在国内的一些企业、政府机构招标采购数据备份软件/设备的参数规格要求中,有时会看到以下这样的描述:
“支持远程备份,采用多主控模式,各主控能独立工作;支持断点续传、双向缓冲、压缩、流量控制、加密等有效的广域网数据备份技术,减少网络通信流量,提高数据传输的稳定性和高效性。”
远程备份,属于数据保护技术中的一种异地容灾高级功能。上述文字中对远程备份的一系列技术要求并不是阳春白雪、华而不实的宣传噱头,而是在经历了各种用户项目、遇到真实需求,为了有效解决问题不断发展完善而来的。
首先,什么是多主控模式呢?
在介绍多主控模式之前,首先谈谈一主(master)多从(slave)模式的远程备份架构。所谓主-从模式,即在远程备份或者多个备份服务器节点的环境中,所有任务都是由控制节点来发起的,在数据恢复时也必须有catalog——也就是存放备份目录的数据库才能进行。
一主多从模式的弊端在于,当主控节点出现故障,访问不了catalog的情况下从节点(介质服务器)上的数据也无法恢复。如果是在数据中心内的局部故障,有RAID保护的硬盘,恢复catalog数据还不算太麻烦。如果是做的远程备份,遇到站点级的灾难,要保证远程灾备中心的介质服务器能够恢复,就必须把catalog也传过去。那么有没有一劳永逸的办法呢?
答案就是多主控模式。多主控模式有点像存储里面的复制,也就是对等的节点可以做远程互备,一对多、多对一均可。备份数据和任务“对象”信息在每一个备份服务器(或者一体机)上都是完整的,可以用于在异地直接独立恢复。这样,介质服务器将不再依赖主控节点,也无需单独考虑catalog的远程备份。
下面以在企业级数据保护领域有着超过10年自主研发经验的火星高科开发的火星备份软件/一体机为例,简单介绍一下多主控远程备份能够解决的问题。
上图是备份软件中添加异地主机时的一个界面,首先显示的“您能够添加的异地客户机数”来看,一对多远程备份至少可以做到30个目标。
位置——手工填写备份目标的描述。
IP地址——填写异地装有传输中心的主机(MBA备份服务器或火星舱)的外网IP。
默认磁带池——选择本地存放备份数据的磁带池,可以是物理磁带设备,也可以是磁盘存储虚拟的磁带格式(VTL等)。
压缩级别——可选0-9级,默认为6级。级别越高,压缩效果越好,计算资源消耗相对最大;反之亦然,0级代表无压缩。
设置合理的压缩级别,将能够显著降低远程备份对网络带宽的需求。
重试时间——以分钟为单位设置重试时间范围,在此期间每隔5秒重试连接一次。
在进行远程备份时,如果没有“断点续传”机制,一旦遇到网络中断或者不稳定的情况,很容易造成整个备份任务失败的情况。该功能在国内的WAN网络环境中更加重要,因为线路质量通常没有那么好。
传送时间——允许任务在每天的此时间段内进行传输。
例如可以选择只在线路带宽占用不繁忙的夜间,传输远程备份数据。
速度限制——根据用户的网络带宽填写合适的传输速度,填写“0”为不限制速度。
对远程备份可以占用的带宽进行限制,以保证同一通信线路上的其它正常通信不受影响。
最下面,还有是否加密传输的选项。数据安全在有些领域是个大问题,如果备份数据在远程传输过程中被他人截获,加密处理能够最大限度减低敏感数据泄露的隐患。
正是凭借着以上强大、实用的远程备份功能,火星高科才得以在这些年成功实施了多个大型项目。包括:中国科学院全国12个分院100多个研究所备份项目、国家安监总局“金安”工程25个省级局本地及远程容灾备份项目等等。
国家安监总局“金安”工程25个省级局本地及远程容灾备份项目
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。