黑龙江联通是黑龙江省用户规模最大、网络覆盖最广、产品种类最多的通信运营企业,目前已建成覆盖全省、具有国际先进水平,高带宽、立体式、智能化,能够满足语音、数据、图像、视频等业务需求的现代化智能通信网络。
在全业务通信产品和信息服务中,话单采集系统在电信计费业务平台的位置是核心应用,计费系统的准确性、实时性直接关系到客户服务质量和电信运营商的收入。黑龙江联通的话单采集系统主要面临如下问题:
第一, 计费系统目前使用FTP在各功能模块间传输大量文件数据,效率偏低,存在性能瓶颈;
第二, 历史文件占用大量在线存储空间,影响性能与备份;
第三, 计费主机自带的文件系统需要消耗宝贵的主机计算资源,文件系统可靠性差,性能低,共享方式差;
第四, 意外停机后重新启动文件系统,文件系统的FSCK一致性检查会持续几十分钟,大大延长了RTO时间。
于是,在对HDS数据技术的全面了解后,黑龙江联通在话单采集系统中选择了HDS公司的HNAS非结构化数据管理平台对话单数据进行全面统一的管理。HNAS非结构化数据管理平台不仅可以将传统的话单传输流程简化,采用HNAS实现数据的充分共享;还可将非结构化数据由生产主机剥离出来,使得主机将只负责生产的运算任务,数据的存储任务全部交给后方的结构化数据存储平台与非结构化存储平台,有效的实现运算任务与存储任务的分离。更重要的是,支持多节点集群的HNAS平台能够实现非结构化数据的安全性、可管理性。
HNAS非结构化数据管理平台究竟如何以其高性能来提升计费系统的整体运行效率?总的来说,是由于该平台采用高性能HNAS作为共享存储,多台服务器并行对文件进行超高速处理, 取代FTP,提高工作效率。
在该平台下,生产数据存放于HNAS平台后的数台高端VSP存储内部磁盘,即规划中的非结构化一级存储池,归档数据则存放于外部存储(二级存储池)-HUS110,备份数据使用重复数据删除的虚拟带库技术存放于虚拟带库中(一级备份池)。
• 高性能——采用高性能HNAS作为共享存储,多台服务器并行对文件进行超高速处理, 取代FTP,提高工作效率。
• 解放主机资源——使用HNAS自有硬件资源,可以大大减轻计费主机的负担。
• 高可靠性——共享文件系统快速切换,发生主机切换时,只需要进行应用IP的漂移,无需文件系统切换带来的大量等待时间。
• 高可用性——HNAS使用自带的文件系统,避免FSCK的发生。
• 快速备份——结合HNAS的快照功能,可以实现数据的快速备份。
• 数据生命周期管理——将3个月之前的话单导出存放到HNAS的二级存储空间,文件目录点在多台服务器之间的并行挂接将来可供查询。
• 高扩展性——方案设计具有较高的稳定性与长远的规划,可满足今后长期的数据存储需求,包括分级存储、高可用、异地容灾等。
• 降低总体拥有成本——灵活扩容,提高存储资源利用率,绿色存储,节能减排,降低管理成本,安装配置与日常管理简单,风险低。
建立计费系统非结构化数据存储平台是优化存储使用方式的成功范例,计费系统中将有更多的非结构化数据使用这一平台,其他应用系统也将采用类似的存储架构,非结构化存储平台将继续扩展。
伴随着过去3年时间客户对HDS的了解,以及HDS项目团队结合客户应用特点给出的具体方案,使客户对HDS的产品的高性能/高可靠性也有了更深刻的认识,对HDS容灾解决方案、本地数据复制解决方案、非结构化数据处理、存储虚拟化技术的领先性、成熟度有了很全面的认识,客户表示对HDS的综合技术实力和响应速度非常满意。
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。