希捷已经打造出一款新型备份目标设备(简称BTA),能够将数据发送至私有、混合或者公有云当中——顺带一提,其配备的可用存储容量为65TB。看到这里,我们不禁感叹,为什么在这片成熟的市场当中要挤进这么多家供应商?
希捷方面曾于去年九月公布过50TB(3U)与100TB(4U)EBA(即企业备份与恢复设备)方案,而那些存储于其中的信息会首先经过压缩、重复数据删除以及加密处理,而后将被发送至自己的目标备份位置处。
最新的这款产品在可用存储容量方面恰好介于以上两款产品之间,而且根据希捷方面的介绍,其设计方案主要针对那些希望实现操作系统与应用程序——包括甲骨文数据库——保护的大型企业与服务供应商。
前代系统方案采用4TB磁盘驱动器——去年九月刚刚公布时,我们还着实就此作出了一番猜测。新产品则采用6TB磁盘驱动器,并在RAID 1配置当中由24-bay负责容纳这些驱动器。这意味着该方案的原始存储容量为144TB。在计算方面,这台备份目标设备在每套故障转移集群当中拥有两台作为节点的服务器,这些服务器运行着配备Hyper-V的微软Windows Server 2012 R2标准版。
希捷宣称,这款产品主要针对数据库管理员的使用需求所构建; 甲骨文数据库管理员能够利用RMAN将甲骨文数据库中的信息备份至全新EVault设备当中。
与上一代100TB产品一样,新方案同样采用4U设计。其能够将数据复制到其它EVault备份目标设备或者云环境当中。客户可以根据实际需要选择添加EVault Director备份与恢复软件,该软件能够将可用存储容量额外提升约65TB。
希捷方面正在积极追赶Asigra、Acronis、Veeam以及其它备份产品厂商,希望推出自己的易于使用的设备型产品。我们将陆续迎来由希捷打造的高存储容量产品,其实际可用容量甚至将达到200TB、300TB或者更高。
存储阵列目前也处于类似的状况,在这一领域希捷正积极利用其ClusterStor产品线拓展企业级阵列的供应渠道。而备份则是希捷侵占原本归属于其OEM合作厂商固有业务范畴的另一种直接表现。总而言之,无论属于哪种具体业务,只要跟高容量磁盘驱动器销售扯得上关系、希捷就很有兴趣掺上一脚。
为了逐步提高自身存储资源产能,希捷将在未来五年中将4.966亿美元投入泰国(折合153亿泰铢),其中包括在2016年年内推动新的磁盘驱动器生产线正式投付使用。根据这家全球最大的磁盘驱动器厂商的说法,这套生产设施将建立在呵叻府。
有趣的是,西部数据与HGST双方都不具备像希捷EVault这样基于云的备份业务拓展计划。这种现状是否会发生改变?有可能其中之一——或者二者皆有——会通过收购建立起类似的解决方案?
如今备份产品市场已经破碎不堪,无数供应商建立起自己想象中的疆域并乐于对其加以掌控。事实上,如今投身于其中的供应商绝对已经超过了一百家。
而我们不禁要问,“为什么会这样?”
为什么业界没有通过合并的方式让这片市场更趋于统一?为什么这种情况没能出现?像EMC以及赛门铁克这样拥有庞大备份产品营收以及可观销售渠道体系的企业怎么能容忍Acronis、Asigra、Code42、CommVault、戴尔、EVault以及其它无数小家伙或者票友性质的技术巨头充斥其间,甚至让Unitrends以及Veeam一路高歌猛进甚至进入成熟阶段(相对而言)?
在数据保护市场这片神奇的土地上,一定有股超自然的力量在阻挠着合并事件的发生——天知道这股力量究竟是什么。如果大家知道正确答案,请来信来函予以告知,多谢。
但这种状况对于有意介入的供应商来说确实是个好消息,毕竟他们总能在其中找到自己的容身之所。
目前65TB EVault备份目标设备已经在美国、加拿大、墨西哥以及欧洲地区正式上市。该产品在其它地区的面世时间预计为2015年5月。
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。