项目背景
开封市中心血站位于开封市西南隅(开发区金明大道南段),是全市唯一一家持有《采供血机构执业许可证》的专业采供血机构,是不以盈利为目的公益性组织,承担着全市(含五县)500万人口的临床采供血任务,同时又肩负着河南省人民医院的部分用血任务,年供血量在15吨以上。现阶段血站向临床开展有输血新技术培训、输血技术指导和推广,以及疑难交叉配血检测、疑难血型鉴定等业务,向临床提供有全血、去白细胞悬浮红细胞、去白细胞洗涤红细胞、去白细胞浓缩红细胞、解冻去甘油红细胞、机采血小板和冷沉淀等多种血液成分制品。拥有瑞士澳斯邦全自动酶免处理系统、美产血细胞分离机、日产大型贮血冰箱、日产血细胞计数仪、生化分析仪等多台先进检测设备。血站外树形象、内抓管理,建立了一整套符合血站发展的质量管理体系,不断强化血液质量,提高用血安全。
另外随着无偿献血事业在中国的发展,将血液中心(或血站)和医院的信息高效的共享、有机的结合、提高各自的工作效率成为必然,同时血液中心(或血站)要随时收集医院的库存信息便于统筹采血计划,收集患者用血信息;便于无偿免费用血报销。为了提高血站的工作效率和血液管理水平,就需要搭建血站信息管理平台。
需求和挑战
开封市中心血站信息科希望能够建设一套稳健、安全的血站信息管理平台存储方案,其具体需求如下:
1. 为中心血站信息管理平台的数据提供统一、可靠的存储空间,实现的集中存储和管理,以便于平台内的各系统模块之间的数据共享;
2. 除了支持中心血站内部14个科室的用户使用信息管理平台而且还需要支持与外部医疗系统进行数据交互,这就要求存储系统能为主机提供高数据带宽的支持;
3. 为了适应日后血站信息管理平台的扩展及外围系统的完善,整个存储系统必须具有良好的扩展性,在磁盘扩展数量上,至少支持100块以上的磁盘数量;
4. 整个存储系统必须具备集中管理功能,通过统一的图形化界面对存储中所有的功能进行配置和管理,提高IT人员日常维护系统的便捷性。
解决方案
方案概述
Infortrend凭借多年的存储规划能力和丰富的项目实施经验,在此项目中采用ESDS存储系统为用户构建中心血站信息管理平台的基础架构。ESDS磁盘阵列产品是高性能FC/IP混合接口的企业级存储产品,控制器采用PowerPC750 CPU,主频高达800MHZ,其所达到的存取效能是大多数RAID系统所无法比拟的,同时因为新一代的ACIS667芯片设计(内建硬件XOR Engine和ECC support),系统数据传输的总频宽(System Bandwidth)可达6Gb/s,提供出超高的数据读取及写入效能。 除此之外,高速缓存(Cache Memory)的容量大小,是影响效能表现的重要原因,特别是在数据大量的存取环境中,其高速缓存的大小决定了其整体的效能表现。ESDS系统的高速缓存已扩充至4GB DDRII RAM,充分满足对效能的极致要求。它具备有8个8Gb的光纤接口和4个Gb的iSCSI主机端口,可以很灵活地与服务器相连;具有超强的磁盘扩展性能,完全可以满足开封市中心血站将来5年内的存储容量的需求。
方案优势
应用效果
开封市中心血站信息管理平台使用Infortrend ESDS系统作为存储系统,完全能够满足客户数据的集中存储和管理要求。ESDS为血站信息管理平台的数据提供了高性能、稳定的数据传输,使得血站信息管理平台能够为开封市中心血站工作人员提供持续,稳定的服务,无论是信息中心工作人员还是用户都对整个存储管理系统十分满意。
好文章,需要你的鼓励
法国人工智能公司Mistral AI宣布完成17亿欧元(约20亿美元)C轮融资,由荷兰半导体设备制造商ASML领投。此轮融资使Mistral估值从去年的60亿美元翻倍至137亿美元。英伟达、DST Global等知名投资机构参投。作为欧洲领先的AI开发商,Mistral凭借先进的多语言大模型与OpenAI等美国公司竞争,其聊天机器人Le Chat具备语音模式等功能。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
VAST Data收购了成立仅数月的初创公司Red Stapler,该公司由NetApp资深团队创立。Red Stapler创始人兼CEO Jonsi Stefansson将担任VAST云解决方案总经理,负责超大规模云战略。Red Stapler拥有6名开发人员,开发了跨SaaS交付、API集成、监控等功能的云控制平面和服务交付平台,将加速VAST AI OS在超大规模和多云环境中的部署,深化与全球领先超大规模云服务商的合作关系。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。