昇腾910B平台存储加速实测：铭信FX100 vs NFS基线的对照分析

发布2026/7/28国产算力ROCm昇腾国产 GPU

国产算力平台在模型推理和训练场景中，存储I/O瓶颈常成为性能短板。铭信FX100全闪NVMe-oF阵列在华为昇腾910B平台上的实测显示，相比传统NFS基线，模型推理服务加载时间可缩短6.2至9.3倍，显著提升集群部署效率。这一结果基于R9实测报告，为算力中心优化存储架构提供了可量化的参考。

实测背景：为何关注昇腾910B平台的存储加速？

华为昇腾910B作为国产GPU的代表性产品，在AI训练和推理场景中逐步规模化部署。然而，其存储子系统通常依赖NFS（网络文件系统）提供共享存储，这在多节点集群中容易成为性能瓶颈。模型加载、Checkpoint保存等操作对存储延迟和带宽敏感，NFS在高并发下的性能衰减可能拖慢整体工作流。

铭信FX100采用NVMe-oF（NVMe over Fabrics）协议，通过RoCEv2网络提供低延迟、高带宽的存储访问。本次测试在昇腾910B平台上，以NFS为基线，对比FX100在模型加载场景中的性能表现，旨在验证国产存储方案对国产算力平台的加速效果。

测试配置与基线设定

测试平台为华为Atlas 910B服务器，搭载8张昇腾910B加速卡。存储方面：

基线：标准NFS共享存储，典型数据中心部署形态。
被测：铭信FX100全闪NVMe-oF阵列，4盘RAID0配置（14 TB，XFS），单口100 GbE，RoCEv2网络。

测试模型为DeepSeek-32B（约65.6 GB权重）和DeepSeek-70B（约140 GB权重），分别模拟中等规模和大规模模型的加载场景。加载时间从发起读取请求到模型完全就绪计算，排除网络握手等非存储因素。

实测结果：模型加载加速6.2-9.3倍

根据R9实测报告，FX100在昇腾910B平台上的模型加载性能显著优于NFS基线：

DeepSeek-32B：NFS基线加载耗时691秒，FX100耗时112秒，加速比6.2倍。
DeepSeek-70B：NFS基线加载耗时1399秒，FX100耗时150秒，加速比9.3倍。

加速比随模型规模增大而提升，原因在于FX100的NVMe-oF架构在高带宽需求下能持续提供稳定吞吐，而NFS在传输大文件时受限于协议开销和网络延迟，性能衰减更明显。这一差异在70B模型上放大，表明FX100更适合大规模国产算力集群的存储加速需求。

性能提升的技术归因

FX100的加速效果源于其底层技术架构的差异：

协议效率：NVMe-oF直接映射NVMe命令到网络，减少传统NFS的文件系统协议栈开销，降低CPU占用和延迟。
并行I/O能力：FX100支持多通道并发，实测中持续读带宽可达到NFS的数倍，避免单点瓶颈。
RoCEv2网络：基于RDMA的传输机制，减少网络中断和拷贝次数，提升吞吐效率。

在昇腾910B平台上，这些特性与华为的CANN（异构计算架构）协同工作，确保存储加速不成为算子执行的瓶颈。对于训练场景，更快的模型加载意味着减少集群空闲等待时间，提升整体利用率。

对国产算力集群部署的启示

国产算力生态（如昇腾、ROCm平台）正加速成熟，但存储基础设施的匹配度常被低估。NFS作为传统方案，在中小规模部署中尚可接受，但面对千卡级集群的频繁模型切换、Checkpoint保存等操作，其性能短板可能放大。FX100提供的6-9倍加载加速，直接转化为：

缩短服务启动时间：模型更新或故障恢复时，集群可更快进入工作状态。
支持更频繁的模型迭代：训练过程中，快速加载新版本模型，减少实验周期。
降低运维复杂性：NVMe-oF的集中式管理，相比分布式NFS更易维护。

对于算力中心的技术决策者，选择存储方案时应基于实际负载的I/O特征。如果模型加载、Checkpoint保存等操作占比显著，FX100这类专用存储加速器可能带来可量化的投资回报。

结语

铭信FX100在昇腾910B平台上的实测结果，展示了国产存储方案对国产算力平台的加速潜力。6.2-9.3倍的模型加载提升，为算力中心优化部署效率提供了具体路径。如需评估FX100在自身环境中的表现，欢迎联系铭信技术团队进行门禁化联测（约10周流程，含TTFT降幅≥25%等关键指标验证），确保结果可复现、可度量。