Fusion-io能够在不影响性能表现的前提下将更多数据保存在其ioMemory闪存存储设备当中——至少该公司在谈到其NVM压缩接口时是这么说的。
根据我们掌握的情况,NVM压缩接口是“一种闪存识别接口,能够将ioMemory闪存的可用容量提高一倍、同时消除传统磁盘压缩算法给闪存SSD设备带来的负面性能影响。”
如果将其“与Atomic Writes接口相整合,NVM压缩接口甚至能够通过大大简化指令而将闪存使用寿命提升至现有水平的四倍,同时显著优化持久闪存存储架构中的MySQL数据库。”
MariaDB基金会于上月三十一号公布了MariaDB 10的通用版本,而且“其速度要比上代MariaDB高出数倍,特别是在运行传统数据库MySQL的情况下;这要归功于一系列新功能的加入,包括并行复制以及更为先进的组处理机制。”
将NVM压缩接口与MariaDB以及MySQL相结合,就能将有效存储容量提高一倍。MySQL与MariaDB的缔造者Michael “Monty”Widenius对此深表欣慰:“我们将压缩接口放在MariaDB之下进行了实际测试,结果非常出色。能够与Fusion-io一道在闪存识别MySQL性能方面进行创新令人非常振奋。”
NVM压缩接口还能够将众多MySQL数据库当中的可用闪存存储容量提升最多50%,其中包括甲骨文、Percona以及SkySQL等厂商的产品。
更少写入操作、更高执行速度
Fusion-io宣称,NVM压缩接口能够降低不必要的写入操作数量,长时间工作负载测试也“证明了MySQL数据库在配合NVM压缩接口后实际执行速度甚至超过了传统未经压缩的数据库方案。”这一点其实并不难理解,写入操作越少、全局执行速度自然也就越快。
Percona公司联合创始人兼CEO Peter Zaitsev就Fusion-io推出的技术成果作出评论:“我们将NVM压缩接口与Atomic Writes接口两种闪存识别技术整合到了Percona服务器当中,希望在保证可用容量最优的前提下实现理想的性能表现……我们将其视为帮助Percona服务器用户享受低廉的整体持有成本并增强性能的绝佳手段。”
Fusion-io之所以作出这样的定位,完全是因为其自家闪存能够作为这套不影响性能甚至有可能提升性能的压缩技术的存储层。是的,NVM压缩接口无法在SSD上起效。
下面我们来看Fusion-io公司CTO Pankaj Mehra就这一议题作出的评论:“企业级闪存存储方案的价值在于以存储层角度出发实现容量资源最大化,从而为云计算、大数据、内存内数据库以及大规模事务处理带来独特的优化效果。”
Fusion-io向开发人员们传达了这样一条讯息:NVM压缩接口能够帮助他们“通过通用型工作负载优化压缩算法将闪存识别压缩机制快速引入应用程序。”
Fusion-io需要将应用程序开发者群体拉拢到自家阵营当中,从而扩大其PCIe闪存的普及程度;此举显然是希望能与LSI、美光以及其它众多闪存卡供应商拉开竞争差距。为了达成这一目标,Fusion想出的好办法正是为开发人员提供API、从而保证其软件成果能够以更快的速度运行在Fusion的闪存当中。
NVM压缩接口与Atomic Writes接口目前正在MariaDB 10、Percona 5.6、Oracle MySQL 5.7.4 DMR(针对Atomic Writes)以及NVM压缩实验室版本当中进行早期访问测试。NVM压缩接口在本届Percona Live MySQL大会(2014年4月1号到4号)上正式亮相。如果大家碰巧身在圣克拉拉的会场,不妨到200号展位亲身体验Fusion-io打造的这套技术成果。
好文章,需要你的鼓励
随着大语言模型在人工智能时代展现强大力量,可穿戴设备成为收集人体数据的重要载体。通过实时监测血压、心率、血糖等生命体征,结合AI边缘计算能力,医疗正向个性化转型。基因治疗、数字孪生技术让每个人都能拥有专属的医疗数字化身,实现从"报销型医疗"向"创新循证医疗"的转变,为疾病预防和健康管理带来革命性突破。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。
在巴黎举办的欧洲开放基础设施峰会期间,专门用一整天时间讨论VMware迁移问题。博通收购VMware后许可证价格上涨,导致客户运营成本大幅增加。开源开发者展示了将VMware虚拟机迁移到开源替代方案的产品。Forrester分析师指出VMware客户对此感到信任破裂。OpenStack等开源解决方案虽然复杂度较高,但提供了健康的开源生态系统替代方案。
中国人民大学研究团队开发了Tool-Light框架,通过信息熵理论解决AI工具使用中的过度调用、调用不足和过度思考问题。该框架采用熵引导采样和两阶段自演化训练,让AI学会合理使用外部工具。在10个推理任务测试中,Tool-Light显著提升了AI的效率和准确性,为AI工具集成推理提供了新的解决方案。