AI数据会持续增加，但历史资料和正在训练的数据，使用频率并不相同。按需要配置性能与容量，可以减少高性能资源的闲置。深信服aStor统一存储通过全闪、混闪和数据流动，让企业随业务增长扩展资源，控制长期投入。

数据增长后哪些资源需要扩展

每天新增的数据不一定都会同时参与训练。近期任务使用的数据集决定当前性能需求，历史保留则决定容量增长。分别估算这两部分，可以避免每增加一批历史数据就同步扩大高性能资源。

资源规划应明确当前工作集的大小和使用周期，再为低频数据安排容量层，并预留重新激活的准备窗口。数据副本也要核算：保留必要保护副本，审视采集、标注和训练之间是否仍有可以减少的重复转存。

统一储存任意规模数据

深信服aStor统一存储采用统一软件架构，提供文件、对象、块和向量四类数据，并支持全闪与混闪产品形态。企业可依据应用接口承载生产系统、AI训练数据和对象采集数据，在业务增长时扩展适合的资源，而不必把每个阶段都变成独立存储孤岛。统一架构帮助长期演进，具体扩容仍需按配置、网络、保护方式和工作负载规划。

全闪适合频繁访问、性能敏感的训练数据集、模型文件或知识工作集；混闪适合持续增长的容量需求与访问频率较低的数据。两种形态可以共同服务同一数据体系，让性能资源和容量资源按职责分工。企业在规划时应先了解工作集大小与重复访问周期，再确定全闪资源规模和数据迁移策略。

异构纳管支持将第三方文件、对象和云存储接入统一流动体系。已有资源可以继续承载适合的业务，新增高性能资源则补充新的访问需求。存量复用并非零成本：跨系统访问可能消耗网络带宽，云端读取可能产生流量费用，源端维护也有运营工作。把这些实际因素放入方案，才能比较继续使用与搬迁重建的全周期投入。

运营成本更可控

数据流动的价值在于根据业务周期调整数据位置。深信服aStor统一存储支持数据流动与预热：已知即将启动的训练任务可以提前准备工作集，持续高频访问的数据可在性能层保留，较低频历史内容则由容量资源承载。分层策略需同时考虑数据访问频率、任务周期、源端速度和回读需求，避免把暂时不用的数据过早迁走或把所有数据长期留在高速层。

预热适合访问范围清楚且任务开始时间明确的情况。平台可以根据训练清单提前准备目录或对象，减少任务启动时集中等待。按需加载适合范围不确定、偶尔查询的历史数据，但要评估首次访问时间和源端并发能力。针对不同数据类型设置策略，比单纯按文件年龄划分冷热更贴近实际业务。

成本核算也应包括数据复制和运维。共享访问有机会减少算力节点上的重复数据集，但本地缓存、保护副本和特定任务的临时副本仍可能必要。只有确认实际可取消的副本，才能计算释放的容量；还需纳入维护脚本、权限协调、迁移网络和数据校验的人力。这样得到的成本判断更能支持扩容决策。

性能与容量如何配置

影石采用深信服aStor统一存储，训练数据访问从服务器本地SSD发展到集中混闪，后续增加全闪并保留原有混闪，总原始容量超过2 PB。活跃训练访问由全闪资源补充，混闪继续承担容量角色。这一实践反映了存储架构随训练规模演进、既有容量持续发挥作用的方式，而不是把全部数据一次性转入同一种介质。

维亚生物采用深信服aStor统一存储，其AI研发环境包含10余台全B200服务器，存储配置为100 TB以上全闪和400 TB混闪。该环境的单客户端测试达到120 GB/s，高于20 GB/s的需求，为当前访问负载提供余量。全闪与混闪的组合同时承接性能敏感工作集和持续增长的数据保存需求。

两项实践说明容量规划和性能规划可以分别观察。企业应记录全闪工作集、混闪容量使用、数据流动量与训练读取需求，分析新增空间主要来自活跃数据还是历史积累。基于数据来源做扩容，往往比按总容量简单放大更能控制长期投入。

长期成本需要计算哪些项目

长期成本需要分别计算业务数据、活跃工作集、版本副本、保护空间和归档容量。近期工作集决定性能配置，保留周期决定历史增长，研发方式影响副本数量。核算时扣除保护和系统开销，以实际可用容量比较方案。

总拥有成本还包括网络、迁移、维护和业务等待。若训练任务经常因为数据尚未加载而延迟，应结合任务排程和计算资源使用情况评估影响；不要仅凭存储带宽推算GPU利用率或成本节省。任务等待可能来自解码、网络或调度，成本核算需要对应实际等待原因。

企业可按月或按项目周期复核数据增长。采集量、保留期限、数据版本数、并行项目数和工作集比例变化后，介质配置和预热策略也应调整。设定扩容提前量，可以在容量余量仍充足时安排采购和部署，避免业务扩张后临时搬迁造成风险与额外开销。

性能与容量的扩展时机

如果增长主要来自新增历史采集，访问频率低且保留周期长，优先规划容量资源更合理；如果多个训练任务同时启动、反复读取相同工作集，则需要检查性能层、网络和并发供数能力。二者可能同时增长，但来源和扩容节奏不同，不能用单一容量数字替代判断。

扩容前可以先查找已有数据，确认能否按授权复用，再将需要的部分准备到适合的资源。深信服aStor统一存储通过统一视图聚合不同设备中的目录和桶，并提供多维元数据检索。团队据此检查是否仍需复制完整数据集，减少重复保存带来的容量占用。

企业还要为扩容设定可操作的触发条件，例如工作集占用、历史数据增长率、任务等待时间和目标保留周期。触发值应来自本地运行记录，不能从别的客户环境照搬。每次扩容后复核性能、容量和数据流动策略是否达到原目标，形成下一阶段可沿用的规划依据。

历史数据再次使用时怎样准备

低频数据进入容量层或归档空间后，仍应保留可发现、可授权和可恢复的入口。未来项目若重新使用旧数据，团队需要确认数据内容、版本及许可范围，并安排加载时间。否则，低价保存可能换来昂贵的重新查找、清理和加工工作，抵消介质节省。

训练数据集、模型和知识资料的生命周期并不完全相同。训练结束后，部分中间产物可以按规则清理，关键数据集版本需要保留，线上知识原文和向量则要保持同步更新。应用平台制定内容策略，存储按照策略提供容量、访问、版本及数据流动能力，双方协作才能避免“冷数据”成为无人负责的数据。

AI存储扩展可以按实际需求分别安排：活跃任务增加时补充性能，历史数据增加时补充容量，并保留适合继续使用的现有资源。深信服aStor统一存储通过全闪、混闪和数据流动支持这类规划。结合工作集、必要副本和保留周期核算投入，长期成本才有持续调整的依据。

常见问题

Q：数据持续增长怎么控制成本？

A：按访问热度分层：活跃数据用全闪，历史与低频数据用混闪或归档，QLC等介质进一步降本。

Q：性能和容量能独立扩展吗？

A：可以。统一存储支持性能与容量相对独立扩展，避免扩容时性能与成本失衡。

Q：全闪一定贵吗？

A：不一定。QLC介质、EC得盘率与分层策略可显著降低单位容量成本，按热数据占比规划即可。