性能指标

大批量数据操作场景

通过在使用OSS内网域名以及使用OSS加速器域名这两种方式下，针对ossutil在下载/读取OSS数据进行了性能测试，测试数据使用10000个100 KB的文件，总量约为976 MB。

• 测试方案

  测试工具	操作	说明
  ossutil	使用cp命令从OSS下载10000个大小为100 KB的文件到本地。	通过使用OSS内网域名以及OSS加速器域名，针对OSS中目录内文件并发下载到本地的速度进行测试。

• 测试结果

  测试工具	使用OSS内网域名	启用OSS加速器预载数据，并使用加速域名访问
  ossutil	2.2 MB/s	24 MB/s

• 测试结论

  • ossutil在配合OSS加速器使用后的性能大约是不开启加速器性能的10倍。

  由此可以看出，在配合使用OSS加速器后，对于大规模数据的批量操作（如ossutil的场景），OSS加速器能够显著提升数据传输和访问的速度。

大规模数据下的机器学习/深度学习场景

通过在使用OSS内网域名以及使用OSS加速器域名这两种方式下，针对由OSS Connector for AI/ML使用不同域名构建出的数据集，进行了OSS数据读取性能上限测试。测试数据使用10,000,000张图片，平均每张100 KB，总量约1 TB。

• 测试参数

  参数	值/操作	说明
  dataloader batch size	256	每次处理的数据批次大小为256个样本。
  dataloader workers	32	使用32 个工作进程来并行加载数据。
  transform	def transform(object): data = object.read() return object.key, object.label	未对数据进行预处理。

• 测试结果

  数据集构建方式	数据集类型	使用OSS内网域名	启用OSS加速器预载数据，并使用加速域名访问
  OSS Connector for AI/ML方式构建	OssIterableDataset	99920 img/s	123043 img/s
  	OssMapDataset	56564 img/s	78264 img/s

• 测试结论

  从测试结果数据来看，启用OSS加速器之后的性能，大约是不启用OSS加速器的1.6倍左右。OSS Connector在不使用OSS加速器的情况下，能够轻松应对各种高并发、高带宽访问。而配合使用OSS加速器后，其性能则更为强大。

下载响应延迟统计

通过OSS以及OSS加速器多次下载10 MB的Object进行测试，统计其响应延迟（单位ms）分位数。

以下图表中的P50表示50%的请求符合当前统计的延迟情况，P999表示99.9%的请求符合当前统计的延迟情况。

通过图表数据可以看出，结果显示降低了约10倍延迟。

云上数据湖及数仓场景

某用户分别对本地盘、原生OSS以及OSS加速器作为存储介质进行测试。测试数据使用760 GB的lineitem表约20亿条数据。

• 延迟情况

  场景	Local Cache FS （本地）	OSS	OSS加速器
  点查	382ms	2451ms	1160ms
  1000条数据抽取	438ms	3786ms	1536ms
  10%不连续查询	130564ms	345707ms	134659ms
  全量扫描测试	171548ms	398681ms	197134ms

• 性能情况

  • 在线查询时，OSS加速器读命中RT是直读OSS的2~2.5倍。全量扫描、10%随机查询性能是直读OSS的2～2.5倍，约为Local ESSD CacheFs本地读性能的85%。

  • 在线查询时，OSS加速器单个请求固有延迟为8~10ms。1000条随机查询、点查性能是直读OSS的1.5～3倍，约为Local ESSD CacheFs本地读性能的30%。

容器及自动驾驶仿真训练场景

使用启用OSS加速器的情况下，大量容器同时启动获取镜像，地图和日志数据。仿真训练的整体时长降低了60%。