谷歌推出GKE Cloud Storage FUSE新特性，大幅提升AI/ML训练与推理效率

谷歌近日宣布，在其Google Kubernetes Engine (GKE) 上推出全新的 Cloud Storage FUSE 配置文件（Profiles），旨在显著提升AI/ML工作负载的处理效率。该特性于4月20日正式公布，通过自动化性能调优，大幅降低运维人员的操作负担，并加速训练、推理等任务的数据访问速度。

核心功能与优化机制

新引入的配置文件实现了动态资源感知优化，包括自动调整缓存大小、媒体选择等关键参数。此外，Rapid Cache 功能的加入可进一步放大读取性能，特别适合需要频繁访问存储数据的深度学习场景。与传统的静态配置相比，这些配置文件能够根据集群实际负载自动适配，减少人工干预。

兼容性与局限性

尽管新特性带来诸多改进，但用户需注意其不支持CSI临时卷，且无法实现动态挂载。这意味着部分原有基于CSI的工作流需要进行调整。同时，使用Cloud Storage操作和Rapid Cache会产生额外费用，企业在迁移前需评估成本。

对AI/ML生态的影响

此次更新是谷歌云在AI基础设施领域持续投入的体现。通过简化存储层的管理复杂度，数据科学家和ML工程师可以更专注于模型开发而非底层调优。谷歌官方表示，这些配置文件已针对PyTorch、TensorFlow等主流框架的常见训练模式进行预优化，预计将降低30%以上的数据加载瓶颈。

总体而言，Cloud Storage FUSE配置文件为GKE上的AI/ML工作负载提供了更智能、更高效的存储访问方案，但企业需结合自身架构决策是否启用。