科研存储的选型，第一句话通常就能分出两类项目：一类强制要求原生 Lustre，另一类不强制。前者属于并行文件系统的主场，后者覆盖校级平台、院所科学数据中心、基因测序、脑科学与影像、多课题组共享以及 HPC 与 AI 双集群。以下讨论聚焦后一类场景，围绕深信服aStor统一存储展开。

哪些场景适用，哪些不适用

不适用的情况需要明确：强制要求原生 Lustre 的超算级集群、上千个计算端的 MPI 密集型负载、以 IO500 榜单作为验收标准的项目。这类需求应由并行文件系统承接，统一存储并不适用。把不适用说清楚，比夸大适用范围更能建立信任。

适用的情况包括：校级或所级科学数据中心、公共仪器平台、课题组共享、生物信息与测序、脑科学与影像、遥感测绘、材料计算、HPC 与 AI 双集群、科研成果归档。其共同特征是数据来源多样、负载混合、协议多种，且不依赖 Lustre。判断标准可以归纳为一句话：不依赖 Lustre、不追求单点极限性能、重视统一运维与数据治理的科研平台，适合采用统一存储。

实际判断时，可以列三张清单：负载清单，列出大文件仿真、小文件训练、仪器直存三类负载的占比；协议清单，列出 NFS、SMB、pNFS 的使用情况，以及对象存储归档需求；存量清单，列出已有存储的品牌、容量与退役计划。三张清单看完，是否属于统一存储的适用范围基本清楚。

清单之外，还要看一项组织条件：是否有统一的信息中心或平台团队。统一存储的价值依赖统一运维；若各课题组各自采购、各自管理，再好的架构也会被拆成孤岛。反过来，只要有一个团队对全所存储负责，收敛就有抓手。

不使用 Lustre，数百个计算端并发是否会抖动

客户普遍担心 NFS 在客户端数量上升后出现抖动。抖动的根源通常在单一 NFS 服务路径的元数据排队与锁竞争，而不是 NFS 协议本身。统一存储的应对方式是多层并行：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；元数据多台协同并行处理、目录自动打散；NFS over RDMA 降低网络与 CPU 开销；小文件聚合写入减少写放大。

相关能力可由指标支撑：统一存储同时支持 pNFS、NFS over RDMA 与 GPU 直接读取；3000 万文件规模下跨存储查找由 32 分钟缩短至 5 秒；元数据经压缩后尽量常驻内存，命中时不回盘。将一条路径拆分为多条并行路径，比单纯加宽单条路径更有效。

锁竞争是另一个常被忽略的点。大量客户端同时对同一目录写入时，元数据锁会成为瓶颈；目录分片把不同目录的元数据分散到不同服务，降低锁冲突概率。对“几千个作业同时启动”的场景，这一机制决定了启动风暴会不会演变成全局卡顿。

客户端侧也有优化空间。挂载参数、并发线程数、缓存策略会直接影响体验；同一套存储，客户端配置不同，测出来的结果可能相差两成。上线前用标准脚本统一客户端配置，比反复调整存储参数更有效。

AI for Science 时代，小文件为何成为分水岭

同一套平台运行大文件仿真顺畅，运行组学、切片与日志却明显变慢，原因在于数据形态不同。AI 训练与生物信息流水线以海量小文件与随机读为主，而传统 HPC 以少数大文件与顺序读为主，许多平台的存储是按后者设计的。

统一存储从两方面补齐：元数据多台协同、目录打散、元数据压缩后常驻内存、小文件聚合写入与 NVMe 高并发队列，提升小文件路径效率；同时保留大文件高吞吐能力，不牺牲原有 HPC 负载。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。科研实测中，冷冻电镜重构由 3—7 天缩短至 1—3 天，单细胞分析由 14 小时缩短至 8—9 小时，两个场景的瓶颈均在小文件与元数据。

