VMware公司已经对旗下VSAN加以更新,此次虚拟SAN软件的6.2版本新增数据删除以对抗Nutanix与Simplivity的超融合基础设施设备。
VSAN结合vSphere服务器节点中的直连存储机制,从而建立起名为虚拟SAN的汇聚性共享存储资源,从而避免了用户对于共享式外部存储阵列的需求。
此次发布的新版本增添了:
这些数据体积削减方案立足于集成化VSAN节点层面。其重复数据删除功能可作用于固定4K数据块,并在数据由VSAN缓存(包括DRAM与PCIe闪存卡)向SSD移动的过程中加以执行。一旦数据经过重复数据删除处理,其同时亦完成压缩操作。
不过上述功能只适用于配备有全闪存硬件的VSAN产品,而尚无法支持磁盘或者混合型闪存/磁盘配置型号。其设计思路在于,闪存由于使用成本远高于磁盘而能够从数据体积削减技术中获得更为显著的收益,而基于闪存的系统亦能够利用这些速度远高于磁盘的存储资源加快计算数据的存储与访问性能。
VMware公司阐述VSAN闪存与混合方案间的区别
VMware公司表示其观察到的VSAN工作负载体积削减比例可达到7:1,不过大家在实际使用中肯定达不到如此可观的水平,特别是如果大家使用这些软件来处理那些“包含大量独特记录的数据库”的时候。根据虚拟巨头的说法,数据体积削减操作大约需要占用多核心服务器CPU资源的5%左右。
擦除编码则采用RAID 5或者6的奇偶校验数据并将其在多台VSAN服务器主机之间往来传输。其中RAID 5最低需要四台主机构建,从而保证四项校验与三条数据片段的往来传输。这意味着保护功能需要占用掉33%存储资源,具体来讲就是保存20 GB原始数据需要使用27 GB存储空间。
而在RAID 6当中则至少需要使用六台主机,从而实现更出色的节点与设备故障保护能力,在这种情况下存储20 GB原始数据则需要使用30 GB存储空间。
此前的VSAN版本利用复制功能实现数据保护,意味着20 GB原始数据存储需要40 GB空间来支持。
目前让我们感到好奇的是,VMware公司的股东们是否赞同其将自有对象存储软件添加进来以实现擦除编码技术?EMC公司在这一领域已经拥有了Atmos与ECS两套解决方案。
以上图表展示了一套四节点VSAN 6.2配置方案,其采用SuperMicro服务器硬件,主要对抗Nutanix NX-3160 HCIA混合闪存-磁盘产品以及Pure Storage等厂商推出的全闪存阵列——当然,VSAN 6.2配置方案的成本更为低廉。
VMware公司还发布了一份图表以比较VSAN与IDC MarketScape报告中位列第二之HCI供应商的部署情况。根据这份2014年全球超融合型系统供应商评估报告所言,作为比较的对象显然应该是Simpivity而非Nutanix。不过VMware公司指出其自身目前位列第一,而位居第二的则是Nutanix。
IDC MarketScape:2014年全球超融合型系统供应商评估
Vmware公司发布的这份图表显示其在客户数量(VSAN客户已经超过3000家,而根据我们掌握的情况Nutanix目前的客户数量为2100家)、部署单位数以及营收增幅等方面胜出,但优势并不特别明显。
VSAN对Nutanix。需要注意的是,图中并不存在任何基于数量或者单位的纵轴,因此可以肯定这是一份营销专用图表。
VSAN 6.2共提供以下三个版本:
另外vRealize云控制器软件版本亦迎来更新。
我们现在期待着EMC方面是否会将VSAN 6.2引入其融合型以及即将推出的超融合型产品当中。
VSAN 6.2将于今年3月初上市。标准版每插槽售价2495美元,高级版每插槽3995美元,企业版每插槽5495美元。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。