这家存储软件初创企业颇具XtremIO风格。

面向一级存储市场的闪存存储软件
以色列高科技厂商再度出击。面向全闪存阵列的存储软件初创企业Elastifile公司已经在其第二轮融资活动当中筹得3500万美元。
这家年轻的企业于2014年建立,总部位于以色列荷兹利亚,主要开发专门运行于全闪存存储介质之上的企业级Web规模存储软件,且提供文件、对象以及块存储等访问协议。其技术成果不限定于任何硬件及虚拟机管理程序--就定位来看,其可算一种极具通用能力的存储仓库方案。
作为注资方Battery Ventures的一位合作伙伴,Itzik Parnafes在声明当中提到:"目前市场迫切需要这样一套立足于闪存解决方案且极具性价比的分布式文件存储机制。Elastifile公司独特且极具突破性的设计成果让客户获得了第一种拥有可扩展能力的全闪存系统实现途径,且支持文件、块以及对象存储应用等数据中心日常运营过程中所必需的访问方式。"
此次B轮融资由Battery Ventures与LightSpeed Venture Partners共同牵头,双方曾经于2014年的A轮融资中为其贡献了800万美元,此外参与其中的还有"六家数据中心与服务器业务领袖级厂商。"只是尚不清楚这些公司的真实身份。
Elastifile公司各联合创始人包括现任CEO Amir Aharoni; CTO Shahar Frank--XtremIO公司联合创始人; 研发副总裁Ronni Lunxemburg--红帽公司前软件工程技术主管。另外值得一提的是,Battery Ventures与LightSpeed Venture Partners双方皆是XtremIO的投资方。
Elastifile公司宣称其"能够为一切企业级应用交付闪存级别性能,同时降低虚拟化数据中心与私有云的整体支出成本与整体运营成本。"
其软件产品同时支持OpenSack/KVM环境、以VMware vSphere为核心的部署方案以及Linux容器。其能够涵盖计算与存储资源,跨越数千节点运行并在2毫秒以内延迟水平下提供数千万IOPS,Elastifile公司强调称。
其还能够利用现有及新型企业服务器同现成SSD产品,亦支持NVMe或者PCIe闪存卡。潜在的应用范畴包括虚拟化数据中心、OLTP、NoSQL数据库、大数据、实时分析、VDI、NAS、私有云以及文件即服务(简称FaaS)等等。
Elastifile公司产品及业务发展副总裁Allon Cohen在一篇博文中指出,"3D闪存即将给整个存储行业带来一轮革命,并凭借着自身出色的速度表现与成本效益彻底改变闪存作为存储组件进行部署的经济性水平。"
"不过除了令人印象深刻的性能表现外,3D闪存芯片本身其实还不足以彻底改变世界。目前我们缺少的是一项互补性技术,其将把3D闪存转化为某种能够实际承载并保护现代企业级数据中心内数据的介质。需要有一种类似于催化剂的因素让3D闪存具备面向一切企业及一切应用程序的适用性能力。那么这项技术究竟是什么?敬请关注……"
Elastifile公司宣称其将立足于闪存向客户交付自己的存储服务,且"价格点要低于大部分混合与磁盘驱动器型存储阵列,但同时与其保持同样的硬件选项。通过对现有及新型闪存与下一代存储设备者优化,Elastifile公司得以将全闪存性能水平与统一化存储访问相结合,并提供每GB约50美分(折合每TB约500美元)的价格点。"
听起来不错,我们也许会在2016年年末或者2017年年内迎来该软件的beta测试版本。该公司在加利福尼亚州圣何塞设有销售与营销办事处,大家可以亲临现场就希望了解的信息进行沟通。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。