HPE和DataDirect Networks(DDN)正在合作将DDN存储以及突发缓冲产品与HPE的Apollo服务器以及DMF工作流管理器进行整合。
这一合作的结果将是打造一款集成的HPE服务器存储产品组合,双方都将获益。
这次合作涉及的DDN产品包括IME闪存缓存/NVMe驱动器突发缓冲器,带有英特尔Lustre软件的EXAscaler阵列,以及支持IBM并行文件系统Spectrum Scale(也就是GPFS)的GRIDscaler阵列。
HPE的Apollo服务器包含大量ProLiant Gen 9服务器刀片,其中一些是水冷的。目前HPE与横向扩展文件存储软件提供商例如Qumulo和WekaIO都有合作关系。
DMF是Data Management Framework的缩写,提供工作流、数据管理、保护和灾难恢复功能。我们可以设想一个DMF覆盖了集成增强型EXAscaler的Apollo服务器和前端是IME缓冲引擎的GRIDscaler阵列。
HPE和DDN表示:“这次合作的重点是加速和简化客户在技术计算、人工智能和机器学习环境中的工作流。”
评论
客户引言中提到了实现数据吞吐量和数据保护的最大化。我们可以看到关于数据吞吐量的信息,但没有看到数据保护。DDN可能会建议使用他们的WOS对象存储系统作为备份目标,但这并没有包含在这次合作中。既没有提到任何备份软件产品,也没有提到备份至公有云层中。
我们就这个问题询问了DDN和HPE,DDN市场总监Kurt Kuckein回答说:“这次我们谈到的是更广泛的条款,而没有细化到备份和恢复。”
“一般来说,这覆盖了工作流和硬件故障——包括端到端地测试解决方案(在DDN和HPE之间进行联合测试),以及DDN SFA功能来保持在线,并在执行及时重建的时候以降级模式提供全面的性能。”
 0赞
0赞好文章,需要你的鼓励
 推荐文章
                    推荐文章
                  虽然ChatGPT等AI工具正在快速改变世界,但它们并非无所不知的神谕。ChatGPT擅长"令人信服的错误",经常提供有偏见、过时或完全错误的答案。在健康诊断、心理健康、紧急安全决策、个人财务规划、机密数据处理、违法行为、学术作弊、实时信息监控、赌博预测、法律文件起草和艺术创作等11个关键领域,用户应避免完全依赖ChatGPT,而应寻求专业人士帮助。
清华大学团队开发了名为DiffTester的AI代码生成加速框架,专门解决程序测试代码生成效率低的问题。该框架通过识别测试代码中的重复结构模式,让AI模型能够批量生成相似代码片段,而非逐词生成。实验显示该方法可将生成速度提升一倍以上,同时保持代码质量,在Python、Java、C++三种语言上均表现出色,为软件开发中的自动化测试提供了新的解决方案。
微软重启三里岛核反应堆的协议确认了AI革命与能源现实主义的融合。亚马逊和谷歌也达成类似协议,共同押注核能为AI未来提供最可行的动力路径。到2030年代,数据中心用电量可能媲美大国水平。国际能源署预测全球电力需求到2050年将增长六倍。核电厂90%的容量因子使其独特适合数据中心需求。世界核协会估计,当前全球398GW核能产能必须在2050年前至少增长两倍。
英国巴斯大学研究团队开发了Policy Reasoning Traces方法,通过让AI学习专家的推理过程来提升政策合规判断能力。该方法在HIPAA、GDPR等重要政策测试中表现卓越,准确率超过81%,创造新纪录。PRT不仅能跨领域迁移,还具有良好的成本效益,为企业建立智能合规体系提供了实用解决方案。
 
         
             
                 
                     
                     
                    