以太网上光纤通道(FCoE)正式进入人们视野是在2009年International Committee for Information Standards(INCITS)颁布T11 FC-BB-5标准之后,但它的起源最早可追溯到2003年10月Azul Technologies公司提交一份专利申请的时候。在中间的几年里,Nuova(思科剥离出来的子公司)和博科在2008年宣布推出第一款交换机产品。2011年5月,在媒体大量鼓吹FCoE市场的影响下,思科又回购了Nuova。
在开发商社区中,我们开始将FCoE及其配套技术融合网络看作自然而然的下一步。企业已经掌握丰富的光纤通道(FC)知识,但以太网无处不在。如果能够将存储协议融合到以太网架构中(或者说可以数据中心桥接或DCB的网络架构),降低布线成本和功耗,那么人们为什么还要构建基于FC骨干的全新数据中心?这是很容易就能明白的事情。
与此同时,给FCoE唱反调的文章已经见诸于各大新闻媒体。他们的争论理由是FCoE并没有实现承诺的成本节约,而且缺乏路由功能(限于2层网络)。虚拟化开始要求更扁平的网络,客户肯定不会考虑存在这种局限性的技术。相反,iSCSI不存在路由功能方面的限制,也不需要支持DCB的网络,因此被看作放弃FC的大量客户群最终的理想选择。此外,由于没有原生FCoE相连存储可用,客户不得不实施从以太网桥接到FC以连接到存储设备的拓扑。
时光流转,那个充满矛盾的时代已过去了3年,但有关FCoE价值的问题似乎还没有尘埃落定。最近,围绕FCoE优势的公开辩论又死灰复燃。一种在许多人看来出生不久就夭折了的协议,却引起了如此激烈的争论,看起来很奇怪。是不是光这一点就暗示着FCoE仍在活蹦乱跳?
虽然有后见之明,但我们仍很难说FCoE没有占领数据中心存储网络高地。尽管端口销售量有一定减少,但光纤通道的使用仍很广泛,至少有些客户还是构建了基于FC骨干的全新数据中心。另一方面,在最近的存储网络行业协议(SNIA)以太网存储论坛网络广播中,Dell’Oro Group公司数据中心设备及SAN市场调研总监Casey Quillin提供了一些数据,有力地证明FCoE市场实际上仍在增长。
那么,FCoE真的已经死了或即将死去?显然不是。普遍的看法是,FCoE找到了归宿。是的,它在思科的UCS平台中确实找到了归宿。在作为LAN和SAN流量的理想融合网络的其它刀片系统中,它同样找到了用武之地。刀片服务器和机箱服务器本身可提供的连接端口数量和线缆可用空间都有限,因此融合网络的面世如雪中送炭,恰逢其时。刀片系统在背板中实施FCoE来处理所有存储和网络流量,而存储流量可以通过机架顶部桥接到FC骨干中。有些企业对FCoE的价值建议很买账,将其作为标准存储协议实施,以满足他们的块存储需求,不管服务器机型如何。我曾与这些公司的相关人员谈话,他们承认,成本和复杂性的降低是他们进行这一投资的主要原因。
值得一提的其它重大发展成果是FCoE存储的面世。虽然以前有客户不得不从以太网桥接到FC以连接到存储设备,但现在很多厂商开始提供与存储设备的FCoE原生连接。这样就消除了FCoE的另一大缺陷,而这一缺陷足以使某些企业彻底放弃考虑FCoE。
对于注重将存储和应用服务器(这些服务器也生成存储流量)隔离开来的企业,路由功能仍是一个继续存在的问题。然而,许多存储厂商,包括那些销售iSCSI产品的厂商,建议将服务器和存储设备部署到相同的2层网络中,以优化存储流量的性能。因此,与业内给FCoE唱反调的人相比,大多数企业不会那么看重路由功能。
显然,FCoE不是存储网络行业预期的下一个“杀手级应用”。事实可能会证明,它能兑现帮助数据中心降低成本和功耗的承诺,但并不会取代现有数据中心内的FC。在FCoE技术面世的最初5年中,思科在市场推广和销售两个方面都引领着行业发展浪潮;但现在,其它公司开始迎头赶上。
刀片服务器系统厂商认为,FCoE可在刀片机箱中提供一种高效的机制来支持LAN和SAN连接。在行业领导者的带动下,原生FCoE相连存储设备如雨后春笋。由于存储厂商的最佳实践建议,路由功能问题可能不会成为想象的那么严重的障碍,而且已从各种公共论坛中消失。换句话说,FCoE来势汹汹,值得期待。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。