在AI大模型训练、自动驾驶及EDA等高性能场景中，"GPU闲置"是企业最大的成本浪费。当存储系统无法以足够速度将数据传递给GPU时，即便算力充足，也难以持续高效运行。如何高效地"把数据送到GPU"，正成为影响整体性能的关键因素。
在这一过程中，文件系统承担着连接存储与计算的核心角色。优刻得自研的并行文件系统UPFS，正是面向AI与高性能计算场景打造的数据底座，用于实现海量数据的高并发访问与快速分发，保障GPU持续获得稳定的数据供给。
围绕这一关键环节，优刻得与上海科技大学达成深度产学研合作，推进UPFS产品重要升级，引入Linux内核前沿特性FUSE URING，对数据访问路径进行重构，显著提升整体性能表现。
从"通用能力"到"性能瓶颈"
在现有体系中，FUSE（用户态文件系统）因其通用性与灵活性，被广泛应用于各类云与AI场景。但随着AI负载规模不断提升，其架构限制逐渐显现：
-
单通道机制带来的资源竞争问题
-
并发能力受限，难以充分利用多核资源
-
高负载场景下延迟与吞吐表现受影响
在小文件密集访问等典型AI训练场景中，这些问题会被进一步放大，导致GPU等待数据的情况出现。
产学研协同：从问题定位到架构优化
针对FUSE性能瓶颈，优刻得联合上海科技大学开展专项研究，分阶段推进底层优化工作，双方聚焦FUSE性能瓶颈痛点，联合立项两大研究课题，目前项目均已顺利结题，落地形成实质性技术成果。
阶段一：性能剖析
对FUSE元数据I/O处理链路进行分段分析，定位影响时延与扩展性的关键路径，并交付基于bpftrace的性能分析工具，为后续优化提供数据支撑。
阶段二：性能优化
在系统分析基础上，结合业界多种优化思路（如Fuse over io_uring等），设计并实现多队列并行、批处理机制、零拷贝与用户态直通等优化方案，形成可工程化落地的整体架构。
核心升级：构建面向AI的高效数据通路
基于上述研究成果，UPFS完成对FUSE访问路径的重构，引入io_uring机制，实现关键能力：
-
多核并行处理：为不同CPU核心建立独立处理队列，减少资源竞争，提升整体并发能力。
-
更高效的数据传输路径：通过优化系统调用与数据传递方式，降低上下文切换开销，并支持零拷贝能力，使数据传输更加直接高效。
在实际测试中，UPFS升级版本相较传统FUSE模式取得明显提升：
-
4K小IO性能提升3倍以上
-
大IO吞吐提升约170%
-
不同IO规模下均表现出更稳定的带宽能力
性能提升的直接结果是------GPU等待时间显著降低，整体算力利用率得到有效提升。
面向AI场景的存储能力升级
UPFS的此次升级，不仅是单点性能优化，更是面向AI场景的数据基础设施能力提升：
-
全场景覆盖：无论是公有云、私有云还是混合云，架构统一
-
算力协同优化：专为AI算力定制，支持RDMA直通，确保数据高速流入GPU
-
信创兼容：支持主流国产芯片与操作系统，助力企业构建自主可控的AI底座
通过对存储访问路径的持续优化，UPFS正在帮助企业减少"数据等待"，释放算力价值。优刻得将持续推进AI原生存储技术演进，进一步提升数据与算力的协同效率，为高性能计算场景提供更加稳定、高效的基础设施支撑。
这一技术突破的背后，不仅是优刻得在高性能存储领域的持续深耕，更体现了校企协同创新的独特价值。通过与上海科技大学的深度合作，双方实现了从理论研究到工程落地的高效转化，加速前沿技术在产业场景中的实际应用。