当移动办公的需求受制于传统PC端不可移动的特质,当服务器数量不断增多、机房可利用的空间越来越小,由此带来的问题是一连串的:应用数量庞杂、资源利用率低、单点故障、管理困难、业务办理效率低……如何将这些问题一一化解?浪潮存储来分享一项黑科技。
广西老百姓"家门口的银行",如何提升业务效率
桂林银行成立于1997年,发展至今已在广西设立了59家分支机构、89家社区支行,是广西老百姓们"家门口的银行"。机构网点多、业务品种多、工作人员多,给IT管理人员带来了极大的挑战。
桂林银行--广西老百姓家门口的银行
桂林银行现有的桌面系统基于传统的PC运维方式,终端PC爆炸性增长造成机器很难统一管理。
有多难?首先,系统开发测试人员通过PC或笔记本电脑进行日常的系统开发测试工作,需要在每台办公终端上安装各种办公软件客户端、存放数据。各类开发测试业务系统运行在数据中心的后台服务器上,通过软件客户端经由局域网连接后台服务器,访问业务数据和流程。
同时,IT人员除了需要集中维护数据中心的后台服务器,还需为办公人员提供Helpdesk服务,解决办公终端的操作系统,及软硬件问题,每次终端出现故障都需花费大量的人力物力维护。
此外,IT人员还需定期对后台系统、用户的桌面操作系统和办公软件进行必要的更新维护,以保证内网办公的各环节都运行在最新的软件版本之上,防止由于系统的漏洞导致开发测试系统的瘫痪。
看到这些,桂林银行下定了IT升级的决心。
以一敌百,桌面虚拟化降服"多、乱、慢"
桂林银行在这样的情况下,对IT设备的管理感到相当头疼。
那么,是否能够通过打造一个统一的虚拟化桌面平台,对现有资源重新规划和整合?
为了解决IT人员的心塞,桂林银行计划建设企业内部开发测试环境的桌面云,为开发测试人员提供高效的桌面交付模式,实现数据集中、安全可控、管理灵活、体验良好的标准化办公环境。桌面云系统可以提供安全的桌面工作环境,同时无需对现有的前后台应用作大规模的改造。技术上选择采用桌面虚拟化的方式,实现新的集中的桌面管理构架。
浪潮见招拆招,为桂林银行量身定制解决方案:以5台旗舰2路服务器NF5280M4为计算核心,安装思杰操作系统,部署虚拟化。方案包括5台X86机架式服务器、1台浪潮AS5600共享存储,首批预计提供桂林银行200个桌面。
IT拓扑图
浪潮2路NF5280M4服务器通过将物理资源抽象成逻辑资源,让1台服务器变成几台甚至上百台相互隔离的虚拟桌面,使资源不再受制于物理界限。同时,将桌面数据存储在共享存储浪潮AS5600上,通过同一个控制器提供SAN和NAS需求,无需增加NAS网关。这样做的效果也是以一敌百:故障切换响应及风险停机时间显著降低,桂林银行享受到了从架构、到存储控制器统一管理的更加直观的用户体验。
资源整合包括主机的整合,比如构建多集群的RAC环境、VMware服务器虚拟化平台、存储虚拟化的存储资源池。浪潮AS5600提供大容量扩展、平衡的高性能架构以及简化的管理策略,服务器虚拟化整合、云架构搭建、大数据存储一步到位。
浪潮虚拟化整合方案坐阵,业务嗖嗖的
通过部署桌面虚拟化方案,桂林银行将桌面集中托管于数据中心,在数据中心进行集中的部署、维护和管理,同时运行在高性能的服务器上,使桌面的性能得到提升,可以迅速地部署最新的操作系统和应用软件,降低维护桌面以及软件的费用;前端桌面使用瘦客户端,减少终端维护量,涉密终端和非涉密终端的划分,对应不同岗位管理人员的需求,增强终端安全性;提供接近于本地应用的最终客户体验、并且最大限度保持原有的用户使用习惯,能很好地兼容桂林银行的现有桌面系统和应用程序,开放、灵活的构架设计与部署方式,满足未来系统扩充需求。
基于浪潮AS5600的桌面虚拟化方案可以适应主流的服务器、客户端的硬件配置,对中心现有的服务器、PC等设备可充分利用,便于日常维护,大幅降低总体投资。现在,桂林银行运维人员足不出户即可对桌面镜像和相关的应用进行管理和维护,重要用户可以通过iPad、iPhone、Android等智能设备访问虚拟桌面、实现远程移动办公及远程OA登录……浪潮桌面虚拟化方案带给用户的便捷不止一点点。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。