在ODCC2015大会期间浪潮展示了业界首台基于SAS协议的交换式存储池——SAS Switch。今年2月,浪潮发布了全球最丰富的整机柜SmartRack节点阵列,SAS Switch的推出,使得SmartRack在机柜级存储池化层面再进一步。
据统计,在过去的2014年,全球数据中心的IP流量已经达到了8.6ZB,相比2013年有了一倍以上的提升。但全球产生的数据量中仅有1%左右的数据能够被保存下来,而被标记并用于分析的数据更是不到其中的10%。
数据存储和管理成本是造成目前数据存储困境的重要原因之一。此次浪潮在国内首次亮相的SAS Switch能实现的存储资源池化,将极大的降低数据存储成本,为大数据时代的数据存储提供更先进的技术支撑。
IT资源池化,提升能效比
浪潮SmartRack是互联网公司追求极致能效比的产物,它将服务器外部资源进行整合,将部署空间、供电、散热等模块进行融合,经过四年的发展,符合天蝎2.0标准的SmartRack已经成为一条完善的产品线,至今已累计出货80,000节点,市场占有率超过76%!
近日,ODCC发布了天蝎2.5标准,并提前公开了天蝎3.0的发展方向,存储池化将是天蝎3.0的第一步。而在天蝎3.0还尚处于预研阶段时,浪潮已经开始第二代融合架构的研发,并且已经提前完成了存储资源的池化,通过SAS Switch将SmartRack的存储资源独立出来,形成共享的资源池,再根据业务工作负载的需要,灵活的配置和“组装”服务器,这样一来,服务器的配置更加灵活,同时服务器的外设资源的利用率也可以大幅提升,进一步降低了服务器和数据中心的功耗。
更完美适应业务,方便灵活扩容
互联网的业务应用繁杂多样,对于不同的业务应用而言,计算和存储资源的配比可能是极端的不均衡。与通用服务器处理计算存储资源的形式不同,SAS Switch完全将计算和存储资源分离,可以根据业务的类型,随意变更计算资源和存储资源的规模。
存储资源的池化也带来扩容的便利,通用服务器的空间有限,如容量不足,需要采购更多的服务器来满足,但是这就会带来不必要的计算资源成本的增加。而SAS Switch上行与SAS卡或计算节点相连,下行连接JBOD。单个Switch主板可外部扩展17个MinisasSAS接口,使用Minisas HD connecter,可连接51个设备,整体可连接204个设备,可以达到15PB以上的超大存储空间。
另外,SAS Switch还可以将同一个JBOD中的存储资源任意分解,根据业务应用的需要,灵活的进行计算和存储的配比,让硬件更完美的适应业务。
计算和存储解耦,让资源不再过盛
目前,通用的服务器计算和存储资源是紧耦和的,也就是说一台设备中需要有一定数据量的CPU内存,也需要一部分的硬盘,不同的机型的区别也就在于计算和存储资源的配比。通用服务器在处理具体业务应用时,就会发现大量的计算资源或者存储资源是过剩的。
浪潮推出SAS Switch的目的也正是为了将计算和存储资源完全解耦,计算类节点只需要CPU、内存等计算类部件,存储节点只需要硬盘和相应接口,而SAS Switch通过标准SAS协议将计算节点与存储节点相连,计算节点和存储节点能够作为独立的模块化的部件进行单独采购,极大降低数据中心的采购成本。
2014 年浪潮正式发布融合架构理念,以硬件重构和软件定义为核心,通过硬件层面的解耦、集中,以及软件层面的虚拟化、统一管理和业务感知,最终形成可根据客户业务负载自动均衡的软件定义的数据中心SDDC。目前,浪潮SmartRack已经实现了存储资源的池化,随着未来Cache、IO、计算资源的池化,浪潮将实现完整意义的SDDC。
好文章,需要你的鼓励
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。