课程导入：学习目标、课程结构与 GDS 的定位与价值

欢迎来到《GPU Direct存储访问概览指南》的第一章。在正式开始技术细节之前，我们需要先回答三个问题：为什么要学这门课？这门课讲什么？以及 GPU Direct Storage（GDS）在整个高性能计算与 AI 基础设施中处于什么位置？ 只有把这些问题想清楚，后续对 API、数据路径、性能调优的讨论才有立足点。

1.1 学习目标：从“能跑通”到“看得懂瓶颈”

本课程不是简单的 GDS 功能罗列，而是希望帮助你建立一套完整的 存储-网络-GPU 协同视角。完成本章及后续学习后，你应该具备以下能力：

• 理解数据搬运的本质：能够解释传统路径中 CPU 为何成为瓶颈，以及 GDS 如何绕过 CPU 进行 DMA 传输。
• 掌握 GDS 的核心组件：熟悉 cuFile 库、nvfs 文件系统、GPU 页表与 P2P 传输之间的关系。
• 具备实操判断力：面对一个 AI 训练或推理任务，能判断是否适合使用 GDS，并估算潜在收益。
• 能够进行基础性能分析：使用 nvidia-smi、cuFile 的统计接口以及 strace 等工具，定位数据通路中的延迟来源。

1.2 课程结构：四大模块递进

本课程共 30 章，分为四个递进模块。建议按顺序学习，因为后续章节会频繁引用前文的概念与代码示例。

每一章都会包含一个与主题强相关的 可视化示意图，帮助你建立空间直觉。本章的示意图展示了 GDS 在系统栈中的位置。

1.3 GDS 的定位：不是“加速器”，而是“去中介化”

很多初学者容易把 GDS 理解为“让 GPU 直接读文件”，这个说法并不准确。更精确的描述是：GDS 允许 GPU 的 DMA 引擎直接与 NVMe 控制器交互，从而绕过 CPU 内存作为数据中转站的角色。 它并不改变存储介质的物理速度，而是减少了数据路径上的“停留次数”。

从系统架构角度看，GDS 位于 存储驱动与 GPU 驱动之间的协作层。它依赖三个关键机制：

1. GPU 页表映射：GPU 显存中的缓冲区被映射为物理地址，供 NVMe 控制器直接访问。
2. DMA 引擎的 P2P 能力：现代 NVIDIA GPU（Volta 架构及以上）支持通过 PCIe 进行点对点传输。
3. 文件系统支持：需要文件系统提供“直接到设备”的 I/O 路径，而非传统的 page cache 机制。

1.4 典型应用场景与价值量化

GDS 的价值在以下三类场景中体现得最为明显：

• AI 训练中的数据加载：当训练样本为大型图片、视频或科学数据集时，传统路径中 CPU 需要先从磁盘读入内存，再通过 cudaMemcpy 拷贝到 GPU。GDS 可将这个过程缩短 30%-50%（取决于文件大小与 PCIe 拓扑）。
• 推理服务中的模型加载：大模型（如 70B 参数）的权重文件可能达到 140GB 以上。使用 GDS 加载模型权重，可以显著减少冷启动时间。
• 数据分析与科学计算：当 GPU 需要直接处理 NetCDF、HDF5 等格式的科研数据时，GDS 避免了中间缓冲区的内存占用。

1.5 常见误区与学习建议