Infinidat公司正在对自家Infinibox阵列产品设计进行调整,希望借此提升其存储容量水平。
目前的3U驱动器托盘与2U控制器机箱将双双被调整为1U托盘,从而将机架内部的磁盘驱动器容纳能力由480块提升至720块——提升幅度高达67%。这些驱动器托盘可支持60块以垂直方式安装的磁盘驱动器。
在Infinidat公司位于以色列荷兹利亚的办公室内,记者们在数据中心中亲眼见证了三台这样的1U服务器机柜,相较于原有3 x 3U控制器(采用戴尔370服务器)机柜,新的设计方案能够额外释放出3U物理空间。
在其之下为1U驱动器托盘,能够平行安装多排希捷3.5英寸Constellation ES驱动器。根据我们的计算,每套托盘能够容纳20块驱动器,而机架之内共可容纳36套托盘,这意味着机架的总体驱动器容纳能力可达到720块之多。
如果使用目前的主流高容量10 TB磁盘驱动器,那么机架整体能够提供7200 TB存储容量; 如果使用预计将在未来几个月内推出的12 TB驱动器,那么其整体存储容量将进一步提升至8640 TB。Infinidat公司将因此构建起一套容量达8.64 PB的机架,其可用存储资源将达到目前4.8 PB机架(480块10 TB驱动器)的1.8倍。
我们了解到,Infinidat公司预计未来的磁盘驱动器将采用HAMR(即热辅助磁记录技术)与叠瓦式(部分重叠)磁轨技术,且存储碟片将被放置在氦气填充外壳之内。该公司发言人谈到,到2020年其机架存储容量将达到50 PB,如果阵列本身的720块驱动器容纳能力保持不变的话,这意味着单块驱动器的容量需要增加至70 TB。
另外,我们还在Infinidat公司的发展路线图上看到了重复数据删除与控制器数量提升等规划。根据我们的了解,未来阵列中的控制器数量仍继续保持为奇数,即由目前的三套增长为五套或者七套。
目前,Infinibox之内仍然使用一套SAS结构以将各驱动器托盘及其上的驱动器接入各控制器。预计未来这一结构将会被NVMe所取代,从而进一步提升驱动器与控制器间互连机制的速度与传输带宽。
然而,这种变化不太可能扩展至访问客户端——这是因为客户更倾向于扩展Infiniboc访问协议支持能力,而其中对SMB的支持可谓呼声最高。目前相关工作正在推进当中,我们预计这一支持能力将在2017年实现。该公司可能将在2017年8月推出其4.0版本软件方案,而SMB支持也许将被包含在其中。
1U驱动器托盘
来自客户的其它访问协议要求则包括S3、Swift以及HDFS。根据我们掌握的情况,32 Gbps光纤通道支持能力将在2017年年内实现。另外,相关软件的4.0版本可能还会提升服务质量。
Infinibox控制器软件亦有可能被作为虚拟机独立提供给客户,或者供其它硬件渠道使用,具体包括服务器、接入交换机、InfiniBand(或者以太网)基础之上的内部NVMe结构与驱动器托盘,乃至其它由Infinidat提供的认证/合格配置方案等。
Infinibox公司的1U控制器与驱动器托盘
根据该公司的说法,根据目前的情况看其盈利态势已成定局,且今年的营收应该会突破1亿美元。这是否意味着其有可能在2018年年内进行首轮公开募股?我们似乎找不到阻碍其公开融资的理由。今年之内各季度营收较上年同季度相比皆实现了两位数增长,且Infinidat公司似乎已经连续三年超越了其竞争对手——包括戴尔-EMC(VMAX/Unity)、HPE(XP7)、HDS(VSP)以及IBM(DS8000与XIV)等——特别是在全闪存阵列PB级别数据存储场景下的访问速度,以及纯磁盘驱动器阵列的使用成本方面。
除非被收购,否则按照目前的态势来看,Infinidat公司仍将继续保持一波高速而稳定的增长。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。