随着数据中心的不断发展,迅速普及的企业级闪存存储如今正帮助企业以前所未有的速度存储及访问日益增加的应用及数据,来满足他们的商业需求。在过去的一两年里,企业级闪存存储已经获得市场的广泛认可,帮助企业满足联机事务处理(OLTP)和企业关键的数据库等对性能要求极高的工作负载的不断增长的需求。闪存的快速普及主要得益于成本的急剧下降和厂商控制存储整体成本的独特方法。
闪存固态硬盘(SSD)改进了指令执行延迟问题,并提高了对被存储应用和数据的访问速度。企业级闪存存储阵列主要分为全闪存和混合阵列两种结构。
全闪存阵列
全闪存阵列不包含传统的旋转磁盘存储装置,所有数据都存储在固态硬盘(SSD)上,由于固态硬盘(SDD)虽具备高性能,但容量相对较低,全闪存阵列经常使用数据缩减技术来降低每千兆(GB)的成本,例如压缩以及重复数据删除等。对于寻求更快速存储性能的客户来说,全闪存阵列固然充满了吸引力,不过尽管近期成本骤降,全闪存存储的价格仍然让客户望而却步。在绝大多数的使用案例中,IT管理者既希望能充分利用闪存,同时又希望存储冷数据的成本能够更实惠。
混合闪存阵列
与全闪存阵列相比,混合闪存存储可以说是两全其美:既能够为要求苛刻的常用应用带来快速的高性能闪存,又可以向不常用的旧数据或冷数据提供低成本的大容量存储。虽然有些工作负载在任何时候都要求高速度,企业往往需要同时支持高性能应用,以及不需要昂贵存储的非常用数据,这就是为什么大多数的企业只使用单个存储区域网络(SAN)就能够鱼与熊掌兼得。
混合阵列可以同时支持固态硬盘(SSD)以及硬盘驱动器(HDD),融高性能及低成本于一身。此外,借助智能的数据存放软件,所有的数据存放可以通过后台自动管理,并存储到不同的驱动器类型和层中,从而优化成本及性能。
借助混合阵列,固态硬盘层提供高性能处理,而硬盘驱动器则保存企业需要或希望保留,但又不经常访问的所有旧数据。
总之,企业希望在闪存层兼顾高性能和低延迟,同时利用大容量、低成本的硬盘长久地保存数据。混合闪存实现了每千兆(GB)成本和每秒进行读写(IOPS)成本之间的平衡,满足了企业的业务需求。
最佳的混合阵列,是通过为客户提供自主管理且灵活支持全闪存或混合驱动器类型,并为客户多样化的工作负载需求提供最经济的方法的解决方案,从而优化成本。
公司部署混合存储阵列
如今,全球混合闪存市场规模预计为83亿美元,为仅8亿美元规模的全闪存市场的十倍之多,越来越多的存储用户倾向于使用混合型闪存存储阵列,而非全闪存阵列,这一差距在未来仍将持续扩大。在IDC于2014年4月发布的一项针对千人以上规模的公司进行的调研结果显示, 51.5%的受访者目前正在其外部磁盘存储环境中使用闪存,但其中只有7%(约占全部受访者的3.5%)正在使用全闪存阵列的部署模式。到2016年,全闪存阵列预计将仅占整个混合闪存与全闪存阵列市场的十分之一左右。*
尽管硬盘驱动器(HDD)的速度可能更慢,但它们的一个重要作用是凭借更高的容量和更低的驱动器成本来降低存储的总体成本,该技术并非普遍适用于任何地方。虽然更快速的硬盘驱动器(HDD)的销量正急剧下降,但价格实惠的7250转硬盘驱动器作为最低数据层的地位正在巩固,预计销量将保持持续增长。
能够在多个固态硬盘驱动器(SDD)上自动分层的存储阵列具有众多的优势。尽管市场上许多闪存阵列皆采用写入密集型固态硬盘,但实际上写入密集型和读取密集型固态硬盘两者平衡能够为客户带来更高的性价比。当一个阵列为读取操作利用了较为便宜的读取密集型闪存层时,整个闪存可靠性随之增加,而更为昂贵的写入密集型闪存层的容量可以保持在最低水平,足够处理写入流量即可。因此,能够利用这种组合模式的阵列大幅降低了整体成本,以不高于传统旋转磁盘的价格实现了闪存的部署。
当前,客户正在寻找性价比最高的固态硬盘(SDD)与硬盘驱动器(HDD)组合。硬盘驱动器(HDD)以最经济的方式存储旧数据,而固态硬盘(SDD)在速度和广度上为企业日常管理的新数据提供所需的速度和性能。通过这种技术组合,企业能够利用混合闪存存储阵列实现成本与性能的完美平衡,若要最大限度发挥闪存性能,又充分利用IT预算,这一混合手段无疑最具现实意义。
(Travis Vigil为戴尔存储产品管理执行总监,戴尔存储为世界各地的客户提供全闪存和混合存储阵列解决方案。)
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。