Hammerspace 全局数据平台

跨多云和本地环境的全局数据编排平台，通过并行文件服务让 GPU 集群直接访问分散数据，简化 AI 数据管理。

Hammerspace 的核心定位是解决一个长期存在的结构性矛盾：数据分散在本地数据中心、私有云和多家公有云中，而 GPU 集群的计算需求却要求数据像本地磁盘一样即时可用。传统做法是预先将数据拷贝到计算节点附近，但拷贝耗时、成本高，且容易产生多份副本间的数据一致性风险。

该平台的关键技术在于全局命名空间与并行文件服务的结合。它将分散在不同位置的对象存储、NAS 和云存储统一挂载为一个逻辑上的单一文件系统。对于上层应用（如 AI 训练框架、HPC 作业调度器）而言，它们看到的是标准 POSIX 文件接口，无需修改代码即可访问全部数据。

对 AI 工作负载的实际价值

• 消除数据搬运等待：GPU 集群无需等待数据预置，可直接读取远程数据。平台通过元数据与数据流分离的架构，将数据拉取延迟控制在接近本地存储的水平。
• 动态数据编排：系统能根据 GPU 节点的访问频率，自动将热门数据预热至靠近计算的位置（如集群内闪存），并在任务结束后自动清理，避免占用宝贵的 NVMe 空间。
• 多协议互通：同一份数据可通过 NFS、SMB、S3 及 POSIX 协议同时被不同客户端访问，避免了为不同工具链维护多份数据副本。

部署形态与适用边界

Hammerspace 通常以软件形式部署在客户已有的标准 x86 服务器上，不绑定特定硬件。它支持纯软件模式，也可与现有存储阵列并存，作为数据编排层运行于存储与计算之间。

适用场景集中在数据密集型 AI 训练、跨地域协作、混合云突发计算。如果数据量在 PB 级以下、且单一数据中心内可满足计算需求，该平台的收益相对有限；但当数据跨越多个站点、且 GPU 资源经常动态扩展时，其简化运维和提升利用率的效果较为显著。

实施要点

| 考量维度 | 建议 |

| --- | --- |

| 网络要求 | 需确保计算节点与数据源之间具备 ≥10GbE 带宽，InfiniBand 更佳 |

| 数据迁移 | 无需批量迁移历史数据，平台可增量接管现有存储路径 |

| 团队技能 | 运维团队需熟悉 Linux 文件系统与存储网络，无需掌握分布式存储开发能力 |

对于正在构建 AI 基础设施的团队，建议先以单一 GPU 集群 + 远端冷数据场景做概念验证，重点观测混合工作负载下的实际吞吐与元数据延迟，再决定是否扩大至全企业数据平面。

常见问题

Hammerspace 全局数据平台 是什么？

跨多云和本地环境的全局数据编排平台，通过并行文件服务让 GPU 集群直接访问分散数据，简化 AI 数据管理。

Hammerspace 全局数据平台 的官方网站是什么？

Hammerspace 全局数据平台 的官方网站是 https://hammerspace.com/，可直接在浏览器中打开使用。