“目前,它正在逐渐变软”,别多想,这句话是用来形容企业IT架构的发展趋势,以此概括云计算时代软件定义一切的时代特征一点不为过。
存储虚拟化的势在必行
当然这也是众多企业的需求所在,他们希望通过通过整合物理架构和利用更多虚拟服务器来削减服务器硬件成本的方式,更好的利用现有的有限预算。虽然不少软件和硬件厂商们在服务器虚拟化方面都已经提出了非常成熟的解决方案,但是,到如今传统虚拟化只在埋头搞服务器虚拟化的厂商似乎有些OUT了。
在软件定义数据中心时代决不能忽视存储虚拟化这重要的一环,它也逐渐成为云计算时代必须跨越的另一障碍。即使是服务器厂商们也开始纷纷转移阵地,扛起存储虚拟化这一面大旗。
由于存储虚拟化对零散的存储资源进行了集中化的统一管理,无论从管理水平,还是存储资源利用率都有所提高,可帮助企业大幅提升整体架构的效率并极大节约成本。例如通过Thin Provisioning,可减少75%存储投资;通过WAN优化的复制功能,可削减90%复制成本;消除冗余数据,可节约95%备份存储空间等等。
存储虚拟化的做与不做
虽然存储虚拟化对存储领域来说并不是什么新鲜的词汇了,它的功能也确实是符合用户所需,但为什么虚拟存储技术没有完全普及呢?这还要从虚拟存储技术面临的困难说起。
存储系统的性能一直是发展的一大瓶颈。业务系统由主机层、网络层和存储层三部分组成。比较看来其实不难得出,存储系统的发展最为缓慢,其中很大的制约因素就是性能瓶颈。
不得不提速
提高性能,加速读写看起来对于存储系统尤为重要,在此出现了一种技术——基于磁盘的Cache技术。其实该软件就是构建了一个缓冲池。池子里面有个叫SafeCache的守卫,负责把数据按顺序排好,再进行写操作,而另一个HoTzone的守卫就负责将经常游走在池子中的活跃数据归置到一起,方便他们被读取,这样,在收到命令的时候整个池子的数据就可以最快的响应。
不得不准备容灾
当然,得益于SafeCache和HoTzone对数据的管理,这样的缓存池还能一定程度上防止数据丢失。但是历史数据的安全又如何呢?这也是存储虚拟化令人担忧的另一个难题。因为虚拟存储把所有数据都放在了一个系统环境下,这就相当于把鸡蛋都放在一个篮子里,一旦打翻,所有鸡蛋都会损失,所以针对数据安全问题,更需要多种数据保护功能。
说到数据安全,不得不提到容灾系统,举例来说,就是当您的生产数据获得增量,那么虚拟化的容灾系统是否能无缝扩展,将这部分数据迅速的放入您的虚拟池,而确保生产中心业务无需任何改动、业务无需任何停顿、投资无丝毫浪费呢,这对于在每个企业来说其实都至关重要。
不得不思考未来扩展
解决了以上难题后,对于一套初期部署存储虚拟化产品的企业来说似乎看起来可以举杯庆祝了,但是人无远虑必有近忧。当你选择了一款性能过关的存储虚拟化产品后是否想过他的扩展性如何呢?一般一款存储虚拟化产品只能对有限的存储空间起作用,虽然这在部署初期似乎不会显现出来,但却可能成为你日后的忧患,所以提前对扩展性进行评估才是正途。
这就需要构建一个灵活的存储架构,对于已存在的系统,就简单的通过主机访问存储设备即可。对于迁移或重新在FC交换机上分区的系统,就需要一个软件可以介入到产机和存储设备之间,使得主机访问可以在不做任何修改条件下访问到原有存储设备, 而不能耽误日常的业务进行,同时你会意识到必须要能够实现在线的数据迁移和硬件升级。
不得不考虑数据恢复
当然,即使不可避免的出现了逻辑灾难问题,恢复情况如何?也是部署存储虚拟化中一个重要的保证。这时就需要一个快照代理功能,可以保护数据库和邮件系统的100%数据完整性,确保恢复过程中的交易一致性。同时应用感知的快照代理可以用于所有主流的企业应用程序,包括Microsoft Exchange and Microsoft SQL Server, Oracle, Informix、Sybase等数据库以及 VMware 虚拟化平台。最后快照还应该可以被加载在虚拟卷上,用于即时恢复单个文件或是卷级的裸设备恢复。
如此五点,方能帮助企业获得的高效、优化的IT架构,降低的企业成本,强大的数据服务,想必这单单依靠服务器虚拟化是无法实现的。企业部署存储虚拟化是必行之路,但如何有智慧的部署,就需要CIO们逐渐转化思想,看到更多存储虚拟化的闪光点,找寻正确的方法,实践IT变软企业才会变“硬”之理。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。