微软的StorSimple家族最近迎来的8000系列与Azure紧密结合,这代表着其在Azure化道路上又迈出了重要的一步。现在我们已经得到更多关于这两台阵列的新消息,下面就一一为大家道来。
这两套方案分别为8100与8600机架式设备,高度为2U与4U且利用iSCSI通过10GbitE与1GbitE实现接入。它们都拥有内联重复数据删除、压缩以及精简配置机制。微软指出其存储层现在共分为三大类:本地SSD、本地磁盘与Azure云中的磁盘(即Azure BLOB存储),再加上今天要介绍的混合SAN。
其中8100机型拥有12个正面载入接口,而且同时支持普通磁盘与SSD的热插拔操作。因此从逻辑上讲,这相当于为我们提供了两个SSD插槽与十个HDD插槽。
由于该设备自带镜像功能,因此其实际可用容量为15TB,我们估计其中包含十块300GB 3.5英寸驱动器与两块400GB SSD——官方说明中的表述是SSD容量而非“可用SSD容量”。我们猜测这里使用的不会是希捷的Pulsar SSD,因为希捷目前的产品线中并没有400GB eMLC SSD方案——至少据我们所知是这样。
StoreSimple 8100与 8600机型。
Xyratex公司的OneStor AP-2212拥有十二个3.5英寸驱动器插槽,2U机架并采用英特尔至强C5500四核心CPU。这套配置与8100看起来相当接近。
两套方案的基本容量数据如下:
而8600机型拥有24个插槽,而且在扩展之后能够容纳二十块400GB磁盘驱动器外加2TB原始SSD存储容量。我们在供应商的产品清单当中没有看到1TB eMLC SSD,因此不能肯定这部分容量是否是由两块1TB SSD提供。
与之类似,XyratexOneStor AP-2424在基本配置上同8600大体相当,使用的CPU则与AP-2212保持一致。
所有发送到并被保存至Azure的数据都经过加密。保护机制则由本地与自动云端快照技术实现——也就是备份到云环境中——微软同时表示,应用程序一致性则依靠VSS完成。该公司强调称,设备将拥有配备“快速应用程序驱动数据恢复”技术的高速恢复能力。
iSCSI长效保留机制则负责为磁盘集群化提供支持。
8100与8600两款设备与现有5000及7000系列产品可谓伴生存在。微软在说明材料中明确指出二者属于希捷Xyratex设备,而且直接援引了来自希捷的产品报价。根据我们掌握的情况,其配备“可热插拔式双控制器,支持活动/备用与自动故障转移功能。”
希捷表示8100与8600混合存储阵列由Xyratex构建并负责供应,而非微软。因此微软的合作伙伴们将需要与Xyratex建立合作关系,从而成功完成订单下达与产品交付。
作为微软Azure云的主要竞争对手,Amazon也拥有自己的云存储网关、但目前似乎仍处于研发阶段。Amazon的设备可能同样会将用户的本地内部数据保存在S3与Glacier等云存储方案当中。
随着各家主流云存储供应商与大型存储阵列供应商陆续推出自己的云存储网关产品、并借此提供混合型内/外部存储机制,以Nasuni与Panzura为代表的初创企业们感到自身正面临着生死存亡的残酷竞争考验——只有继续发展并壮大自身技术成果并拿出卓越的产品方案,他们才有可能在这场激烈的对抗中生存下来。
我们认为那些超融合型服务器/存储/网络设备——例如来自NIMBOXX、Nutanix、Simplivity的产品以及EMC/VMware即将推出的Mystic项目——将被迫在产品线中加入自己的云存储网关设备。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。