以前企业PC机分布在各个地方,笔记本电脑比例增加导致系统难以定位、控制和管理大量的PC机。为方便管理,各类企业、教育机构在生产、教学环境中,开始向桌面虚拟化IT管理环境迁移。而实现桌面虚拟化的IT基础有很多选择,如集中存储、传统服务器等。新的问题——“启动风暴”也随之而来。
既要桌面虚拟化,又不要启动风暴,如何解决?小编试图给出“鱼与熊掌兼得”的解决方案。在给出答案前,让我们先进一步了解桌面虚拟化和启动风暴。
桌面虚拟化能实现多种业务
从IT技术诞生到推广,就伴随着一对矛盾:即用户使用与IT管理的矛盾。大机时代,用户的使用与管理工作都位于机房内,用户使用不方便,但是管理员管理相对简单;PC时代,用户使用IT技术变得方便,但是管理工作随着PC的分散化,管理工作相对变得复杂。
桌面虚拟化时代:用户可以远程访问桌面系统,获得和PC完全一致的体验。管理员也只需要在数据中心就可以轻松完成所有的管理工作。所以桌面虚拟化技术实质上是将用户使用与系统管理进行了有效的分离。
在桌面虚拟化的基本架构(VDI)中,每个用户的虚拟机在服务器上运行。企业里用 VDI 取代传统 PC 的方案是大势所趋,其原因是:VDI 里无本地硬盘,没有 PC 失窃的风险, 数据更安全;支持不同的客户终端,访问使用更灵活;VDI 更加易于管理;规模化后,VDI 有更低的成本优势。
为什么有启动风暴?
“启动风暴”指的是大量虚拟桌面同时启动或者同时加载启动某个应用程序,导致存储端会接收到大量并发 I/O(输入/输出), 存储系统若无法及时响应请求,会导致使大量 I/O 访问超时,桌面无响应甚至崩溃,严重影响用户体验和可用性。
桌面启动时需要占用很多资源:操作系统和应用程序都需要在磁盘上进行许多的读操作,如果将这些活动再乘以用户正在启动的几百个桌面的话,由此产生的 I/O 量可以很快让一个存储阵列陷入瘫痪。
对于VDI环境来说,数据存储基础能否应对这种高峰时段至关重要。然而桌面虚拟化通常应用于集中存储、传统服务器之上,受限于传统存储高峰期 I/O 并发性能不足,远不能应对这一风暴。
企业需要找到能够支持水平按需扩展且提供高性能 I/O,帮用户有效解决 VDI 痛点的IT基础设施。
解决启动风暴天降神兵
超融合架构并发I/O 性能卓越,被认为是解决启动风暴最佳方案。其中联想超融合更被誉为桌面虚拟化的“天降神兵”。
联想超融合桌面虚拟化方案
联想超融合桌面虚拟化方案可以支持vSphere和KVM平台,其主要特点有:灵活性,不用围绕存储设计,可以按需放置节点,并且易扩展,满足计算和存储的快速扩展需求;维护性,统一管理计算、存储和网络,降低存储子系统的运维难度;经济性,使用通用x86服务器和网络设备,无需依赖专有存储及相关设备, 降低总体成本。
目前联想超融合的桌面虚拟化方案已经成功运用于团风中学等各类企业、教育单位。让我们看看团风中学的积极评价:“联想超融合AIO整体解决方案的体验效果,比传统PC教学方式效果更好,不仅性能卓越,而且使用方式更灵活。通过引入230个联想超融合桌面,我们的网络信息中心增强了数据安全、降低了总体成本、提升了运营效率,有力地支撑了’智慧校园’的建设目标。”
联想超融合的桌面虚拟化方案,适用于办公、教学、呼叫中心等多种场景。在此基础上,联想超融合这一位“天降神兵”还有许多神技能。比如“传统防病毒软件在虚拟桌面中的部署方式”,联想和防病毒软件厂商合作,推出免加载防病毒的方案来解决在虚拟化环境中的防病毒安全问题。通过无代理方式不再需要在每个虚拟机中安装防病毒软件,而是通过专用的防病毒虚拟机来对整个服务器上的所有虚拟机进行安全防护。
既要桌面虚拟化,又不要启动风暴,联想超融合帮助商业伙伴鱼与熊掌兼得。
好文章,需要你的鼓励
在他看来,企业对AI的恐惧源自未知,而破解未知的钥匙,就藏在“AI平台+开源”这个看似简单的公式里。
斯坦福和魁北克研究团队首创"超新星事件数据集",通过让AI分析历史事件和科学发现来测试其"性格"。研究发现不同AI模型确实表现出独特而稳定的思维偏好:有些注重成就结果,有些关注情感关系,有些偏向综合分析。这项突破性研究为AI评估开辟了新方向,对改善人机协作和AI工具选择具有重要意义。
Pure Storage发布企业数据云(EDC),整合其现有产品组合,提供增强的数据存储可见性和基于策略的简化管理。EDC集成了Purity存储操作系统、Fusion资源管理、Pure1舰队管理和Evergreen消费模式等架构元素,提供类云存储管理环境。该方案支持声明式策略驱动管理,让客户专注业务成果而非基础设施管理。同时发布高性能闪存阵列和300TB直接闪存模块,并与Rubrik合作提供网络安全防护能力。
威斯康星大学研究团队提出"生成-筛选-排序"策略,通过结合快速筛选器和智能奖励模型,在AI代码验证中实现了11.65倍速度提升,准确率仅下降8.33%。该方法先用弱验证器移除明显错误代码,再用神经网络模型精确排序,有效解决了传统方法在速度与准确性之间的两难选择,为实用化AI编程助手铺平了道路。