安靠封装测试(上海)有限公司(ATC)是安靠科技——世界第二大的半导体封装和测试外包服务业独立供应商的直属子公司。随着国内封装市场需求的增长,安靠封装测试(上海)有限公司(ATC)(以下简称“安靠技术”)的数据中心正不断扩大,来自企业生产、管理、销售等多个部门的数据一直源源不断地归纳到数据中心之中。在面对数据量的几何级别增长以外,海量数据的存储归档、对数据的实时访问和调取也为企业IT网络系统带来了压力。
为了满足自身业务发展需要,以及对现有IT平台升级的要求,安靠技术亟需采用一套更加灵活、稳定和可靠的整体解决方案。在虚拟化方面,安靠技术需要新的IT平台能够提供对VMware平台数据存储的支持,来提高ESXi业务恢复效率;在存储方面,要同时具备NAS和SAN功能,来满足虚拟化平台的数据存储要求;在服务器方面,由于刀片服务器发生故障更换需要较长时间来恢复业务,新的IT平台需尽可能减少和缩短业务恢复时间并提高系统可靠性,保证关键型业务应用的响应时间。
NetApp FlexPod为安靠技术打造高效、灵活的IT新平台
安靠技术采用了NetApp FlexPod融合基础架构作为解决方案——作为成熟稳定的数据中心融合基础架构平台,NetApp FlexPod整合了思科统一管理、统一计算、统一Fabric、NetApp统一存储,并结合虚拟化桌面架构,实现了安靠技术数据中心物理和虚拟资源的池化,这也解决了其虚拟化平台的应用所带来的压力挑战,使得各部门能够快速地访问、调用数据,而且IT部门也可统一管理不断增长的数据。
安靠技术FlexPod解决方案
值得一提的是,在部署FlexPod解决方案之前,安靠技术已经部署了NetApp存储系统,因此NetApp FlexPod的横向拓展功能能够支持其统一管理之前的NetApp存储系统,并且可以平滑、无中断地拓展至更多NetApp存储,为安靠技术应对今后业务版图的扩大和数据的高速增长留下空间,减少额外的投入。NetApp存储系统所具有的高稳定性和拓展能力也是其继续选择NetApp FlexPod的重要原因。
安靠封装测试(上海)有限公司IT经理徐炯表示:“NetApp FlexPod极大减轻了数据中心的网络压力,帮助我们简化了维护工作,并提供了可靠的业务支持。”
部署了FlexPod融合基础架构之后,安靠技术的IT平台实现了:
- 具备NAS和SAN功能,同时满足统一架构部署:NetApp FlexPod融合基础架构可以同时提供万兆NFS的数据存储共享和SAN-BOOT的远程启动ESXi服务器——通过SAN架构来提供ESXi系统启动服务,并通过NAS提供VMware对数据存储的访问需求。
- 实现数据的集中管理,提升管理效率:作为一套整体的IT平台解决方案,NetApp一步到位实现了安靠技术对IT平台的升级需求,实现数据的集中统一管理,便于运维;同时,FlexPod解决方案将思科刀片服务器部门的服务器配置和硬件分离,由此可在短期内完成服务器的更换,满足了用户对业务效率和恢复的要求,尤其今后在大规模部署时,该优势将更加明显。
- 降低部署和管理成本:NAS-SAN的统一架构降低了IT的部署和管理成本,NetApp FlexPod架构将思科刀片服务器部门的服务器配置和硬件分离,由此可在短期内完成服务器的更换,缩短了业务恢复所需的时间。
- 支持横向拓展,为未来拓展预留空间:NetApp FlexPod支持NetApp集群模式管理操作平台,具备存储的横向拓展能力,凭借NetApp业界领先的技术优势,辅以安靠技术整个IT运营平台高度的弹性和可扩展性,满足未来的发展空间。
依靠NetApp FlexPod,安靠技术不但减少了升级IT平台所需的成本,而且有效降低系统业务恢复时间——IT部门只需要重新指定映射关系即可恢复业务,降低了宕机时间的影响;同时具备的NAS和SAN功能也让安靠技术解决了IT平台最特别的需求。NetApp FlexPod帮助安靠技术实现便捷的管理,高性价比的投资,进而为实现高端网络运营平台的目标提供坚实的铺垫,堪称安靠技术的有力依靠。
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。