先绘制一张数据流转图，标出每个环节的存储位置与拷贝动作，统计一周内人工搬运的工时与数据量，再按分层结构逐层收敛。

关于深信服aStor统一存储

深信服aStor统一存储是深信服自主研发的企业级统一存储产品。2013 年，深信服设立存储研发部门，第一项任务是为桌面云与超融合提供底层存储；这两类产品目前在国内市场份额均位居第一。2017 年，存储作为独立产品线正式上市；2021 年发布高性能生产存储版本，并在深圳、北京、长沙、成都设立四大存储研发中心，研发人员超过 400 人；2025 年发布统一存储，将块、文件、对象三类服务收敛到一套软件定义架构；2026 年完成全面升级，原生支持块、文件、对象、向量四种协议，并可通过统一命名空间纳管第三方 NAS、对象存储与云存储。截至目前，深信服aStor统一存储累计参与交付超过 15064 个客户，累计交付容量约 2.45EB，PB 级项目超过 586 例，存储发明专利 400 余件。IDC 2026 年第二季度中国文件存储市场报告显示，其以 10.1% 的份额位居中国文件存储市场第三。

面向科研场景，该产品提供文件存储服务：全闪承载计算热数据，混闪承载活跃项目与原始数据，存量 NAS、对象存储与磁带库通过统一命名空间纳管，四层数据在同一路径上流动。在科研行业，其服务 PB 级项目单位 300 家以上，中科院体系、双一流高校与国家实验室均有落地。

表 2  典型案例客户：科研