DriveScale是一家初创公司,今年年初从此前3年的隐身模式走出来,推出了可以动态地将外部连接的JBOD作为本地设备呈现给服务器的硬件和软件。它的想法是提供可组合的服务器-存储结合体,用于改变Hadoop类型的分布式工作负载。

这么做的目的是分享超大规模数据中心的特性,而不涉及到这么大规模,也不需要企业进行DIY。DriveScale表示,现有的服务器和存储产品设计对于分布式Hadoop类型的工作负载来说太死板了,通常存在不同程度的配置不足或者过量配置服务器和存储资源。
服务器和存储应该作为单独的资源池进行管理。据悉,DriveScale公司有很多前Sun和思科公司的员工,有不错的可信度,值得考虑。
技术
软件构成系统:这是带有本地(在机架中)磁盘存储的服务器,当大数据Hadoop工作负载发生变化的时候可以分解,然后可以重新组合成为新的配置。
它所做的是,DriveScale软件对磁盘驱动器机箱中的存储进行虚拟化,然后跨10GbitE连接呈现给机架中的服务器。此外有一个机架顶部的以太网交换机,服务器和SAS JBOD存储机箱有以太网端口。采用SAS的DriveScale适配器(虚拟化卡)是介于服务器和存储以太网端口之间的。
该适配器采用一个以太网控制器(2 x 10GbitE)以及一个SAS(2 x 12Gbit/s 4通道)控制器。一个1U的DriveScale一体机设备容纳4个这样的适配卡,连接到TOR以太网交换机。这个适配卡机箱有80Gbit/s的带宽。服务器访问磁盘是通过这个以太网和DriveScale系统的。显然这个以太网和SAS连接为磁盘访问贡献了一些延迟,大约是200微秒。
该服务器运行Linux系统,有一个DriveScale软件代理。DriveScale有一个管理工具,用于组合(配置或者分配)存储给一台或者多台服务器,配置软件代理。

这个代理呈现已经被组合成为服务器的存储,本地(直连)到这个服务器,使用DriveScale服务器代理以及适配卡,隐藏了它实际上是通过以太网外部连接的事实。
还有一个SaaS整体管理工具。用户通过GUI或者RESTful API控制DriveScale。JBOD未来还可以涵盖SSD。
创建、创始人和资金
DriveScale在2013年由首席科学家Tom Lyon和首席执行官Satya Nishtala创建的时候,接收到了300万美元的种子资金。Lyon最早是Sun公司的员工,他和Nishtala当时为Banman工作。他们是Nuovo的创始人,这个分拆出来的公司开发了思科的UCS服务器。在Sun的时候,Lyon致力于Sparc处理器的设计以及SunOS,而Nishyala则负责Sun存储、UltraSparc工作组服务器以及工作站产品。
DriveScale公司的首席执行官是Gene Banman,工程师设计副总裁是Duane Northcutt,他是前Sun公司的硬件架构师。前Sun首席执行官和共同创始人Scott McNealy以及研究Java的James Gosling是该公司咨询顾问。
该公司今年年初进行了1500万美元的A轮融资,由Pelion Venture Parnters主导,Nautilus Venture Partners以及Foxconn的Ingrasys参与。Ingrasys是Foxconn的全资子公司,帮助开发和制造DriveScale一体机。
DriveScale称,现在是解耦设计的一个好时机。它的技术可以让企业拥有类似互联网公司(Amazon、Facebook和Google等)的那种横向扩展架构,让他们更加灵活地扩展服务器和存储资源。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。