基于文件存储UFS的Pytorch训练IO五倍提升实践

我们在协助某AI客户排查一个UFS文件存储的性能case时发现，其使用的Pytorch训练IO性能和硬件的IO能力有很大的差距（后面内容有具体性能对比数据）。

让我们感到困惑的是：UFS文件存储，我们使用fio自测可以达到单实例最低10Gbps带宽、IOPS也可达到2w以上。该AI客户在高IOPS要求的AI单机小模型训练场景下，或者之前使用MXNet、TensorFlow框架时，IO都能跑到UFS理论性能，甚至在大型分布式训练场景中，UFS也可以完全胜任。
于是我们开启了和客户的一次深度联合排查。

初步尝试优化

1调整参数基于上述情况，首先考虑是不是使用Pytorch的姿势不对？参考网上提到经验，客户调整batch_size、Dataloader等参数。

Batch_size默认batch_size为256，根据内存和显存配置尝试更改batch_size大小，让一次读取数据更多，发现实际对效率没有提升。通过分析是由于batch_size设置与数据读取逻辑没有直接关系，IO始终会保留单队列与后端交互，不会降低网络交互上的整体延时（因为用的是UFS文件存储，后面会讲到为什么用）。
Pytorch DataloaderPytorch框架dataloader的worker负责数据的读取和加载、分配。通过batch_sampler将batch数据分配给对应的worker，由worker从磁盘读取数据并加载数据到内存，dataloader从内存中读取相应batch做迭代训练。这里尝试调整了worker_num参数为CPU核数或倍数，发现提升有限，反而内存和CPU的开销提升了不少，整体加重了训练设备的负担，通过 worker加载数据时的网络开销并不会降低，与本地SSD盘差距依然存在。
这个也不难理解，后面用strace排查的时候，看到CPU更多的时候在等待。
所以：从目前信息来看，调整Pytorch框架参数对性能几乎没有影响。

2尝试不同存储产品 

在客户调整参数的同时，我们也使用了三种存储做验证，来看这里是否存在性能差异、差异到底有多大。在三种存储产品上放上同样的数据集：

1、 单张平均大小20KB的小图片，总量2w张。
2、 以目录树方式存到三种存储下的相同路径，使用Pytorch常用的标准读图接口CV2和PIL
测试结果，如下图：

注：SSHFS基于X86物理机（32核/64G/480G SSD*6 raid10）搭建，网络25Gbps

结论：通过对存储性能实测， UFS文件存储较本地盘、单机SSHFS性能差距较大。

为什么会选用这两种存储（SSHFS和本地SSD）做UFS性能对比？
当前主流存储产品的选型上分为两类：自建SSHFS/NFS或采用第三方NAS服务（类似UFS产品），个别场景中也会将需要的数据下载到本地SSD盘做训练。传统SSD本地盘拥有极低的IO延时，一个IO请求处理基本会在us级别完成，针对越小的文件，IO性能越明显。受限于单台物理机配置，无法扩容，数据基本 “即用即弃”。而数据是否安全也只能依赖磁盘的稳定性，一旦发生故障，数据恢复难度大。但是鉴于本地盘的优势，一般也会用作一些较小模型的训练，单次训练任务在较短时间即可完成，即使硬件故障或者数据丢失导致训练中断，对业务影响通常较小。
用户通常会使用SSD物理机自建SSHFS/NFS共享文件存储，数据IO会通过以太网络，较本地盘网络上的开销从us级到ms级，但基本可以满足大部分业务需求。但用户需要在日常使用中同时维护硬件和软件的稳定性，并且单台物理机有存储上限，如果部署多节点或分布式文件系统也会导致更大运维精力投入。

我们把前面结论放到一起看：

1、 隐形结论：Tensorflow、Mxnet框架无问题。

2、 调整Pytorch框架参数对性能几乎没有影响。

3、Pytorch+UFS的场景下， UFS文件存储较本地SSD盘、单机SSHFS性能差距大。

结合以上几点信息并与用户确认后的明确结论：UFS结合非Pytorch框架使用没有性能瓶颈， Pytorch框架下用本地SSD盘没有性能瓶颈，用SSHFS性能可接受。

