时至今日,在存储领域,除了超融合、SSD等热门概念外,另外一大看点无疑就是软件定义存储了。有研究人员称,从2014年到2019年,软件定义存储市场将从14亿美元增长到62亿美元以上,年复合增长率将达35%。因此,软件定义存储的优势显而易见。
软件定义存储最早的概念应该是来源VMware提出的软件定义数据中心里。在软件定义数据中心的概念里,数据中心中的服务器、存储、网络以及安全等资源可以通过软件进行定义,并且能够自动分配这些资源。存储作为数据中心不可或缺的一部分,起着至关重要的作用。
软件定义存储可以理解为对现有操作系统和管理软件的一个结合,能够完整的实现对存储系统的部署、管理、监控、调整等多个要求,让存储系统更加灵活、自由。
软件定义存储,虚拟化是基础。提到虚拟化,给大家脑补一下。其实虚拟化是一个既熟悉又复杂的词汇,在很大一部分场所指的是利用物理机的资源为众多虚拟机提供相应的隔离资源。实际上虚拟化是指一个资源池,例如,一个集群的所有资源都可以调度,存储资源的虚拟化,往往倾向于一个集群机器的存储资源的整合利用。
存储虚拟化可以归为软件定义存储的类别,两者也各不相同。存储虚拟化只有在专门的硬盘设备上应用,很多设备都是经过定制才能够进行存储虚拟化。而软件定义存储没有设备限制,简单的可以理解为存储的管理程序。
在软件定义市场既包括EMC、NetApp、IBM、惠普在内的业界知名厂商,也有名不见经传的Nexenta、Tintri、Solidfire等,各个厂商纷纷有自己的软件定义存储战略和产品。
经过近几年的市场动荡,市场上也出现了数家有代表性的厂商。由于市场上的存储厂商在实现软件定义存储技术上各有差异,我们无法穷尽所有厂商的表现,挑选几家有代表性的企业,盘点一下他们的表现吧。
VMware
去年2月,VMware推出新一代企业存储解决方案,其软件定义存储战略向前迈了一大步。为支持软件定义存储的大规模应用,VMware VirtualSAN6将为VMware屡获殊荣的超融合存储解决方案带来可扩展性与性能的显著提升,而VMware vSphere Virtual Volumes将提供更高级别的整合存储,支持第三方能够感知虚拟机。
EMC
ViPR是EMC的代表作之一。 EMC ViPR 是存储虚拟化软件平台,它将物理阵列中的存储(无论是基于文件、块还是对象)抽象为虚拟共享存储资源池,从而跨物理阵列实现灵活的存储使用模型,并提供应用程序和创新型数据服务。ViPR 从底层硬件阵列抽象出存储控制路径,以便可以在软件中集中执行多供应商存储基础架构的访问和管理。
NetApp
NetApp在“软件定义存储”话题上拥有更多的发言权,因为对NetApp存储产品来说,软件才是其核心价值的充分体现,所有的存储功能基于Data ONTAP存储管理软件的独特集群算法而实现。
NetApp的软件定义存储分为上层的虚拟应用,中间集群模式DataONTAP提供的虚拟化存储服务以及位于底层的硬件和云资源。而具体的底层的存储资源可以是NetApp的FAS和FlexPod。集群模式DataONTAP将NetApp的存储阵列与云连接起来,而FlexArray将FAS和E/EF以及第三方阵列联系起来。为了凸显软件的重要性,NetApp将集群模式DataONTAP作为一个核心,对底层的存储资源的整合和控制能力进一步加强,数据可以在集群模式DataONTAP所管理的不同存储介质中自由的进行迁移。
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。