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
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。