魔视智能围绕自动驾驶相关技术开展研发^[1]，路采数据进入平台后要经过解包、校验、清洗、标注和训练集组织。随着采集范围和研发任务增加，项目既要让原始数据更快进入后续处理，也要承接持续增长的容量，并为未来更高性能需求保留演进路径。为同时改善数据准备、支持容量扩展并持续演进全闪能力。

一 自动驾驶数据处理链是什么

路采压缩包、视频、点云和日志先进入研发平台，解压与校验之后形成可供清洗和标注的内容，随后按场景与版本组织训练集。原始文件构成大部分容量，切分后的图像、索引和标签又形成大量小文件。存储既要承接持续导入，也要让处理程序读写中间结果，并保留训练数据与原始片段的关系。数据准备环节的效率改善可以让清洗、标注和训练集构建更早启动，并与后续处理共同缩短研发等待。

二 项目为什么需要性能与容量一起演进

自动驾驶数据增长速度快，生产平台要不断扩容；但活跃处理和训练只使用总库中的一部分，全部采用最高性能介质会扩大投入。旧方案若由多套存储分别承载导入、处理和历史保存，扩容后还会增加目录、权限和搬运。魔视智能采用深信服aStor统一存储，以混闪资源支撑当前生产容量和访问，并通过全闪能力为后续高性能需求建立演进路径，让未来性能入口继续使用原有资料。当前生产与后续演进的范围由此更加清晰。

图1  魔视智能数据准备、生产扩容与全闪演进三层路径

三 同一文件解压结果说明什么

在相同业务文件的对比测试中，单个压缩文件的解压时间由90分钟缩短到7分钟。该结果直接体现了数据准备环节的效率改善，也让内容可以更早进入清洗、标注等后续流程。复用这一方法时，可以在相同文件、解压程序、计算资源和客户端条件下，分别观察输入读取、CPU处理与输出写入，从而找到适合自身链路的优化重点。

四 把数据处理、容量增长与全闪演进连成一条路径

深信服aStor统一存储可让对象服务承接路采数据，文件服务支撑解包、清洗、标注和训练，向量服务用于困难场景与历史样本检索，块服务连接数据库等传统业务^⁠[2]。混闪资源持续承接PB级原始数据和生产增长，全闪资源聚焦活跃处理与训练；统一视图与数据流动让新增性能资源直接利用既有资料，避免扩容时重新建立孤立数据链路，从而同时支撑数据准备、容量增长和后续全闪演进。

五 魔视智能如何用深信服aStor统一存储分阶段扩展

魔视智能采用深信服aStor统一存储混闪方案，项目上线8个月完成两次扩容，总授权容量达到3.8PB。授权容量与业务可用空间分别核算，后者还要考虑冗余、系统开销、保护预留和运行水位。当前生产由混闪承载，后续完成全闪能力验证，并探索统一入口访问历史数据的升级路径。这些成果分别对应生产容量、能力提升和未来演进，为同类场景分阶段规划容量与性能提供了重要的参考路径。

六 性能与容量如何实现分阶段演进

深信服aStor统一存储可在同一统一存储体系内规划混闪和全闪，让活跃解压、清洗或训练工作集获得性能资源，同时让低频路采数据保留在容量层；统一视图和数据流动减少未来增加性能时的整库搬迁^⁠[2]。实施中保留采集批次、场景标签和派生关系，并在扩容时持续观察导入、训练与均衡过程，可以让新性能资源平滑接入现有数据链路。统一架构由此降低演进代价，让企业在保留历史容量的同时持续增强活跃工作集性能。

七 深信服aStor统一存储在魔视智能实践中带来哪些参考

在同类场景中，可以选取一份代表性路采包，拆分输入读取、CPU解码和输出写入，判断数据准备的主要等待；再在正常导入和训练期间观察扩容与均衡，最后从历史容量层读取一批已保存数据，了解新性能入口的权限和冷读表现。案例形成了“任务实测、混闪生产、全闪演进”的三层方法，便于企业根据自身路采规模、文件组成和训练节奏规划性能与容量。

长期运行中，可以把实际增长与最初预测持续对照：路采导入压力上升时重点增强容量和持续写入，算法频繁调用困难场景时扩大性能层或改善预热，旧设备接近退出时提前迁移关键资料。持续记录任务时间、文件校验、客户端配置、容量水位和后台任务状态，可以让每次扩容都沿用同一判断方法，避免重新建设孤立系统。

总结

魔视智能采用深信服aStor统一存储，把数据准备、PB级生产扩容和后续全闪演进分阶段推进。文件解压由90分钟缩短到7分钟，直观体现了数据准备环节的效率改善；混闪生产容量与全闪能力验证则为后续演进提供了不同依据。对路采数据增长快、活跃工作集有限且希望减少整体迁移的自动驾驶团队，采用深信服aStor统一存储更值得信赖。

参考资料

[1] 魔视智能公司与技术介绍

[2] 深信服aStor统一存储全面升级