在数据中心从物理到虚拟演进的过程中,IT架构和工作负载的属性在快速发生变化,给传统存储带来挑战。现在的存储解决方案面临许多挑战,数据量爆炸性增长只是其中之一,其余的挑战还包括:
虚拟化的影响
越来越多的企业将业务进行虚拟化,甚至是“关键业务”应用也逐渐向着虚拟化平台迁移。在这个过程中,用户面临的不仅是虚拟化产生了大量的随机读取,对存储IOPs提出了极高的要求。还要在测试或开发环境下,要保证能够快速为虚拟机配置资源,在实际生产环境中,还要能够快速地对新需求做出相应的反应,并处理如启动风暴这样的问题,以及如何保证虚拟机迁移时存储的可用性。
灵活性和快速响应
影响存储系统的另一个因素是,用户需要更高的灵活性来满足SLA要求。如今,应用服务需求在整个项目周期内已经不会再保持不变了。数据的速度和保护要求不停地在发生变化,有时相当迅速。为了确保满足SLA需求,并且还无需增加成本的情况下,存储系统可以随业务需求变化更加动态地进行管理,是至关重要的。
新的和不断变化的应用需求
为了保证业务的连续运营,企业用户对于数据以及分析洞察的需求越来越大。不断上升的交易吞吐量以及需要处理大量的“数字业务”,实时或近实时分析的需求同样也加大了存储压力。
良好的整合能力满足未来发展需求
传统存储系统在成本、管理、安全或灵活性方面,已经显示出劣势。尽管存储技术在最近几年迅速发展,但是很少有企业是将它们的存储基础架构 “推倒重来”,因此必须找到一种方式,将能够完善并扩充已有的功能的新平台引入进来,来满足当下业务的新需求。
新存储采购评估因素
如上所述,在面临这些存储压力的时候,企业在选择新增存储的时候,主要从哪些方面来进行决策?根据中桥2015年的调研数据显示,在所有参访的用户评估因素有:(1)性价比:谈到高性价比,传统的高性能存储意味着高端存储,主要应对的是业务关键型应用的需求。这些高端存储具有高智能和完备的企业级功能和业务连续性功能,但其成本也极其高昂且使用率低。(2)易管理性:采购新增存储的学习成本,以及其与已有存储设施之间的整合复杂度,都是需要考虑的要素。(3)性能:虚拟机存储需要能够提供灵活动态的应用加速,根据业务需求满足热点数据和业务关键型应用所需的资源。同时,用户对存储的性能和容量的需求在持续增加。这就要求存储具有横向高可扩展性,而且扩展过程中性能不出现瓶颈。(4)容量优化:在虚拟化环境下,没有使用容量优化,会导致存储成本的快速攀升,也无法优化虚拟化的投资回报。另外,不同应用的数据具有不同的生命周期属性。这就要求根据数据价值将数据存储在不同的介质上,高效地发挥存储效用。(5)以负载为核心的动态资源配置:为了最大限度优化以虚拟机为单位的资源,就要求能够细粒度动态配置资源,以满足虚拟化演进过程中对性能的需求。(6)存储生命周期低TCO(无断代升级等):在虚拟化到云的演进过程中,用户需要经济、可靠、稳定的存储架构平台,对存储的生命周期使用效率提出更高需求。
在应对业务需求不断并且快速变化的今天,企业需要针对自身痛点,合理规划存储采购,从经济高效以及满足未来发展需求的角度,来考虑新增存储。
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。