那原因就很明显了，就是Pytorch+UFS文件存储这个组合存在IO性能问题。

深入排查优化

看到这里，大家可能会有个疑问：是不是不用UFS，用本地盘就解决了？
答案是不行，原因是训练所需的数据总量很大，很容易超过了单机的物理介质容量，另外也出于数据安全考虑，存放单机有丢失风险，而UFS是三副本的分布式存储系统，并且UFS可以提供更弹性的IO性能。
根据以上的信息快速排查3个结论，基本上可以判断出：Pytorch在读UFS数据过程中，文件读取逻辑或者UFS存储IO耗时导致。于是我们通过strace观察Pytorch读取数据整体流程：

通过strace发现，CV2方式读取UFS里的文件（NFSV4协议）有很多次SEEK动作，即便是单个小文件的读取也会“分片”读取，从而导致了多次不必要的IO读取动作，而最耗时的则是网络，从而导致整体耗时成倍增长。这也是符合我们的猜测。
简单介绍一下NFS协议特点：NAS所有的IO都需要经过以太网，一般局域网内延时在1ms以内。以NFS数据交互为例，通过图中可以看出，针对一次完整的小文件IO操作将涉及元数据查询、数据传输等至少5次网络交互，每次交互都会涉及到client与server集群的一个TTL，其实这样的交互逻辑会存在一个问题，当单文件越小、数量越大时则延时问题将越明显，IO过程中有过多的时间消耗在网络交互，这也是NAS类存储在小文件场景下面临的经典问题。

对于UFS的架构而言，为了达到更高扩展性、更便利的维护性、更高的容灾能力，采用接入层、索引层和数据层的分层架构模式，一次IO请求会先经过接入层做负载均衡，client端再访问后端UFS索引层获取到具体文件信息，最后访问数据层获取实际文件，对于KB级别的小文件，实际在网络上的耗时比单机版NFS/SSHFS会更高。

从Pytorch框架下两种读图接口来看：CV2读取文件会“分片”进行，而PIL虽然不会“分片”读取，但是基于UFS分布式架构，一次IO会经过接入、索引、数据层，网络耗时也占比很高。我们存储同事也实际测试过这2种方法的性能差异：通过strace发现，相比OpenCV的方式，PIL的数据读取逻辑效率相对高一些。

优化方向一：如何降低与UFS交互频次，从而降低整体存储网络延时

1、CV2：对单个文件而言，“分片读取”变“一次读取”

通过对Pytorch框架接口和模块的调研，如果使用 OpenCV方式读取文件可以用2个方法， cv2.imread和cv2.imdecode。
默认一般会用cv2.imread方式，读取一个文件时会产生9次lseek和11次read，而对于图片小文件来说多次lseek和read是没有必要的。cv2.imdecode可以解决这个问题，它通过一次性将数据加载进内存，后续的图片操作需要的IO转化为内存访问即可。
两者的在系统调用上的对比如下图：

我们通过使用cv2.imdecode方式替换客户默认使用的cv2.imread方式，单个文件的总操作耗时从12ms下降到6ms。但是内存无法cache住过大的数据集，不具备任意规模数据集下的训练，但是整体读取性能还是提升明显。使用cv2版本的benchmark对一个小数据集进行加载测试后的各场景耗时如下(延迟的非线性下降是因为其中包含GPU计算时间):

2、PIL：优化dataloader元数据性能，缓存文件句柄

通过PIL方式读取单张图片的方式，Pytorch处理的平均延迟为7ms(不含IO时间)，单张图片读取(含IO和元数据耗时)平均延迟为5-6ms，此性能水平还有优化空间。由于训练过程会进行很多个epoch的迭代，而每次迭代都会进行数据的读取，这部分操作从多次训练任务上来看是重复的，如果在训练时由本地内存做一些缓存策略，对性能应该有提升。但直接缓存数据在集群规模上升之后肯定是不现实的，我们初步只缓存各个训练文件的句柄信息，以降低元数据访问开销。我们修改了Pytorch的dataloader实现，通过本地内存cache住训练需要使用的文件句柄，可以避免每次都尝试做open操作。测试后发现1w张图片通过100次迭代训练后发现，单次迭代的耗时已经基本和本地SSD持平。但是当数据集过大，内存同样无法cache住所有元数据，所以使用场景相对有限，依然不具备在大规模数据集下的训练伸缩性。

