如果一般消费者想要购买240GB或256GB容量的SATA固态硬碟,连上3C线上购物网站或一些电脑卖场的线上估价网站,你会发现只要掏得出3千元,几乎都可买到市面上的知名品牌,还可以选择一些采用M.2介面的SSD,也有厂商以低于2千元的价格抢市,当然,更大容量的固态硬碟,价格相对高昂,但跟过去相比,一般人其实也有能力负担了,例如,已经有厂商推出1TB容量、万元有找的固态硬碟,在这样的组态下,平均1GB的储存成本压低到10元以下。
消费级SSD如此,企业级SSD价格虽然向来神祕,若用于储存阵列的大量搭配下,单价会有所变化,但想必也处于持续下跌的趋势。先前我们曾看到有些全快闪储存阵列厂商喊出每GB成本低于2美元,甚至低于1美元。
不过,这里面的宣称,仍有一些玄机要注意。由于牵涉到资料缩减技术的应用,所以有些产品所谓的整体储存空间,其实是指经过资料压缩、重复资料删除处理之后,所得到的有效容量(effective capacity),而不是纯粹基于固态硬碟硬体本身提供的原始容量(raw capacity)。例如:HPE在6月所发出的新闻稿中提到,在3PAR StoreServ储存阵列下,现在针对可用(usable)储存空间的提供,单位储存成本已能做到每GB为1.2美元的程度(搭配新一代15TB超大容量固态硬碟);SanDisk也在今年4月推出的InfiniFlash System新型储存设备IF150中,强调可藉由提供大量固态储存空间,来达成每GB花费1美元的成本;台湾储存厂商当中,也有业者以此作为诉求——群晖在今年Computex台北国际电脑展所展出的FlashStation FS3017,提出了每GB储存成本为0.52美元作为号召。
除了主打超低的单位储存成本,也有一些厂商表明全快闪储存阵列的入手价格。例如EMC在5月新发表的中阶储存阵列Unity系列,就强调企业可在1.8万美元以内买到全快闪组态的机型(但确切搭配的储存容量,似乎并未公开);Pure Storage则在3月推出入门级产品FlashArray//m10,主打5万美元有找的价格,若除以该机型搭配的10TB原始储存容量,每GB成本是4到5美元之间。
从上述各家国内外储存厂商的动态来看,低储存成本已经成为主要强调的部份,而且从今年起,超大容量固态硬碟陆续上市,势必会进一步推动这个现象。像是三星在3月推出15.36TB容量的PM1633a,即是一例;而美光(Micron)也基于3D NAND的快闪记忆体技术,在今年第四季推出8TB以上的SSD,提供给云端服务业者采用,接着于明年第一季发表强调高效能、大容量的企业级SSD。
不过,储存应用的I/O存取速度与容量需求的满足,已是指日可待,但对于资料中心环境的维运而言,还需要考量其他因素。
首先,这些储存资源能否有效配置仍是问题。因为,在实务环境里,有可能会出现效能管理不当的情况,例如,真正需要高速I/O与大量储存空间的应用系统或服务,却不一定能得到对应的资源,因此,实施服务等级确保(QoS)以及阶层式储存管理(Hierarchical Storage Management)的必要性大增。
另外,全快闪储存阵列的使用规模如果越来越大,所衍生的内部网路传输流量可能会跟着激增,现行资料中心环境能否配合,也是需要注意的部份。因此,既有网路或许需要升级到10GbE、16Gb FC,甚至到更高的传输规格,例如100GbE、32Gb FC,于是,这又会牵动资料中心网路基础架构的配置。
好文章,需要你的鼓励
Panzura在其Symphony数据管理平台中新增了访问控制列表分析和自动修复功能。该平台专门处理EB级非结构化数据集,具备扫描、分层、迁移和合规分析等功能。Panzura声称58%的企业受到权限扩散问题影响,74%的数据泄露涉及特权凭证滥用。新版本重点解决权限继承中断、过度授权访问和合规盲点等问题,提供完整的文件系统权限可视性和快速问题解决能力。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
Arista Networks宣布收购博通旗下VeloCloud SD-WAN业务,交易金额约10亿美元。VeloCloud是SD-WAN领域先驱企业,拥有集成安全功能的云管理SD-WAN解决方案。此次收购填补了Arista在分支机构连接方面的空白,使其能够提供端到端网络解决方案。同时,前思科高管Todd Nightingale加入担任总裁兼首席运营官,将助力公司拓展更广泛的客户群体。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。