虚拟化俨然已经成为IT生活的一部分,降低成本与提升IT灵活度是推动虚拟化趋势的主要动力。随着企业日渐将繁琐的工作负载交由虚拟机来处理,他们开始思考一连串的问题:我该如何保护虚拟环境与实体环境?我能用多快的速度恢复和找回虚拟环境中的数据?我的备份和恢复策略还适用吗?
事实上,备份与恢复已经成为虚拟化环境的严峻挑战之一。IDC曾提出:“为了适应虚拟化环境,数据保护的架构(尤其是备份和恢复)必须改变。”
传统的备份和恢复技术都是针对传统物理环境设计的,当虚拟化已经成为生产环境一个关键组成部分的今天,IT部门必须要确保整个IT架构必须有一套同样对虚拟环境有效的数据保护、备份和恢复策略。
虚拟环境备份不仅仅是备份那么简单
备份恢复的最终目的是为了防范因硬件、操作系统、软件或人为错误故障引起的数据丢失。但虚拟环境中的备份需求有其特殊性,备份策略不可能完全照搬以前的方法。
这背后主要有两个原因,首先虚拟机蔓延导致虚拟机数量近乎无限制地增加。虚拟机很容易配置,因此具有旺盛的繁殖能力,最终导致环境中管理复杂性的增加。
另一个原因是在虚拟环境下保护和恢复应用的难度。虚拟机之间或者物理服务器与虚拟机之间的分布式应用会进一步加大系统备份和恢复的难度。最终,通过使用某些应用可以轻而易举地将虚拟机从一台物理服务器迁移到另一台上,这就使得虚拟机更加难以被追踪或者备份。
但是,传统备份流程是基于备份服务器的,备份服务器保存关于备份了哪些文件的信息,通过与客户服务器通信、在将备份数据发送到存储设备之前提取这些数据来控制每个备份任务。这主要是针对特定数据目标的备份,并且是在特定况口时间内完成的。
当发生故障的时候,传统备份只取代那些丢失的数据目标,保存数据和配置文件,但是要求你重建服务器和应用,然后在发生服务器丢失的情况下替代数据。
因此,实施虚拟化之后,每个企业都应该重新评估备份需求,选择最合适的技术提供最佳的数据保护。虚拟机备份解决方案能够比传统备份解决方案更好地解决虚拟环境的需求。
专属备份恢复机制不给数据中心留短板
对于很多用户而言,保护虚拟和物理服务器的挑战,往往来自于单一环境中多达七种不同的备份解决方案,以及硬件和软件的整合问题,这只会增加系统的复杂性,迫使IT部门不得不寻求新的方法。
在许多解决方案,包括磁带、磁盘、重复数据删除、物理、虚拟快照和备份等,不具备对对硬件、软件和存储功能的整合,缺乏简便与高性能。
赛门铁克的备份一体化平台给客户提供了一个包含端到端在内的、整合了虚拟与物理、服务器和存储的一体化备份选择。自此,那种需要用户花费很多精力整合各种单一备份解决方案、并使其协调运作的极端式的系统工程时代已经过去了。
Backup Exec 2014 V-Ray Edition专门针对当前虚拟环境的需求,可以把本地和远程数据备份到磁带和磁盘等多种类型的存储设备上,集成重复数据删除和归档等功能,相比市场上现有的产品,它的一个重要特性就是,可直接从存储中快速搜索并还原整个虚拟机、虚拟化应用程序和粒度文件或应用。
Backup Exec与微软和VMware技术深度集成,可以快速获得虚拟机快照,通过执行后处理任务,例如日志截断、元数据收集和可搜索的目录,优化备份并实现快速灵活的恢复,减少对虚拟主机上CPU、内存和I/O负载的性能影响。
通过集成的裸机、物理到虚拟(P2V)和虚拟到物理(V2P)的恢复功能,最大限度减少停机和中断时间,使用虚拟机验证程序确保虚拟机备份可恢复。
不仅如此,随着数据和虚拟机急剧增长,企业环境中可能会有大量重复数据。Backup Exec集成的块级重复数据删除技术可以减少备份时段、降低网络通信并缩减存储备份文件所需的磁盘空间。
用户操作体验也是企业备份恢复的一个考量因素。通过Backup Exec的管理界面,用户可以快速跟踪和监控每个备份与恢复作业,利用单一控制台设置备份作业、查看备份状态、执行恢复并即时将物理备份转换为虚拟机。
最后赛门铁克的一个秘密武器就是V-Ray(Virtualization Ray)虚拟环境洞察力技术,类似医生用来透析人体内部的 X 光一样,可让企业检视虚拟环境内部的情况,进而能保护、备份及复原虚拟机。这项技术已经覆盖赛门铁克的所有虚拟环境产品,包括安全、储存、备份等。
所以综合来看,虚拟化正在被各种企业迅速采用,它在提高资源利用率和整合资源方面的好处不言而喻,但是当虚拟环境广泛铺开的时候,企业应该谨慎考量自己的备份和恢复策略是否可以满足新的需求。虚拟环境与“看得见摸得着”的传统物理环境不尽相同,所以,虚拟环境备份不仅仅是备份那么简单!
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。