3、UFS server端元数据预加载

以上client端的优化效果比较明显，但是客户业务侧需要更改少量训练代码，最主要是client端无法满足较大数据量的缓存，应用场景有限，我们继续从server端优化，尽量降低整个链路上的交互频次。正常IO请求通过负载均衡到达索引层时，会先经过索引接入server，然后到索引数据server。考虑到训练场景具有目录访问的空间局部性，我们决定增强元数据预取的功能。通过客户请求的文件，引入该文件及相应目录下所有文件的元数据，并预取到索引接入server，后续的请求将命中缓存，从而减少与索引数据server的交互，在IO请求到达索引层的第一步即可获取到对应元数据，从而降低从索引数据server进行查询的开销。经过这次优化之后，元数据操作的延迟较最初能够下降一倍以上，在客户端不做更改的情况下，读取小文件性能已达到本地SSD盘的50%。看来单单优化server端还是无法满足预期，通过执行Pytorch的benchmark程序，我们得到UFS和本地SSD盘在整个数据读取耗时。

此时很容易想到一个问题：非Pytorch框架在使用UFS做训练集存储时，为什么使用中没有遇到IO性能瓶颈？

通过调研其他框架的逻辑发现：无论是MXNet的rec文件，Caffe的LMDB，还是TensorFlow的npy文件，都是在训练前将大量图片小文件转化为特定的数据集格式，所以使用UFS在存储网络交互更少，相对Pytorch直接读取目录小文件的方式，避免了大部分网络上的耗时。这个区别在优化时给了我们很大的启示，将目录树级别小文件转化成一个特定的数据集存储，在读取数据做训练时将IO发挥出最大性能优势。

优化方向二：目录级内的小文件转换为数据集，最大程度降到IO网络耗时
基于其他训练框架数据集的共性功能，我们UFS存储团队赶紧开工，几天开发了针对Pytorch框架下的数据集转换工具，将小文件数据集转化为UFS大文件数据集并对各个小文件信息建立索引记录到index文件，通过index文件中索引偏移量可随机读取文件，而整个index文件在训练任务启动时一次性加载到本地内存，这样就将大量小文件场景下的频繁访问元数据的开销完全去除了，只剩下数据IO的开销。该工具后续也可直接应用于其他AI类客户的训练业务。
工具的使用很简单，只涉及到两步：

• 使用UFS自研工具将Pytorch数据集以目录形式存储的小文件转化为一个大文件存储到UFS上，生成date.ufs和index.ufs。
  

• 使用我方提供Folder类替换pytorch原有代码中的torchvision.datasets.ImageFolder数据加载模块（即替换数据集读取方法），从而使用UFS上的大文件进行文件的随机读取。只需更改3行代码即可。
  20行：新增from my_dataloader import *
  205行：train_dataset = datasets.ImageFolder改为train_dataset = MyImageFolder
  224行：datasets.ImageFolder改为MyImageFolder
  

通过github上Pytorch测试demo对imagenet数据集进行5、10、20小时模拟训练，分别读取不同存储中的数据，具体看下IO对整体训练速度的影响。（数据单位：完成的epoch的个数）

测试条件：GPU服务器：P40*4物理机，48核256G，数据盘800G*6 SATA SSD RAID10SSHFS：X86物理机32核/64G，数据盘480G*6 SATA SSD RAID10Demo：https://github.com/pytorch/examples/tree/master/imagenet数据集：总大小148GB、图片文件数量120w以上

通过实际结果可以看出：UFS数据集方式效率已经达到甚至超过本地SSD磁盘的效果。而UFS数据集转化方式，客户端内存中只有少量目录结构元数据缓存，在100TB数据的体量下，元数据小于10MB，可以满足任意数据规模，对于客户业务上的硬件使用无影响。

UFS产品

针对Pytorch小文件训练场景，UFS通过多次优化，吞吐性能已得到极大提升，并且在后续产品规划中，我们也会结合现有RDMA网络、SPDK等存储相关技术进行持续优化。详细请点击阅读原文或访问链接：https://docs.ucloud.cn/storage_cdn/ufs/overview。