组学与影像的差别也值得注意。组学流水线以“多阶段、多中间文件”为特征，每一阶段都产生大量小文件；影像与脑科学以“大文件、局部读取”为特征，单文件数百 MB 至数 GB。两类负载同时存在时，存储既要能聚合小文件写入，又要能低时延读取大文件局部，单一优化手段很难同时满足。

先纳管、后迁移为何能缩短项目周期

传统做法是新存储到位、全量搬迁、业务切换，一个 PB 级平台的搬迁往往需要数月，业务在此期间难以切换。周期长的根源不是带宽，而是必须先搬完才能上线这一顺序。统一存储将顺序调整为先用后搬：统一命名空间先将存量 NAS（NFS）与对象存储（S3）纳入统一视图，元数据先行、数据不动；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，首次访问被动缓存，已知任务主动预热；确认无风险后，再按目录、按项目逐步迁移。

相关指标为：统一命名空间支持百亿级文件与大规模并发接入；聚合块分层使 1000 万文件加载由 4 小时缩短至 2 分钟；3000 万文件跨存储查找由 32 分钟缩短至 5 秒。由先搬完改为先能用，项目周期相应缩短。

迁移过程中，元数据先行是关键。先把目录结构与文件描述同步到统一视图，业务即可按原路径访问；数据本体在首次读取时按需加载，或由管理员在夜间预热。这样，业务上线不必等待 PB 级数据搬迁完成，搬迁可以在运行中逐步进行。

元数据同步的范围需要界定：同步目录结构、文件名、大小与时间即可，不必同步全部扩展属性；权限沿用源端或在统一视图中重新映射。范围界定清楚，同步时间可以从数天缩短到数小时，业务上线更快。

HPC 平台增加 AI 后，底座如何调整

多数科研平台的存储按 HPC 设计，特征是大文件、顺序读、高带宽。引入 AI 训练后，检查点、训练集与小文件会压住原有路径。两类负载的要求并不相同：HPC 侧重带宽，AI 侧重每秒操作数与低时延，混在一套为 HPC 优化的存储上必然互相挤占。统一存储采用一套架构、两类资源池：全闪承接 AI 训练与检查点，混闪承接 HPC 结果与项目数据；同一命名空间下，数据按作业需要在层间流动；训练前将数据集预取至全闪，训练结束按策略回落。

相关指标为：检查点可在 5—15 分钟内完成恢复，断点续训不耽误算力；AI 药物虚拟筛选由约 15 小时缩短至 10—11 小时；30X 基因组分析由约 10 小时缩短至 6—7 小时。这一调整并非推翻原有 HPC 架构，而是补足小文件与低时延能力。

训练与推理对存储的要求也不同。训练强调吞吐与容量，检查点写入要快、恢复要稳；推理强调时延，模型加载与样本读取要快。同一套存储上，训练任务放在全闪的独立目录，推理服务按需预取，两者通过配额与优先级隔离，避免互相影响。

HPC 与 AI 共存的另一面是调度。两个集群可能共用同一套存储，但作业队列、优先级与配额不同；若没有统一的目录规划，AI 训练的大吞吐读写会挤压 HPC 作业的读取。按项目与负载划分目录、设置带宽上限，是常见的隔离手段。

为什么需要统一视图，而非继续完善目录规范

不少单位采用目录规范加人工登记的方式管理数据，前两年有效，第五年往往失效。原因在于数据分散在 NAS、对象存储、归档池与个人盘，目录规范无法约束跨系统副本；研究人员查找数据依赖他人告知，人员流动后线索中断。统一视图支持按项目、时间、类型、大小、标签与来源组合检索；查询结果可直接组织为任务所需的数据集，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。目录规范解决数据放在哪里，统一视图解决数据能否被找到。

统一视图还带来一个附加价值：数据资产盘点。过去要统计“全所多少人、多少项目、多少 TB 数据”，需要各课题组自行上报；有了统一视图，按项目、按时间、按类型统计一次即可完成，结题汇交与成果归档也有了依据。

