活动时间、地点：4月22日（下周三）下午两点半 计算中心二楼会议室
主持人：胡誉老师
报告内容如下：
1. 大模型浪潮下大数据存储的挑战及思考
报告人：魏占辰，互联网大厂AI存储技术专家，负责AI场景高性能分布式存储平台的设计、研发和维护工作，确保大模型训练高效稳定运行
本报告立足实际问题，梳理了从数仓时代到大模型时代演进过程中，业务需求对存储系统带来的挑战，以及互联网公司采取的部分应对措施，并对机器学习方向大数据存储的未来发展提出了思考与建议。
2. 面向同步辐射光源科学数据的智能压缩框架及方法研究
报告人：刘点
随着以高能同步辐射光源（HEPS）为代表的第四代光源的建设，极高的空间相干性与亮度直接推动了实验数据规模的指数级增长，峰值产生量可达每天PB量级。海量异构数据为装置的存储、传输及在线计算带来了极其严峻的挑战。然而，现有的传统通用无损压缩算法（如gzip等）难以充分挖掘光源图像的空间与物理约束，面对高噪声场景极易出现压缩性能退化；同时，单一且静态的压缩算法无法适应复杂多变的实验模式，且难以满足高通量数据流的吞吐性能约束，极易成为制约系统运行的瓶颈。针对上述挑战，本研究突破了寻找“单一最优算法”的传统思路，提出了一套面向光源实验数据的通用压缩方法学与持续学习框架。研究首先构建了统一的数据特征表征与潜力建模体系，从信息论角度定量刻画光源数据的多样性；其次，设计了基于“历史匹配、规则匹配、特征筛选”的三级递进分层决策机制，在庞大的策略空间中实现压缩算法的高效、智能筛选；最后，引入持续学习机制，使系统能够利用历史性能数据动态修正策略选择模型，实现随实验场景演化的自适应优化。本框架旨在保障科学可信度的前提下，实现压缩效率与计算性能的协同优化，为海量光源数据的高效处理提供系统级解决方案。
3. 高能物理EB级数据场景下的元数据管理挑战与现状分析
报告人：唐元鸣
本报告聚焦于高能物理迈入EB级数据时代所引发的核心存储挑战。首先剖析科学数据负载的典型特征，特别是其深层次的目录结构、海量的小文件规模以及高并发的元数据访问模式，这些特征共同使得元数据管理的效率成为整个存储系统的关键瓶颈。核心部分将系统梳理当前主流分布式文件系统（如集中式、全分布哈希、动态子树分区等架构）在应对上述极端场景时的局限性。重点在于探讨其在试图满足“系统横向扩展性”与“深目录操作局部性”这两大核心需求时所面临的矛盾与权衡。通过此分析，尝试勾勒出现有技术方案的能力边界与尚未解决的关键问题。
附件下载：
