DeepSeek开源周第五天开源项目：3FS，高性能分布式文件系统。

这边GPT4.5刚发布，这边DeepSeek开源周进入到第五天开源的项目，最后一天的开源项目是：3FS（Fire-Flyer File System）。

3FS（Fire-Flyer File System）是什么？

3FS（Fire-Flyer File System）是DeepSeek自研的高性能分布式文件系统，专为解决ai训练和推理工作负载的挑战而设计。

3FS的特征

高性能：

利用现代SSD和RDMA网络，提供高吞吐量和低延迟的数据访问。

结合数千个SSD的吞吐量和数百个存储节点的网络带宽，使应用能够以无关地域的方式访问存储资源。

强一致性：

通过实现链式复制与分配查询（CRAQ），确保强一致性，使得应用代码更简洁且易于推理。

文件接口：

采用无状态元数据服务，背后支持事务型键值存储（如FoundationDB）。

熟悉的文件接口，无需学习新的存储API。

多样化工作负载支持：

数据准备：将数据分析管道的输出组织成层次化目录结构，有效管理大量中间输出。

数据加载器：通过支持跨计算节点随机访问训练样本，消除预读取或数据洗牌的需求。

检查点：支持大规模训练的高吞吐量并行检查点。

推理KV缓存：提供一种基于成本效益的替代方案，替代DRAM缓存，提供更高吞吐量并大大提高容量。

存算分离：

数据存储服务与计算节点分离，专门用于存储模型训练需要用到的样本数据。

每个存储服务节点有16张各15TB的SSD硬盘和2张高速网卡，读取性能强劲，网络带宽强大，读写带宽：7.0TB/秒。

自研通信工具：

如hfreduce，优化多卡并行通信，替代英伟达的NCCL，减少PCIe流量和计算开销。

专用数据格式FFRecord：

通过合并多个小文件，减少了训练时打开大量小文件的开销。

通过样本文件的偏移量提升随机批量读取性能。

3FS的应用

AI训练和推理：

3FS专为AI训练和推理工作负载设计，能够显著提升这些任务的效率。

通过高性能和强一致性，3FS支持大规模模型训练和高吞吐量推理。

数据准备和加载：

3FS的数据准备和加载器功能使得处理大量数据变得更加高效，减少了预读取和数据洗牌的需求。

检查点和推理缓存：

3FS支持高吞吐量的并行检查点，确保训练过程的稳定性和容错性。

推理KV缓存提供了基于成本效益的替代方案，提高了推理吞吐量和容量。

3FS的使用

安装和配置：

3FS可以通过GitHub上的开源项目进行安装和配置。

数据格式转换：

使用FFRecord格式进行数据存储和加载，需要将样本数据转换成FFRecord格式。

提供了FFRecord转换工具，方便用户进行数据格式转换。

与PyTorch集成：

3FS适配了PyTorch的Dataset和Dataloader接口，可以非常方便地加载数据并发起训练。

GitHub项目地址：https://github.com/deepseek-ai/3FS

前四天开源项目回顾

第一天：FlashMLA，针对NVIDIA Hopper GPU的高效解码内核，优化了多头潜在注意力（MLA）的性能，显著提升了AI工具在内容创作中的响应速度。

第二天：DeepeEP，首个用于混合专家模型（MoE）训练和推理的开源通信库，优化了大规模分布式训练的通信效率，降低了延迟。

第三天：DeepGEMM，支持稠密和MoE模型的FP8计算库，专为NVIDIA Hopper架构GPU设计，显著提高了计算效率和硬件利用率。

第四天：DualPipe，一种双向流水线并行算法，旨在优化V3/R1模型训练中的计算和通信重叠。EPLB，一个专家并行负载均衡器，专门用于解决大规模AI模型中专家并行任务的负载不均衡问题。