Oracle正在使用自己内部的公有云作为本地ZFS设备的后端存储。
与Exadata云服务不同的是,Oracle正在将自己的ZFS内部部署套件引入公有云。
最新的ZFS Storage Appliance软件发布包括Oracle的ZFS Cloud软件,意味着应用数据将被迁移到/迁移出Oracle自己的公有云,强化ZFS Storage Appliance在Oracle混合云战略中的角色。
Oracle称这将消除“对外部云网关的需求,避免软件许可和云访问许可的成本——也就是云准入税——这个费用是由传统本地厂商收取获得访问公有云的权利。”这将引入它的公有云和ZFS Appliance成为共同设计的一组产品。
正如Oracle表示,ZFS Storage Appliance是Oracle Public Cloud的存储基础,所以协同工程不是什么大问题。
Oracle说,传统本地厂商并不能提供相同的公有云集成——听到NetApp了吗——公有云厂商不能提供本地的设备。所以Oracle统治着混合NAS文件/公有云领域。
Oracle宣称,现代应用可以访问内部部署的ZFS Storage Appliance以及Storage Cloud上的数据,而不需要改变应用。客户使用ZFS云存储的用途有很多:
- 弹性应用存储
- 备份和恢复
- 开发
- 测试
- 动态归档存储
- 快照复制存储
- DevOpes,单一API针对内部部署和Oracle Storage Cloud
- 工作负载迁移
ZFS Storage Appliance的最新功能还包括:
- Oracle Intelligent Storage Protocol 2.0,可自动化:
- 根据数据库提示设定IO优先级
- 每分钟的在线交易处理有效提高19%
- Oracle Database RMAN备份性能提高33%
- 提高延迟密集型控制文件IO性能达13倍
- 日志写入IO性能提高3.9倍
- 全闪存存储协议从16TB扩展至2.4PB,吞吐量最高为34GBps
- Cloud-Scale Data Protection over Infiniband、Ethernet、Fibre Channel,最高每小时62TB多的备份速度,每小时60TB的找回速度。
Oracle宣称,新的重复数据删除和压缩数据精简技术减少备份存储容量达9倍,带宽需求减少4倍。这将会得到很多使用ZFS的提供商的欢迎,例如Nexenta,可以用来取代最初的原生ZFS数据精简技术。
评论
混合云是几乎所有本地服务器和存储阵列厂商采用的理念,通常就是通过Amazon S3协议访问Amazon公有云,此外还有微软的Azure和Google云。
例如,NetApp已经公布了其Data Fabric数据理念,在这种理念中,本地和公有云NetApp存储是一个单一的实体,数据在适当的情况下在这两者之间移动,例如本地阵列可以备份数据到Amazon和Azure云。
Avere提供了FXT前端文件和网关连接本地NAS和公有云,加速公有云存储访问,FXT软件也可以运行在公有云中。
公有云存储可以视为低速访问的归档存储层。为了更快地访问云中存储的数据,你可以把阵列放在公有云区域访问中心,就像NetApp所做的。更为典型的做法是在公有云中进行计算,在公有云中保存数据,让云提供商访问保存的数据以快速计算。
当本地阵列提供商使用S3协议连接到Amazon的时候,这种做法变得越来越受欢迎,还成为一种本地访问协议,例如特定的对象存储产品。
Oracle的做法有所不同。
Oracle是将自己内部部署的ZFS设备与基于ZFS的存储结合放在自己的Oracle共有云中,而不是放在Amazon、Azure或者Google中。ZFS数据始终是在Oracle可控的设施中,Oracle并不会把控制权放给任何公有云提供商。
我们想象的是,Oracle想要看到使用竞争对手本地阵列并将数据迁移到Amazon、Azure或者Google的数据库客户,开始考虑使用Oracle公有云,因为它的成蹦鞥地,本地公有云集成做得更好。
数据保留在单一提供商那里,这不需要转换协议和数据格式耗费CPU周期。
已经适应了Oracle强有力定价方法的客户可能会觉得,放弃对数据放置控制权可能对Oracle是一个坏主意。把数据放在竞争对手云中,这可能有助于让Oracle出色表现,防止当用户无法离开Oracle构建的混合云时提高价格。
考虑到所有这些因素,现有的ZFS Storage Appliance客户可能会期待从Oracle渠道听到关于Oracle Storage Cloud集成的更多信息。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。