亚洲va欧美ⅴa在线,欧美另类极品videosbesr

宋家雨，Dostor存儲在線總編輯

方糧，中國計算機學會信息存儲專業(yè)委員會委員

賴能和，中石油東方地球物理勘探有限公司處理中心總工程師

孫斌，浪潮存儲產品線副總經理

宋家雨：在油氣勘探領域，數(shù)據是如何產生、采集和處理的？數(shù)據量又有怎樣的變化？目前又有哪些新興應用？

中石油集團東方地球物理勘探有限公司處理中心總工程師賴能和

賴能和：
人工智能在油氣勘探領域已經開始陸續(xù)應用，比如勘探過程中的城市路線勘探，會根據歷史數(shù)據比對設計出最佳路線；在處理方面，曾經需要30人處理2個月的數(shù)據，現(xiàn)在通過神經網絡和人工智能訓練算法去處理，速度、精準度都大大提高。

油氣勘探大致分成三個階段，第一階段是通過不同的采集手段將野外數(shù)據采集回來；第二階段是數(shù)據處理，數(shù)據中心通過超能計算機對野外數(shù)據進行處理，得到數(shù)據體；第三個階段是利用數(shù)據體，解釋地質構造，找出油氣藏。

油氣勘探過程會產生大量數(shù)據，每年大概會增加2-3倍，就原始采集數(shù)據來看，從2012年的50TB，激增至2019年的2500TB左右的數(shù)據量，這僅僅是原始采集的數(shù)據量。目前我們使用的存儲系統(tǒng)，存儲空間要在原始采集數(shù)據的15倍左右，因為原始采集數(shù)據要經過三十多個基本流程，每個流程要處理中間結果，要保存的數(shù)據量巨大，因此這幾年我們對存儲系統(tǒng)的要求越來越高，投資也越來越大。

人工智能在油氣勘探領域已經開始陸續(xù)應用，比如勘探過程中的城市路線勘探，會根據歷史數(shù)據比對設計出最佳路線；在處理方面，曾經需要30人處理2個月的數(shù)據，現(xiàn)在通過神經網絡和人工智能訓練算法去處理，速度、精準度都大大提高；還有解釋、質量控制階段，都已經開始投入人工智能的研究。

宋家雨：油氣勘探行業(yè)海量數(shù)據的變化和人工智能的應用，帶來了怎樣的挑戰(zhàn)？

中國計算機學會信息存儲專業(yè)委員會委員方糧

方糧：勘探應用網格密度每增加1倍，數(shù)據量就增加3-4倍，網格畫的越細，分析的就越準確，所以油氣勘探對計算能力、存儲能力的要求是無止境的，這是一個巨大的挑戰(zhàn)。

油氣勘探應用網格系統(tǒng)密度不斷增加，以前的網格密度是50m×100m，現(xiàn)在可以做到6m×12m左右，網格每增加1倍，數(shù)據量就增加3-4倍，網格畫的越細，采集精細度就越高，分析的就越準確，所以油氣勘探對計算能力、存儲能力的要求是無止境的。

另一方面，石油勘探領域相比其他行業(yè)有優(yōu)勢，有大量的數(shù)據和經驗積累，可以更加快速適應人工智能技術，運用AI訓練、推理等方式實現(xiàn)勘探作業(yè)更快、更精、更準確，提高勘探成功率。

對存儲系統(tǒng)來講，能夠存取勘探海量數(shù)據的同時，對數(shù)據處理能力也有很高的要求，如果存儲的容量和擴展性跟不上，或者存儲性能和吞吐能力跟不上的話，勘探作業(yè)中極有可能因為存儲的超負荷而崩潰，造成數(shù)據丟失、作業(yè)中斷，這個影響是巨大的。

宋家雨：面對油氣勘探領域這種復雜的存儲需求，浪潮存儲有哪些應對之道？

浪潮存儲產品線副總經理孫斌

孫斌：針對油氣勘探行業(yè)海量數(shù)據存儲需求和數(shù)據處理性能要求，需要大容量、高性能的存儲系統(tǒng)來滿足，我們通常會建議客戶選擇分布式存儲系統(tǒng)。過去幾年，我們對大量應用場景進行研究分析，當面向客戶的實際應用時，有針對性的通過測試、調優(yōu)開展深度優(yōu)化。

針對油氣勘探行業(yè)海量數(shù)據存儲需求和數(shù)據處理性能要求，需要大容量、高性能的存儲系統(tǒng)來滿足，我們通常會建議客戶選擇分布式存儲系統(tǒng)。首先分布式存儲最典型的特點就是容量夠大，可隨數(shù)據量增加而實現(xiàn)橫向擴展，支持到EB級別的存儲容量；其次，存儲性能也可隨著容量的擴展而線性擴展，分布式存儲的每一個節(jié)點都可以承接負載，滿足高并發(fā)讀寫請求。

浪潮存儲一直在探索承接AI等新型應用的新存儲之道，AI的工作負載分為五個環(huán)節(jié)，首先是數(shù)據的采集環(huán)節(jié)，此環(huán)節(jié)要求高吞吐量的寫入，而且是并行的大量順序寫入；第二環(huán)節(jié)是數(shù)據的標識，是大量小IO；第三個環(huán)節(jié)是訓練，是隨機的小IO，對性能要求比較高；第四個環(huán)節(jié)是推理，大部分的推理對延遲要求很高；最后一個是歸檔，這個環(huán)節(jié)要求高吞吐量的讀和寫。IO的模式不同，對存儲的要求不同。

過去幾年，我們對大量應用場景進行研究分析，當面向客戶的實際應用時，有針對性的通過測試、調優(yōu)開展深度優(yōu)化，最大程度滿足客戶應用在容量、性能、架構及管理上的需求，承接客戶應用的同時，也通過AI手段使存儲系統(tǒng)變得更智能。