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
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。