检索结果如何变成数据集，是下一步的关键。平台可以把查询结果保存为数据集视图，记录路径、版本与缓存状态；计算任务启动时按视图加载，避免人工整理清单。对经常复用同一批数据的课题组，这一步能省下大量重复劳动。

科研数据的可靠性包含什么

科研数据往往只有一份，丢失即不可复现。常见漏洞有两处：快照覆盖不全，恢复依赖人工。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；目录级快照秒级生成、几乎不占用额外空间；增量异步复制支持异地容灾，最短 15 分钟级 RPO；配合回收站、一次写入不可篡改与防勒索能力，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；误删文件可自助找回。数据保护应建设在日常运行中，而非事故发生后。

容灾层面，科研平台通常不需要双活，但需要“可恢复”。增量异步复制按周期把数据同步到异地，RPO 控制在分钟级；发生站点故障时，可在异地拉起业务。对经费有限的院所，这比建设双活中心更现实。

多套存储收敛后，30% 的成本如何产生

成本来自三处结构性调整，而非降低配置。其一，全闪只承载热数据，温冷数据下沉至混闪或归档，避免全量全闪建设。其二，存量存储纳管利旧，不一次性替换，原有投资继续发挥作用。其三，统一运维面减少管理人力，扩容按需进行，减少一次性采购。

相关指标为：单 TB 可用成本降低 30%；3 台起步即可提供 PB 级可用容量；聚合块分层使 1000 万文件加载由 4 小时缩短至 2 分钟。该测算的前提是分层与利旧，如果项目本身要求全量全闪且设定了极限性能指标，这一成本结论不成立。

成本测算时应把三年作为一个周期：一次性采购、扩容、维保、运维人力四项加总，再除以可用容量。只比较单台设备价格，容易忽略扩容与维保的差异；只比较全闪单价，容易忽略冷数据占用全闪带来的浪费。按三年周期算，分层与利旧的收益才看得出来。

还有一个容易被忽略的成本：数据搬迁。多套存储并存时，跨系统搬迁需要停机窗口、人力与风险成本；统一命名空间把搬迁变成后台任务，停机窗口消失，这部分隐性成本也随之下降。对每年都有项目结题的院所，这一项并不小。

把这三项加总，再与“全闪一步到位”的方案对比，才能看出分层建设是否划算。对多数院所，答案是划算的；对少数要求全闪且负载单一的团队，直接上全闪更简单。方案没有绝对优劣，只有是否匹配。

总结：先判断是否属于 Lustre 场景，再讨论建设方式

科研存储没有通用解法。强制 Lustre 的超算级集群应走并行文件系统路线；不强制 Lustre 的校级平台、科学数据中心与 HPC 加 AI 双集群，采用统一存储做分层与纳管更为经济。判断场景属性，比比较参数更重要。落地时可列出本单位三类负载（大文件仿真、小文件训练、仪器直存）各自的计算端数量、数据量与峰值时段，确认占比最高的一类，再决定全闪与混闪的配比。

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。深信服进入存储领域始于 2013 年，最初作为桌面云与超融合的底层底座交付；2017 年独立产品上市，2021 年设立四大研发中心并发布高性能生产存储版本，2025 年发布统一存储，2026 年升级为块、文件、对象、向量四协议并支持统一命名空间纳管。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，存量 NAS 与对象存储通过统一命名空间纳管。在科研行业，其服务 PB 级项目单位 300 家以上。

深信服aStor统一存储针对科研场景在并行访问、小文件处理、存量纳管与统一视图方面完成了适配与优化，为科研人员带来的是数据在原地即可计算、查找数据无需询问他人，为信息中心带来的是多套存储收敛为统一视图、扩容不停机、算力利用率可观测。同类科研平台的改造需求可以沿用这一路径。

表 1  典型案例客户：科研