当下诸多新兴技术异军突起,这对传统存储方式而言,无疑是一场巨大的挑战。云、超融合、开源软件以及基于闪存的存储解决方案似乎共同敲响了传统高端存储阵列的丧钟。那么它们是否拥有足够的优势彻底取代传统企业磁盘阵列?
传统存储利益之源:锁定!
传统存储供应商的业务模式在于,如何让客户尽可能长地锁定在他们的专有解决方案中,从而获得利益。 他们的主要收入来自于阵列硬件以及对硬件的扩容升级,设备升级和服务合同定价高昂,因此推广新的存储技术并不符合他们的利益。仔细看来,传统厂商对新技术的投入往往仅仅是市场宣传的需要而已。不仅他们的客户被锁定在这种业务模式里,而且他们自己也被锁在里面,无法改变。
不论那些新的替代方案成本如何低廉,他们都不会让公司全面转向,因为这些传统技术的业务从财务角度才是他们最有价值的财产。
传统存储性能提升:加磁盘!加闪存
除了保护数据外,存储性能也是企业存储发挥价值的重要因素。传统存储只能凭借在系统中增加大量磁盘驱动器来实现较高的性能。而这种方式必然需要付出昂贵的开支(CAPEX)和营运费用(OPEX)。
传统存储厂商通过在混合结构中增加闪存,尽力克服磁盘阵列局限性,但是旧有基础架构并不能真正发挥闪存的效率,实现最高性能。而且,混合阵列也不能轻易地跨多个系统进行共享,这样就导致效率低下。
破解传统存储之道:SDS
软件定义存储(SDS)利用标准硬件提供经济性、可扩展性及灵活性,而就这些方面而言,传统存储供应商均不能与之抗衡。虽然传统存储供应商仍然在竭力保护他们的高额利润,但是,从长远来看,客户必然会逐渐向更优性价比的方向转变。这会促使价值更加趋向于通过系统管理层级的软件来体现。
目前市场上的SDS有两种基本类型:一种是系统级SDS,其中包括超融合的解决方案;另一种是数据中心级SDS,其中主要是虚拟化解决方案。前者注重于将服务器转换为存储系统,以“淘汰和替换”传统存储阵列。后者则更加关注对现有存储增加了一个新的虚拟化层,并连接各存储系统以创建一个包括快照、灾难恢复、重复数据删除以及持续数据保护(CDP)等多种服务的复合虚拟化存储资源池。这种方法通过允许用户轻松地实现跨异构存储系统的数据流、迁移和管理,释放客户现有的存储硬件投资能力。虽然现在市场上系统级的SDS往往很吸引眼球,但是对绝大部分数据中心而言,数据中心级的SDS的实用价值更高。
将SDS与闪存缓存结合起来,这正是获得IOPS优化价格的重要途径。SDS可用于跨多个系统灵活分配存储空间,通过缓存来发挥闪存的优势。通过使用数据中心级SDS,例如飞康的 FreeStor ®,闪存可以与廉价的磁盘介质在传统存储上集成,一方面为关键业务提供出色的存储性能,同时将大量不需要高性能的数据放在更加廉价的大容量存储上,从而实现很高的性价比。
飞康CEO:传统存储灭亡的传闻已经被严重夸大
飞康公司总裁兼CEO Gary Quinn表示:“传统存储灭亡的传闻已经被严重夸大,但它的未来在很大程度上取决于企业如何将其应用到现代化数据中心。
如今,已经出现了一些试图全面替代传统存储的技术,但我们飞康认为,传统设备本身仍然拥有价值,并且可以通过与软件定义存储解决方案的结合的方式对其加以利用,从而根据业务和应用需求轻松地优化资源。
FreeStor可以提供通用的数据服务和管理,混合和匹配存储平台,而无需考虑存储类型、位置或供应商。这种方法将帮助企业实现无厂商锁定的现代化数据中心。”
存储阵列供应商的虚拟化解决方案通常智能用于将其他公司的存储阵列迁移到自己的系统中,由此便导致了许多兼容性问题。很多用户都遇到过这样的问题,比如在部署过程中出现性能影响和功能损失。相比之下,FreeStor的集群基础架构以及与全闪存阵列供应商的密切合作,验证了其高性能,并确保了硬件兼容性。与存储阵列供应商的存储虚拟化解决方案相比,作为一个第三方软件供应商,飞康软件可以连接几乎所有的存储产品,从而彻底打破了传统阵列的厂商锁定。
在过去的16年中,全球10多万台服务器已经安装了FreeStor(包括其之前的版本)。这些客户已经验证了FreeStor的SDS之路,也就是通过存储虚拟化解决传统阵列的厂商锁定,才是数据中心的存储之路。
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。