Kumoscale软件以虚拟方式实现对NVMe闪存驱动器的光纤访问能力。
惊喜,惊喜——闪存芯片与SSD制造商东芝公司已经公布其NVMe光纤访问闪存阵列软件。这葫芦里卖的是什么药?
NVMe over Fabrics(简称NVMe-oF)阵列当中包含大量NVMe闪存驱动器,并接受运行在服务器上的各类应用程序的访问。这些应用会将该阵列视为多块本地NVMe访问的PCIe连接SSD。但事实上,应用所访问的实际上是通过远程直接存储器访问协议接入的远程NVMe SSD。这套方案能够实现极低的理论访问延迟——举例来说,E8阵列的写入延迟平均为50微秒。
在简报会上,东芝方面表示KumoScale是一款用于实现NVMe-oF存储网络目标端的软件产品。东芝通过下图展示了其具体组成:
可以看到一台服务器机架接入一套闪存驱动器阵列,KumoScale软件则运行在数据路径当中。其负责对SSD进行虚拟与抽象化处理,从而将其转化为单一容量巨大的SSD。
该软件通过其RESTful API同数据中心编排框架——例如Kubernetes、OpenStack、英特尔RSD以及联想XClarity等——实现集成。
联想集团数据中心事业部执行董事Chris Verne表示:“我们最近与KumoScale软件解决方案开展了合作,展示了其在联想平台上的运作能力。我们将东芝的这款软件解决方案视为一项关键性创新,将能够为未来的NVMe-oF产品带来更出色的灵活性与执行效率。”
东芝方面发布的演示资料当中提到,Kumoscale包含以下特点:
我们了解到,东芝公司为其设定了闪存容量限制——384 TB,而KumoScale则运行在一台Linux x86服务器上。此外,任何行业标准NVMe服务器平台都可以被其转化为一套共享式块存储设备。
引入KumoScale所带来的的数据访问延迟增量不超过20微秒(4K数据块)。
更多性能数据:
零容量浪费强调的是其所替代的原DAS产品,原本的DAS SSD往往存在容量空置问题。不过KumoScale并不存在这样的问题,东芝方面表示其SSD容量都将被纳入资源池且进行共享。
东芝公司在去年8月首次公布这款软件,当时我们写道:“该软件能够对物理SSD细节进行抽象化处理,从而将任意规模及性能的虚拟命名空间分配给任意计算节点,最终令NVMe-oF更好地实现云数据中心部署。”
KumoScale主要面向以云为中心以及各类超大规模——即一次性购买5000台服务器以上——的客户群体。东芝公司告诉我们,这款软件能够帮助客户轻松通过网络提供产品或服务,并从容应对需求峰值情况。原本,客户必须购买大量设备(服务器+DAS)以应对需求峰值; 而在峰值结束之后,多余的设备将被闲置。在KumoScale的帮助下,共享NVMe闪存设备将被作为一台联网存储节点,客户则可在不存在闲置问题的前提下获得必要的性能。
东芝公司不会推出硬件+软件产品。相反,其将与客户的首选服务器供应商合作并对后者的硬件作出认证。客户的供应链将通过东芝支持下的KumoScale实现。
这款软件由东芝公司旗下Oded Ilan总经理领导的以色列存储设计中心负责编写。
2013年12月,深陷困境的SSD供应商OCZ以3500万美元价格将自身出售给东芝公司。OCZ的资产包括位于特拉维夫的研发中心,该中心主要负责研发微控制器与软件。而KumoScale软件正是OCZ在2012年1月收购Sanrad所获得的服务器闪存缓存虚拟化软件的拓展产物。
OCZ是从RAD数据通信公司手中买下Sanrad的。Oded Ilan于2008年7月开始担任RAD公司北美总裁,随后出任Sanrad公司CEO。接下来他进入OCZ,目前则负责运营东芝的以色列存储设计中心。
KumoScale与Portworx相集成,后者负责对Kubernetes存储资源进行动态配置,并将其分卷运行在由KumoScale提供的目标命名空间之上。
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。
这项研究由香港理工大学和新加坡国立大学的团队共同完成,提出了R?ec,首个将推理能力内置于大型推荐模型的统一框架。与传统方法不同,R?ec在单一自回归过程中实现了推理生成和物品预测的无缝整合。研究者还设计了RecPO优化框架,无需人工标注即可同时提升模型的推理和推荐能力。实验结果显示,R?ec在三个数据集上显著超越现有方法,在Hit@5和NDCG@20指标上分别提升68.67%和45.21%。这一突破为下一代智能推荐系统开辟了新方向。
这项研究提出了CURE框架,通过强化学习让大语言模型同时学习编写代码和生成单元测试两种能力,无需使用标准代码作为监督。团队开发的ReasonFlux-Coder模型在仅用4.5K编程问题训练后,便在多个基准测试中超越了同类模型,代码生成准确率提高5.3%,最佳N选1准确率提高9.0%。该方法不仅提升了模型性能,还提高了推理效率,同时为降低API调用成本和无标签强化学习提供了新思路。