根据IBM方面的实验测试,该公司的TSM备份产品能够为Elastic Storage(即弹性存储)并发文件系统带来令人讶异的备份数据传输速度。TSM立足于Tivoli Storage Manager,而Elastic Storage则在品牌调整之后被命名为GPFS。
在来自德国的IBM公司工程师们进行概念验证测试时,他们将运行有TSM的服务器与Elastic Storage阵列进行了对接,并把测试结果发布了博文当中。
其备份与恢复速度在40GbitE连接支持下达到了每秒4到5GB区间——没错,是每秒数GB水平:
• 单一TSM服务器中的多会话备份速度——每秒4017MB(约为每秒4GB)。
• 双TSM服务器中的多会话备份速度——每秒4981MB(约为每秒5GB)。
• 单一TSM服务器中的多会话恢复速度——每秒3834MB(约为每秒3.8GB)。
• 双TSM服务器中的多会话恢复速度——每秒5424MB(约为每秒5.4GB)。
• 双TSM服务器中的多会话备份/恢复混合速度——每秒4821MB(约为每秒4.8GB)。
TSM软件,包括客户端与服务器端软件,安装在x86服务器之上、作为GPFS NSD客户端进行配置并通过40Gbit每秒以太网连接至Elastic Storage GNR系统——该系统为每台服务器专门划拨一条40 Gbit传输通道。GNR系统能够与Elastic Storage Server GL2机型相媲美,其中包含两台GNR服务器以及116块NL-SAS驱动器。
IBM PoC在TSM服务器与Elastic Storage(即GPFS)之间采用40GbitE连接实现数据传输。
IBM公司在博文中指出,TSM服务器所使用的单一GPFS GNR文件系统当中包含两套GPFS池,其中每套资源池都能够在虚拟磁盘(即vdisk)上进行配置以提供三路容错机制。
上一代PoC采用的是56Gbit每秒InfiniBand来连接TSM与GPFS服务器,此次升级带来的成效也同样令人瞩目:
• 单一TSM服务器的多会话备份性能峰值为每秒5.4GB。
• 双TSM服务器的多会话备份性能峰值总计为每秒9GB。
• 单一TSM服务器的多会话恢复性能峰值为每秒6.5GB。
• 单一TSM服务器的单一会话备份性能峰值为每秒2.5GB。
以上结果已经充分证明,TSM这三个首字母完全可以理解为The Speed Machine——极速机器。
这也表明在大多数情况下,对并发文件系统进行备份在速度上要高于对单一访问文件系统的备份。如果大家拥有规模庞大的数据需要进行备份或者归档,时间相对紧迫而且又存在配备着Parallel NFS、IBM Elastic Storage、DDN与Web Object Scaler(简称WOS)、希捷/Xyratex与Lustre、红帽与Gluster或者Ceph的并发文件系统,那么请考虑将备份/归档任务作为这类阵列的主要工作目标。
当然,大家还需要速度表现出色的网络连接,并利用优秀的备份/归档软件来切实发挥连接与后端存储体系的强大潜能,而TSM正好能高效完成这项任务。如果大家已经具备了前面提到的一切条件,那么您的备份、归档以及随后的恢复流程将能够像赛车般呼啸着将数据带向目的地。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。