随着互联网的快速发展,大数据分析已经成为当下热词。银行每天产生各种扫描件、声音、图像;互联网和多媒体企业产生音频视频HTML文档;医院在信息化改革后,也需要取读大量电子病例、档案等非结构化数据。EB级的海量数据对于企业来讲既是业务拓展与增长的金矿,却又给IT部门带来巨大压力,传统存储系统已然无法满足企业对非结构化数据爆炸式增长的存储需求,企业IT架构变革迫在眉睫。
对于管理海量非结构化数据,企业需要有真正的扩展能力,高可用性和易于管理的存储系统。对象存储应运而生。
今天各种创新技术的发展,推动了软件定义存储逐步成为市场主流,软件定义大规模混合云部署相结合,就催生了全新的对象存储软件系统,就是我们接下来要谈的Cleversafe对象存储。
Cleversafe是用于 Web 规模存储的领先软件平台,拥有久经验证的企业存储解决方案,可实现在 PB 级及以上级别的高效、安全存储。
“当竞争对手还无法真正处理PB级数据的时候,我们已经跨越了EB开始在研究ZB级存储了。”IBM云对象存储总经理John Morris介绍说。
那么到底Cleversafe能给企业的存储系统带来哪些优势呢?这里我们以一个真实的案例来看看Cleversafe给企业带来的变化。
Shutterfly 是全球领先的基于互联网的社交发表和个人发布平台,市值达 20 亿美元。拥有50PB 图像和 150PB 以上的非结构化内容,包括图像、视频和项目等,而且这些数据是呈现无限扩展的趋势。这对于存储系统提出的要求就是具有极高的可扩展性。在客户服务方面,要求所有客户从内容到业务必须永无风险。这就需要存储系统满足高容错,无单点故障的安全性功能。而且为了不影响不影响内容对于用户群的可用性。要实现可跨越州界线移动数据中心模式。
对于像Shutterfly这样数据驱动型企业而言,非结构化数据的增长步伐已然超出了企业资源及预算的增长速度。显而易见,传统存储的经济效益已荡然无存。
传统存储是否能够为客户提供存储即服务的模式呢? 海量数据的归档怎么解决呢?备份这么多数据能做到吗?在海量数据面前,这些都成为传统存储的弱点。
针对Shutterfly面临的存储困境,Cleversafe通过对宝贵内容的安全分布式访问,提高全球范围内各个工作场所的生产效率来实现其对于数据安全的需求。不仅满足了其对于可扩展、安全性、高可用的需求,而且在管理方面仅仅需要3 名兼职管理员,即可实现对整个存储环境的监管。同时可减少电力、制冷和占地成本,减小能耗,从而将 TCO 降至最低,实现电力节支 60%;Cleversafe提供可扩展的备份和随时的数据可用性,确保可靠的恢复,并降低基础架构部署成本 ;软件定义实现最大的灵活性,与之前不可靠的可盈利业务模型而言,可实现 60% 以上的节支。
Cleversafe如何工作?
Cleversafe 的存储系统基于简单的对象存储方法,将数以亿计的数据对象高效存储于单一平面名称空间内,并使用基于 http 的协议,通过 REST 界面显示数据。Cleversafe的系统采用一种先进的运算法,称作纠删码。Cleversafe的系统不做复制拷贝,而是把原始对象切分成许多片段。而传统的存储方式需要很多拷贝,这些拷贝需要放在多个地点里以便应对万一出现数据中心宕掉,而Cleversafe是把他切成很多切片,每个切片都被写入至单独的存储节点,以实现保护性。
Cleversafe,无需构建多个数据拷贝,也无需将数据存储在多个系统,在整个私有存储云中,只需分散、存储并检索单个实例即可。Cleversafe已为全球多个顶级大型数据库所采用,能够以非常低廉的成本(最高可将 TCO 降低 80%)实现大规模存储,相比传统服务,功能也更为简便,同时还可提供企业级安全性和 15 个 9 的可靠性。
Cleversafe牛在哪里?
Cleversafe即包含了软件定义能够降低成本,又专为规模化设计,为EB级以上规模存储提供企业级功能和安全的全新解决方案。除了管理数据量方面的优势以外,CleverSafe还在管理性,可用性和经济效率的优势,尤其在经济性方面具有优势,它比AWS的S3更具性能优势。相信基于市场对对象存储的需求趋势,Cleversafe将被越来越多的企业所采用。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。