就当前而言,超融合型基础设施方案已经成为风靡一时的热门词汇,而Riverbed公司亦不甘寂寞、宣称将借下一代SteelFusion 4版本发布之机同样跻身这一业务领域。
SteelFusion是一款集服务器与WAN优化设备于一体的解决方案。其主要设计思路是在网络边缘位置部署规模较小的设备版本——例如分支机构环境——而在数据中心内部安置规模更大的设备版本。
边缘与核心之间的数据将进行同步,但该设备同样拥有充足的资源、能够在边缘位置通过虚拟机系统运行具备一定负载强度的应用程序。边缘位置的应用程序将指向数据中心内的LUN,而这些LUN则驻留在大家为其指派的任意存储阵列当中。
作为Riverbed公司的传统竞争优势,WAN优化方案能够提供可接受的延迟水平。
今天刚刚公布的SteelFusion 4.0同样将ESXi纳入技术组合以实现自身所标榜的超融合特性,如此一来边缘位置现在能够在裸机之上直接运行虚拟机系统——而不必再像过去那样受制于通过操作系统托管的虚拟机管理程序。现在边缘设备的计算核心数量已经提升至最多二十个,而且如果大家愿意承担费用、亦可以全部选择Ivy Bridge核心。内存容量可提升至256GB,这意味着其能够以更高运行速度承载更多虚拟机系统。
此外方案中还提供一台专门用于WAN优化的服务器,这样运行有应用程序的各服务器就无需再额外提供计算周期来处理网络方面的负载任务。
新版本下的存储机制采取分层设计、且其中包含闪存存储资源,因此访问频率最高的数据能够以更快速度被提交至用户面前。分层机制还能够帮助实现数据同步:边缘用户切实需要的内容将往来于远程SteelFusion设备之间,并被保存在正确的存储介质之上。其它内容则被始终保存在数据中心的LUN当中。另外,客户也可以在边缘位置使用文件与打印服务,同时利用本地存储资源完成强度较高的处理任务。
故障转移机制现在可作用于两座数据中心之间:如果大家的核心SteelFusion设备发生宕机,那么只需轻点交换机、整个切换流程就能在数秒内完成——其切换对象可以是辅助基础设施也可以是云环境下的虚拟SteelFusion。
SteelFusion仍然为分支机构IT部门的实际需求提供多种实现方式。当然,具体采用Nutanix、VMware还是Simplivity的虚拟机管理程序定义方案则是另一码事了。这三家厂商对于Riverbed的设计思路也并不介怀:毕竟三方主要以数据中心内的核心设施为着眼点,而Riverbed公司则主要游走于边缘位置。
因此,如果大家有意在边缘位置部署SteelFusion,并将虚拟SteelFusion核心运行在EVO: RAIL或者Nutanix设备之上,那么各家厂商都将迎来共赢。看到了吧?超融合型解决方案真的能解决一切问题。
好文章,需要你的鼓励
加利福尼亚大学和萨里大学研究团队开发了一种创新的AI系统,能够仅通过简单的手绘素描就在复杂照片中精确识别关键点。这项技术突破了传统机器学习需要大量同类数据的限制,实现了真正的跨模态学习。系统在动物关键点识别任务中达到了39%的准确率,超越现有方法约5个百分点,并且在真实手绘素描测试中表现稳定。该技术有望在生物学研究、医疗诊断、工业检测等多个领域找到广泛应用。
AI系统正变得越来越善于识别用户偏好和习惯,像贴心服务员一样定制回应以取悦、说服或保持用户注意力。然而这种看似无害的个性化调整正在悄然改变现实:每个人接收到的现实版本变得越来越独特化。这种认知漂移使人们逐渐偏离共同的知识基础,走向各自的现实世界。AI个性化不仅服务于我们的需求,更开始重塑这些需求,威胁社会凝聚力和稳定性。当真相本身开始适应观察者时,它变得脆弱且易变。
约翰霍普金斯大学发布DOTRESIZE技术,通过最优传输理论实现AI大模型智能压缩。该方法将相似神经元合并而非删除,在保持性能的同时显著降低计算成本。实验显示,压缩20%后模型仍保持98%性能,为AI技术普及和可持续发展提供新路径。