中国电信集团公司(简称中国电信)是全球最大的综合运营商之一。中国电信拥有全球规模最大的宽带互联网络和技术领先的移动通信网络,具备为全球客户提供跨地域、全业务的综合信息服务能力和客户服务渠道体系。中国电信拥有庞大的客户资源,截至2016年底,宽带互联网接入用户规模1.44亿户,移动用户规模2.15亿户,固定电话用户规模1.32亿户。

客户受益
• 百万IOPS:性能容量同步扩展,轻松满足数百个业务系统所需的百万级IOPS性能需求。
• 7 × 24:5个9的数据高可用,确保数百个业务3年来长期稳定运行。
• 100PB:EB级别扩展能力,性能与容量同步扩展,从2PB平滑扩展到7PB,支撑业务快速增长。
业务挑战
作为全球最大的综合运营商之一的中国电信,拥有1.4亿宽带用户,2.3亿移动用户,1.3亿固定电话用户。如何更快,更好的推出客户需要的业务和服务,是中国电信最迫切的诉求之一。
改变与提升
"业务云化,是中国电信提升运营效率,提高用户满意度的重要举措。最开始我们很担心分布式存储系统的适用场景。华为分布式存储的设计理念与中国电信的业务云化诉求高度一致。基于FusionStorage构建的7PB的资源池,以及其支撑的上百种应用证明它完全胜任构建云存储资源池的任务。它领先的性能、长达3年的长期稳定运行,使我们已经无需考虑哪些业务适合云化,哪些不适合。"中国电信浙江分公司云计算专家顾炯说。
中国电信浙江公司在云计算领域一直积极探索和不断创新。2011年4月,浙江电信率先在全国第一个完成了关键业务平台比如短信、彩信的云化。浙江电信2011年率先把所有的数据库全部虚拟化,并总结出一套数据库虚拟化的方法,在全电信集团推广。
计算云、网络资源池化之后,如何实现存储资源池化?浙江电信想走一条基于分布式技术的存储云化的道路。中国电信浙江分公司首席云计算工程师顾炯指出存储云化的关键需求:
存储资源按需分配和使用
计算和网络资源已经池化,要打破"烟囱"式IT系统建设模式,电信云业务资源池,存储资源必须也能按需分配和使用。
存储性能容量线性扩展
资源池业务规模增长或新业务需要承载时,不仅要求存储容量要增加,存储性能也要增长,要实现业务云化,存储的性能必须随容量增加而线性增长。
存储资源高效管理
需求部门普遍习惯于"圈地"。比如某个业务系统实际上只要1个PB的空间,业务发展1年后可能需要10PB空间,但是现在按照需求部门的习惯,则一次性把3年需求一次性"圈地"。这样做导致的结果是,看起来存储空间都分配完毕,但是实际上存储的利用率很低。
有了需求的牵引,中国电信浙江分公司开始考虑采用新型存储技术--分布式存储。顾炯说:"分布式存储是传统SAN存储的演进方向,浙江电信13年10月份开始寻找合作伙伴。按照电信运营商的招标规范,浙江电信进行了公开招标,有包括VMware、华为、EMC在内的6个厂家应标。测试下来华为的性能确实是最高、最领先的。分布式存储与传统FC存储没有任何差别,我们在分布式存储上运行了资源池中的所有业务,包括数据库的业务。"

中国电信浙江分公司采用华为FusionStorage,用分布式技术实现了存储资源的云化:
• 可按需分配的存储资源池:建设和扩容周期从60天以上缩短至两周,满足高速发展的业务需求。
• 性能线性扩展:现场实测IOPS达到130万,是唯一通过客户性能测试的厂商。
• 自动精简配置:资源利用率提升50%以上。
方案关键组件
存储阵列:FusionStorage云存储
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。
延世大学研究团队通过分析AI推理过程中的信息密度模式,发现成功的AI推理遵循特定规律:局部信息分布平稳但全局可以不均匀。这一发现颠覆了传统的均匀信息密度假说在AI领域的应用,为构建更可靠的AI推理系统提供了新思路,在数学竞赛等高难度任务中显著提升了AI的推理准确率。
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。
蒙特利尔大学团队发现让AI"分段思考"的革命性方法Delethink,通过模仿人类推理模式将长篇思考分解为固定长度块,仅保留关键信息摘要。1.5B小模型击败传统大模型,训练成本降至四分之一,计算复杂度从平方级降为线性级,能处理十万词汇超长推理,为高效AI推理开辟新道路。