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
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。