OSNEXUS是一家已经走过六年的初创企业,其主要开发QuantaStor软件定义存储方案--此方案立足于单一平台之内最高32个虚拟化节点之网格,面向ZFS、Ceph与Gluster并提供向外扩展之块、文件与对象存储资源池。
OSNEXUS公司由CEO Steven Umbehocker建立于2010年,而且截至目前还没有披露过任何融资活动--根据我们的理解,这意味着其始终利用自筹资金进行运营。
我们已经对其进行了简要观察,但并没有与任何企业高管人员或者用户直接交流。
其软件方案以Ubuntu Linux为构建基础,同时支持多种访问协议,具体包括光纤通道(每秒8 Gbit)、iSCSI(10 GbitE)、NFS与CIFS(SMB),我们认为其应该也能够支持S3。不过目前其对象存储支持能力似乎还比较有限。
这套32节点系统能够作为单一站点或者进行拆分。其向外扩展架构能够通过添加更多节点将每集群存储容量提升至64 PB水平。另外,其还可通过一套集中式、基于Web的GUI进行管理。
根据一篇ESG论文,"OSNEXUS将Ceph、GlusterFS以及ZFS等久经考验之开源解决方案中的向外扩展功能同其自家专有存储硬件虚拟化功能加以结合。"
相关数据服务则包括加密、快照、高可用性RAID、压缩、远程复制、SSD缓存、服务质量(简称QoS)控制、擦除编码以及自动精简配置等等。ESG指出,QuantaStor"能够以动态方式通过任意协议为任意主机应用提供存储资源,同时尽可能提高底层基础设施的执行效率与成本效益。"
其还将Ceph整合至QuantaStor的网格管理机制当中。
支持即时读取/写入访问的快照方案能够为各分卷所直接使用,且在ZFS存储资源池内部实现共享。
GlusterFS被全面整合至QuantaStor当中,旨在提供自动化设置、分卷配置、分卷扩展以及重新平衡。
大家可以直接将Cloudera等大数据平台、Hadoop数据以及计算节点服务安装在QuantaStor设备之上。
QuantaStor亦可被作为一台iSCSI存储网关设备被安置在QuantaStor或者NetApp以及EMC系统等第三方存储设备之前。
OSNEXUS 存储结构示意图
OSNEXUS还提供对象存储集成能力,用户可以:
• 将存储分卷备份至Amazon S3云。
• 将云存储共享转化为NFS共享,从而简化指向云环境之备份流程,同时利用自动化压缩、重复数据删除以及加密功能提升成本效益。
• 与SoftLayer Object Storage同OpenStack SWIFT相集成。
OSNEXUS公司指出,适合的用例类型包括服务器虚拟化、大数据、云计算以及通过向外扩展物理与虚拟存储设备实现之高性能应用程序。
目前其产品已经通过全球各托管主机供应商、OEM、VAR以及系统集成商进行销售。在付费订阅QuantaStor软件许可后,用户可以获得技术支持、维护组合以及产品升级服务,具体周期有一年、三年与五年。另外该许可中还提供一套免费社区版本,只是对最大容量做出了10TB限制。
大家可以将QuantaStor视为一套经过简化的基础性Nexenta,其中同时添加了Ceph与Gluster,并通过一套虚拟化32节点存储节点网格体系实现(基本上相当于多台配备有直连磁盘以及/或者SSD的服务器)。当然其还提供硬件兼容性列表(简称HCL),大家可以借此自行构建硬件或者聘用渠道合作伙伴处理这方面工作。点击此处可访问OSNEXUS公司的社区论坛。
好文章,需要你的鼓励
数字孪生技术正在改变网络安全防御模式,从被动响应转向主动预测。这种实时学习演进的虚拟副本让安全团队能够在威胁发生前预见攻击。组织可以在数字孪生环境中预演明日的攻击,将防御从事后反应转变为事前排演。通过动态更新的IT生态系统副本,团队可在真实条件下压力测试防御体系,模拟零日漏洞攻击并制定应对策略,从根本上重塑网络安全实践方式。
NVIDIA联合多所大学开发的Omni-RGPT实现了AI视觉理解的重要突破,首次让AI能同时精准理解图像和视频中用户指定的任何区域。通过独创的Token Mark机制,该系统解决了传统方法在视频中容易"跟丢"目标的问题,在视觉问答、区域描述等多项任务上达到最先进水平,为教育、安防、内容创作等领域的AI应用奠定了基础。
Linux内核开发面临动荡时期,Rust语言引入引发摩擦,多名核心开发者相继离职。文章介绍了三个有趣的替代方案:Managarm是基于微内核的操作系统,支持运行Linux软件;Asterinas采用Rust语言开发,使用新型framekernel架构实现内核隔离;Xous同样基于Rust和微内核设计,已有实际硬件产品Precursor发布。这些项目证明了除Linux之外,还有许多令人兴奋的操作系统研发工作正在进行。
这项由中国人民大学等机构合作完成的研究提出了Virgo系统,发现仅用5000个纯文本推理案例训练就能让AI在视觉推理任务上达到顶级商业系统水平。研究证实推理能力具有跨模态通用性,为更经济高效地开发多模态AI系统指明了新方向,同时也揭示了AI感知反思能力不足的局限性。