EMC本周四公布了5款规划中的集成解决方案的第一款,源自于EMC联邦多个组成部分的技术,同时也履行了在今年5月EMC World大会上提出的承诺。
这款名为“Federation Software-Defined Data Center”(联邦软件定义数据中心)的初始解决方案结合了EMC和VMware技术为一个灵活的平台,EMC联邦技术可在此基础上进行开发和构建,EMC全球解决方案营销高级总监Bharat Badrinath这样表示。
EMC联邦包括EMC信息技术设施部门、虚拟化领头羊VMware、大数据和定制应用开发者Pivotal、安全技术开发者RSA。
EMC曾在EMC World大会上提到了开发5款集成EMC联邦技术的主要解决方案的计划。首款就是联邦软件定义数据中心解决方案,这将是未来解决方案的基石。
其他几款解决方案预计将在未来几个月内推出,包括:平台即服务,结合来自EMC、VMware和Pivotal的技术;虚拟化数据湖,采用Pivotal技术;终端用户计算,采用VMware和EMC技术;安全分析,将RSA技术添加到虚拟化数据湖中。
Badrinath表示:“我们正在将最佳技术以集成的方式带给客户并满足他们的需求。”
联邦软件定义数据中心解决方案广泛集成了EMC和VMware技术,其中包括EMC ViPR软件定义存储平台;VMAX或者VNX存储平台;EMC Avamar和EMC Data Domain数据保护技术;EMC和VMware集成工作流;VMware vCloud套件;VMware NSX虚拟网络技术;VMware vCenter Log Insight;以及VMware IT Business关键套件。
这款解决方案还可以将VCE Vblock作为一个组件,尽管VCE并不是EMC联邦的成员,Badrinath这样表示。
EMC联邦下的四家公司将提供联合支持,这样任何与联合解决方案相关的问题都将得到任何一方的回答。
只是因为这个联合软件定义数据中心是基于EMC技术,但并不意味着客户不能使用来自其他厂商的组件,Badrinath这样说道。
“客户可以将其他技术带入解决方案中。VMware可以自由地与其他合作伙伴合作。EMC也可以与像微软这样的合作伙伴合作。但是我们相信我们的技术是最佳的。”
这款集成解决方案是在EMC新成立的联邦实验室集成的,这是一个基于VMware校园的物理实验室,专门开发采用各种EMC联邦组件的解决方案,VMware副总裁、全球现场首席技术官Paul Strong这样表示。
“该实验室验证了我们关于总和大于部分的主张。这使得我们能够设计并验证解决方案,这样最终我们推出可以让客户轻松部署的一个解决方案堆栈。”
Strong承认,EMC和VMware已经合作致力于开发类似于联邦软件定义数据中心的解决方案,但是新解决方案需要集成到一个新的水平。
“这是要加速这项技术的采用。一些技术是新技术,但是我们希望在整个软件堆栈上下加速采用。我们提供了现在还没人能实现的集成。”
World Wide Technology是一家总部位于圣路易斯的解决方案提供商,同时也是EMC的渠道合作伙伴。该公司云技术解决方案架构师Curt Stalhood表示,这个联邦软件定义数据中心解决方案是EMC与合作伙伴合作推动企业开始采用软件定义数据中心作为未来平台的一个关键部分。
他认为,这个解决方案将大量EMC和VMware组件融合到一个集成的解决方案中。“一开始你可以采用EMC VMAX或者VNX存储,然后添加VMware的vCloud Automation Center作为端口。vCloud Automation Center可以结合备份即服务和存储即服务,可以自动配置EMC的Avamar和Data Domain技术。”
这简化了能够在VMware、Hyper-V和OpenStack环境下工作的EMC混合云的集成,Stalhood这样表示。
EMC联邦软件定义数据中心解决方案与其他数据中心解决方案的不同之处在于EMC如何将15或者20种不同的产品融入到一个解决方案中,并且只需要几周的时间。
他说:“通常,一款产品配置就绪很简单。但是需要时间添加自助服务端口并通过设计阶段。这款联邦解决方案已经做好了脚本和信息能够帮助快速通过配置过程。”
新的联邦软件定义数据中心解决方案将通过直接和间接销售渠道进行销售,Strong这样表示。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究由香港理工大学和新加坡国立大学的团队共同完成,提出了R?ec,首个将推理能力内置于大型推荐模型的统一框架。与传统方法不同,R?ec在单一自回归过程中实现了推理生成和物品预测的无缝整合。研究者还设计了RecPO优化框架,无需人工标注即可同时提升模型的推理和推荐能力。实验结果显示,R?ec在三个数据集上显著超越现有方法,在Hit@5和NDCG@20指标上分别提升68.67%和45.21%。这一突破为下一代智能推荐系统开辟了新方向。
这项研究提出了CURE框架,通过强化学习让大语言模型同时学习编写代码和生成单元测试两种能力,无需使用标准代码作为监督。团队开发的ReasonFlux-Coder模型在仅用4.5K编程问题训练后,便在多个基准测试中超越了同类模型,代码生成准确率提高5.3%,最佳N选1准确率提高9.0%。该方法不仅提升了模型性能,还提高了推理效率,同时为降低API调用成本和无标签强化学习提供了新思路。