V 友们好， 最近在研究和参与 AI 训练加速以及大数据场景的存储优化，关注到了一个挺有意思的开源分布式缓存系统 Curvine ，试用和压测下来效果不错，分享给有类似需求的朋友们。 👉 项目地址 ： https://github.com/CurvineIO/curvine 💡 它解决什么痛点？ 大家在做 AI 训练（比如 Agent 频繁读写小文件、模型权重分发）或者大数据 Shuffle / 热表读取时，如果直接读写云上的对象存储（ S3 / OSS / GCS ），通常会有两个痛点： API 费用高 + 延迟大 （特别是频繁读写小文件）。 现有的缓存方案（比如 JVM 系的 Alluxio ，或者某些 Go 实现）在极高并发和小文件场景下， GC 开销和内存占用居高不下 ，元数据也容易遭遇瓶颈。 Curvine 是用 Rust + Tokio 重新写的一套分布式文件语义缓存层，主打的就是把性能和资源利用率做到极致。 🛠️ 觉得比较亮点的技术特性 Rust 无 GC & 内存极省 ：基于 Tokio 异步运行时，内存占用很低。官方压测和实际跑下来的数据，相比传统 JVM 方案 内存消耗降了 90%+，CPU 也有明显降低 。 低延迟与高并发 ：保持 ~100μs 级的读写延迟，单集群支持 10 万+ QPS 和 50 亿级小文件 。 元数据结构透传（不破坏底层对象存储） ：这个设计很友好！不像某些方案会把文件打碎存进 S3 ，Curvine 的文件路径跟底层 S3/OSS 是一一对应的。哪怕缓存集群临时挂了，S3 上的文件依然保持原样，可以直接拉取，不担心数据被绑架。 云原生 & 接入无感 ： 支持 POSIX / FUSE / Kubernetes CSI 驱动。K8s 挂载 PVC 响应很快，不触发云厂商 Control-Plane API 。 具备透明代理模式，业务代码基本不用动。 多级缓存 ：内存 -> SSD -> HDD 自动分级与热数据提升。 📊 性能跑分（从项目文档摘出来的关键数据） 元数据操作（并发 40 ）： Open QPS ：Curvine 60,376 vs JuiceFS 50,000 vs 原生 OSS 3,900 Rename QPS ：Curvine 43,009 vs JuiceFS 21,000 vs 原生 OSS 200 随机/顺序读写吞吐（对比 Open Source Alluxio ，256K Random Read ）： 16 线程下，Curvine 达到 5.2 GiB/s ，Alluxio 为 0.4 GiB/s ；高线程下基本上能吃满网卡带宽。 项目目前已经加入 CNCF Sandbox ，采用 Apache 2.0 协议 ，完全开源。 感兴趣或者平时也有 S3/OSS 读写慢、AI 训练加载数据卡顿、K8s 共享文件挂载、大数据 Shuffle 性能瓶颈 困扰的朋友可以去看看或踩踩坑： 源码与文档： https://github.com/CurvineIO/curvine 大家平时在做存储/缓存选型时（比如 Alluxio / JuiceFS / MinIO / Ceph ），最看重哪些指标或者遇到过什么难受的坑？欢迎交流探讨！

  • 情报分类：服务器与云资源
  • 分类依据：内容涉及服务器、云资源或网络线路
  • 信息来源：服务器 / V2EX
  • 发布时间：2026/10/16 09:21:46