2月2日,VMware宣布推出VMware vSphere 6。自项目启动以来,惠普一直与VMware密切合作,定义、开发和测试vSphere Virtual Volumes技术——vSphere 6中引入的重要存储增强功能。在vSphere 6 和vSphere Virtual Volumes发布的第一天,惠普就在中端、高端以及全闪存惠普3PAR StoreServ存储阵列上提供对它们的支持和认证,使客户能够在经过证明的惠普3PAR StoreServ存储平台上尽快升级vSphere。惠普的StoreVirtual、MSA和XP存储平台也将支持vSphere 6。
VMware vSphere 6是下一个业界领先的虚拟化平台版本。vSphere Virtual Volumes是对vSphere 6的强化,允许用户结合存储阵列的强大数据服务与单个虚拟机的精细度,提供更高的灵活性和简化的管理。vSphere Virtual Volumes使客户能够更好地控制他们运用独特、基于阵列的数据服务以支持业务目标的方式,例如确保关键应用的服务水平。只要底层功能在存储阵列中可用,服务质量参数就可以通过vSphere Virtual Volumes单独应用到特定的虚拟机,而非一组虚拟机。不管其他应用程序或虚拟机有任何需求,管理员都可以设定策略,为公司最重要的应用自动分配专用的存储资源来维持服务水平。
虽然许多存储公司还没有开始支持这种先进的虚拟化功能,惠普3PAR StoreServ存储在Virtual Volumes开发项目的初期就被VMware选定为唯一的光纤通道参考平台。这种在工程层面与VMware合作的方式意味着惠普拥有所有必要的专业知识,帮助客户通过惠普3PAR StoreServ存储基础架构快速轻松地获得新版vSphere 6的功能所带来的效益。
这一早期的深入合作带来了以下效益和关键能力:
• 在3PAR上从容部署vSphere Virtual Volumes,这基于VMware已经完成了开发和认证,并在一开始就把3PAR平台作为其唯一的光纤通道参考平台。
• 从一开始就能在现有和新的3PAR平台上通过最新发布3PAR 操作系统3.2.1 MU2充分利用vSphere 6 和vSphere Virtual Volumes。
• 通过结合3PAR阵列令人难以置信的增长空间而轻松地处理多个数量级的卷并保持高服务水平。3PAR阵列拥有强大的服务质量管理功能,最多支持64,000个Virtual Volume对象(1)。
• 横跨数千台虚拟机自动支持服务水平协议和服务水平目标,而不需要任何管理人员参与。利用3PAR Priority Optimization软件轻松地根据IOPS、带宽或延迟目标对关键虚拟机进行优先级别排序和管理。
• 通过每个3PAR控制器节点上的内置vSphere API for Storage Awareness(VASA)供给程序来提高弹性和业务连续性,从而在VASA功能出现故障的情况下保护虚拟机和应用程序之间的信息交换,而不会增加基于虚拟机的外部VASA供给程序的复杂性。VASA的自动安装(集成到 3PAR控制器中)简化了管理。
• 对vSphere Virtual Volumes存储容量的要求降低75%甚至更多(2),因为所有的惠普3PAR Thin Provisioning、Thin Clone和 Thin Deduplication功能不仅通过vSphere API集成到软件,还在芯片中集成和加速,在不损害性能的前提下提供世界一流的效率。
• 通过简化管理而降低运营成本,这是因为客户可以通过更新的HP OneView for VMware vCenter插件,对惠普服务器、存储、网络和数据保护系统进行基于策略的且全面的基础架构管理。
(1) 需要惠普3PAR OS321 MU2。
(2) 与不使用数据压缩技术相比。基于惠普3PAR Thin技术实现的4:1数据压缩比。
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。