2016年11月,软件定义存储解决方案创新公司飞康软件有限公司宣布其自有软件定义存储平台 FreeStor® 正式进军混合云领域。基于异构存储平台,飞康公司将面向企业和云服务提供商(CSPs),提供企业级块存储的性能和可靠性。
当前,企业和CSPs面临众多挑战。数据中心费用失控,数据移动耗资巨大,用户缺少通用的管理工具,从而受困于厂商锁定,简单灵活的新方案需求迫切。企业用户希望获得一种消费自由:能够自由选择最适当的存储平台,充分满足其价格和性能水平的需求,自由选择本地或是云端,或两者兼而有之(采用混合云模式)。
那么, FreeStor混合云版为用户带来哪些升级体验呢?
【升级一】“只付一次” 成本直降
· 简单、合理的定价策略——企业用户只需支付其主数据实例的软件授权费用,而无需为所用存储总量付费。
【升级二】简单添加 统一管理
· 直通云端——用户可以添加公有云存储,创建混合云解决方案,却仍然通过单一平台进行管理。
· 简化客户端管理——采用简单的模板化工具简化部署、配置和更新客户端,避免中断业务运行。
【升级三】 安全 智能 加速
· 增强分析能力——具备从核心到边缘的全面分析决策能力,并提供全面信息和数据,满足通过服务及类别(SLA)进行主动管理的要求。
· 安全多租户——全面整合活动目录或 LDAP,使得授权、访问和审计合规,确保运营商多租户环境安全可靠。
· 性能优化——增强支持 NVMe存储,以实现 I/O 和延迟的新水平。新增 Linux 7 合规,强化应用加速的专利技术,工作负载可以在云端和本地自由移动,及快速无停机配置。
面向广泛企业和云服务供应商用户,飞康推出FreeStor混合云版,采用简单、合理的定价模式、灵活的管理工具、智能的分析能力及性能加速,能够管理愈加复杂的跨本地和云端的混合云的存储基础设施。FreeStor 混合云版支持将工作负载迁移至最经济划算的地方,最终实现企业目标。
众多客户为FreeStor证言:
“FreeStor 确实有效。没有它,我们恐怕有得忙了。它让我们有信心完成任务。出现问题时,FalconStor 的解决方案总是能快速且有效地解决。为了保护客户,我们通常在线存储三份资料副本,采用 FreeStor,我们只需支付主副本的费用,第二份、第三份或更多副本则无需付费,”——BlueChip 总经理 Brian Meredith,
“FreeStor提供了最高级别的高可用性和数据安全,这对帮助我们基础架构部门支持业务有着重大意义。有了FreeStor,我们就能让我们的新产品更快上线,同时还能降低成本”- Sunrise Communications AG 基础设施服务部门技术主管 Sandor Orban
“我的看法是,FreeStor是世界上第一个真正针对服务运营商的现实问题的产品。… FreeStor是我们的Xterity品牌不可分割的一个重要组成部分,它是我们推出的唯一的容灾解决方案。… 我们觉得,它正好符合我们的想法,使得我们可以满足一项特定的市场需求”——Egenera 服务副总裁 Scott Harris
“FreeStor 是专门面向混合云的存储解决方案”——Frost & Sullivan 云服务副总裁 Lynda Stadtmueller
目前可通过参与 FreeStor 合作伙伴选择计划的经销商购买适用于云的 FreeStor,也可直接向飞康软件购买。欲了解更多信息或预约时间进行演示,各意向单位可致电 (010) 6530-9505或发送电邮至 salesasia@falconstor.com。
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。