日常工作中,难免需要向指定的服务点传输文件。而群晖NAS作为得力的数据存储助手,越来越被个人、家庭、工作室、企业所采用。NAS是集中化存储生活、工作数据的解决方案,不仅可以在局域网网络内进行数据交换,远程也能访问NAS的数据。提到文件传输不得不提http(s)协议,它被应用在整个互联网,将全世界连接起来。但随着时代的变化,http(s)协议在文件传输上的缺点也越来越明显。群晖Presto诞生正是解决http(s)在文件传输中的低效能、不稳定等问题。

安全、稳定的Presto套件更懂你
Presto的初衷在于解决远程、跨地域客户端电脑与NAS在文件传输中的问题,属于网络传输加速器,专注于克服冗长的来回时间及高封包遗失率。特点如下:
1、稳定的远程访问,随着地理位置的增加,文件传输速度会越来越慢、甚至不稳定,而Presto依靠在客户端和NAS端建立的高速通道,可解决传输慢不稳定的问题。
2、安全性,在文件、数据传输中会设计到用户密码账户安全的问题,在Presto中账号密码安全地储存在 TLS/TCP 频道中。AES-128 加密可确保大量数据传输的安全性,数据也能压缩至搭载SITA的UDP频道。
3、自动识别网络环境,如在低延迟的网络环境,TCP会代替群晖网络传输加速器,优先选择快速通道。
用Presto享用高速、稳定数据传输服务
看完上述内容,是不是被Presto的神奇所折服?Presto在日常使用过程中是否能达到上述提到的效果?下面通过模拟日常使用习惯来对Presto进行简单测评。先介绍测试环境:
1、客户端:
操作系统:Windows 10
CPU:i7-6500U
内存:8GB
网卡:Killer 1535 a/b/n/ac游戏网卡
环境:50Mbps(理论数据:上传512kb/s,下载6.25MB/s)
2、NAS端:
产品型号:DS716+
CPU:INTEL Celeron N3160
内存:2GB
DSM版本:DSM 6.1
网络环境:20Mbps
本次效能测试使用BitMeter OS流量统计软件,因为软件延迟因素所以图表中的传输结尾会呈现满载状态。(BitMeter OS是一款开源的浏览统计软件,官网:http://codebox.org.uk/pages/bitmeteros)
在进行测试前,需要先在客户端和NAS安装群晖Presto套件,并且设置好DDNS,以及在路由器防火墙开放Presto 3360/3361 两个端口。NAS端Presto可显示当前的状态,如传输速度、文件列队以及日志。

NAS端截图

目前Presto支持Mac和Windows,这里以PC端为准。
情景模式一:单个大文件(大于1GB);
环境:Presto
表现:



可以看到通过Presto传输单个大文件时,平均速度稳定在530KB/s,已经接近当下网络环境的最高速度。并且传输稳定,无大波动。下面看看通过http传输的情况。
情景模式二:单个大文件(大于1GB);
环境:Http
表现:

这里通过直接将同一个文件使用浏览器传输,速度一下降到最低且不稳定。透过DSM的网速监测软件可以看到速度仅有30KB/s。
情景模式三:多个碎片文件(大于1MB);
环境:Presto
表现:



在第三个情景中,选取了23张RAW格式的无损照片进行传输测试。这也是日常工作中经常会进行的操作。通过上述图片可以发现,即便是多个文件传输,速度也没有受影响,稳定在500KB/s。
情景模式四:多个碎片文件(大于1MB);
环境:Http
表现:

在通过传统的http传输时,文件传输速度不稳定,平均速度在80kB/s以下。
日志监控系统——全方位记录所有操作

日志系统对于管理员来说非常重要,它能反应系统服务的运行状态。Presto作为文件数据传输服务自然也提供日志功能。提供直观,清晰的传输活动日志报告。管理员可以通过Presto File Server产生的全方位日志来监控带宽使用量、传输质量的实时流量状态。此外,通过报告也可以可追踪用户的上传/下载活动、网络流量及文件传输数量,来判断是否有可疑入侵行为或是不正常的文件存取。
结论:
通过以上测试,可以发现Presto不管在进行单个单文件还是碎片文件传输时,表现都非常稳定,速度接近客户端最大上传速度。而在使用http传输时,整体表现不够稳定,速度也非常慢,仅适合体积小的文件。如你有跨地域传输(跨国、洲际)的需求、超大文件或稳定高速的远程传输需求(如高清影像素材),Presto是上述需求的理想解决方案。
群晖Presto目前还处于beta(测试)阶段。如大家感兴趣也可以到群晖官网参加测试计划。https://www.synology.cn/zh-cn/beta/2017_Presto
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。