在AMD和DigitalOcean上的块存储比较 | AI生成和翻译

Home 2026.06

问题： 块存储/卷在 AMD Dev Cloud 和 DigitalOcean 上是如何工作的——其机制是什么，以及如何使用？

回答：

块存储：实际工作原理

在基础设施层面，网络块存储（通过数据中心网络的 NVMe-oF 或 iSCSI）将远程磁盘暴露为本地块设备。Hypervisor/驱动程序将远程卷映射到 VM 内部的 /dev/sdX 或 /dev/vdX 设备节点。从操作系统的角度看，它与本地磁盘无异——你可以对其进行分区、格式化、挂载和使用。

你的 Droplet/实例
  ↕ virtio-blk / NVMe-oF 驱动
存储节点（独立的物理硬件）
  ↕ 高带宽数据中心网络
  原始块设备暴露为 /dev/sda、/dev/vda 等

“分离与重新附加”的特性之所以有效，是因为存储节点独立保存数据——你的计算实例相对于卷是无状态的。

DigitalOcean Volumes

概念

CLI 工作流 (doctl)

# 安装 doctl
brew install doctl
doctl auth init

# 创建卷
doctl compute volume create my-data \
  --region sfo3 \
  --size 100GiB \
  --fs-type ext4

# 附加到正在运行的 Droplet
doctl compute volume-action attach <volume-id> <droplet-id>

# 在 Droplet 内部——找到设备
lsblk
# 通常显示为 /dev/sda 或 /dev/disk/by-id/scsi-...

# 挂载
sudo mkdir -p /mnt/data
sudo mount -o discard,defaults /dev/sda /mnt/data

# 重启后持久化
echo '/dev/sda /mnt/data ext4 discard,defaults 0 0' | sudo tee -a /etc/fstab

在 Droplet 之间迁移卷

# 从旧 Droplet 分离
doctl compute volume-action detach <volume-id> <droplet-id-old>

# 附加到新 Droplet（GPU Droplet 等）
doctl compute volume-action attach <volume-id> <droplet-id-new>

这是关键用例——你的数据集或模型权重保存在卷上，你可以启动一个便宜的 CPU Droplet 进行预处理工作，然后重新附加到 GPU Droplet 进行训练。仅在需要时才为计算付费。

AMD Dev Cloud (devcloud.amd.com)

AMD Dev Cloud 使用略有不同的模型——它更像是一个带有项目级存储的托管云，而不是原始的 IaaS 块设备市场。以下是实际的工作方式：

AMD Dev Cloud 上的存储层级

类型 位置 用途
实例本地存储 MI300X 节点上的 NVMe 快速临时存储，临时数据
持久化项目存储 网络附加，按账户 数据集，检查点
对象存储（如启用） S3 兼容端点 大型数据集暂存

他们 UI 中的”Volumes”概念映射到在实例终止后仍持久存在的块设备——类似于 DO Volumes，但范围限定在你的 AMD Dev Cloud 项目内。

实际工作流

# SSH 进入你的 AMD Dev Cloud 实例
ssh user@<amd-instance-ip>

# 检查附加了哪些块设备
lsblk -o NAME,SIZE,TYPE,MOUNTPOINT,FSTYPE

# 如果卷已附加但未挂载
sudo mkfs.ext4 /dev/sdb          # 仅在第一次！
sudo mkdir -p /mnt/volume
sudo mount /dev/sdb /mnt/volume

# 持久化
echo '/dev/sdb /mnt/volume ext4 defaults 0 0' | sudo tee -a /etc/fstab

具体针对 AMD Dev Cloud——由于你使用的是 MI300X（$2/小时），关键模式是：

# 停止实例前——干净地卸载
sudo umount /mnt/volume

# 通过 UI 或 CLI 分离，然后重新附加到新实例
# 在新实例上：
sudo mount /dev/sdb /mnt/volume
# 你的数据在那里

你的 ML 工作流的关键模式

由于你在 AMD Dev Cloud 上进行模型训练：

[卷：500GB]
  ├── /datasets/         ← HuggingFace 数据集，预处理
  ├── /checkpoints/      ← model.pt 每 N 步保存
  └── /runs/             ← wandb 本地日志，指标

工作流：
1. 启动 MI300X 实例（$2/小时）
2. 附加卷 → 挂载到 /mnt/vol
3. 训练 → 检查点保存到 /mnt/vol/checkpoints/
4. 停止实例（计费停止）
5. 卷持久存在 → 下次会话重新附加

这可以避免在实例终止或切换机器时重新下载数据集或丢失检查点。

注意事项

Back Donate