存储圈真是个神奇的领域,各种新鲜名词层次不穷,前有块存储、文件存储,后有混合存储、统一存储,如今对象存储又大火,各个行业也顺应趋势纷纷换成对象存储。那么,到底如何理解对象存储?哪些领域迫切使用对象存储技术呢?
事实上,对象存储的发展主要源于需要长期存储大量非结构化数据的高性能与弹性。最开始是由亚马逊在2006年推出的S3(Simple Storage Service),此后,业内各大厂商纷纷开始涉足此市场,推出各种产品,形态各异。
回顾20年,存储领域有块(传统存储)和NAS设备,最早还用磁盘来存储数据,不过各种存储技术在容量及可扩展性上都没有达到最理想的状态。
对象存储通过提供远程在线访问数据填补了市场空白,经过多年的发展,如今已经发展成为一种成熟的技术,是使用基于Web的协议来存储和检索数据。从本质上讲,大多数提供四个基元,即创建,读取,更新,删除。在很多情况下,Update只是一个Delete和Create操作,这意味着与对象存储进行交互相对简单,使用嵌入数据和关联元数据的HTTP发生基于REST的API调用。
不过这种简单的操作也突出了对象存储的一个问题:应有程序需要重写以使用对象存储API,不少供应商也确实提供了SDK来帮助完成这一过程,但需要更改应用程序。
其实对于对象存储的定义目前也没有太明确的说法,如果非要用一句话来概括的,可以理解为对象存储是支持海量用户远程访问的无限容量的存储系统。也正是因为对象存储独有的优势吸粉无数。其主要优势如下:
• 可扩展性:一直以来,可扩展性都是存储供应商吸引用户的关键点之一。起初许多对象存储解决方案的起始容量仅为百TB,这对于用户来说不太实用,不过随着技术的不断发展,现在供应商已经提高了可扩展性。
物联网、人工智能的持续火热,逐渐成为数据的主要创建者,并且分布广泛。目前市场上供应商提供的解决方案都是纯软件的,可以部署在专用硬件上,也可以作为内部部署或公有云中的虚拟实例部署。
• 软件定义:提供纯软件解决方案意味着企业可以为他们的环境选择合适的硬件。在硬件供应条约已经存在的情况下,企业可以简单的支付对象存储软件并部署在现有设备上。
• 试用版:前面已经提到,对象存储均是以软件形式部署,因此,几乎所有供应商都通过下载软件或使用公司的实验室环境提供某种试用流程及试用版本软件,以便于长期评估及采用。
众供应商纷纷涉足
强劲的市场需求自然吸引各大厂商争夺。在对象存储领域,亚马逊在前文也提到,起到了良好的推动作用,而且如今大部分在线存储服务商都在参考亚马逊的做法。其对象存储服务(Simple Storage Service, S3)主要提供一个易于使用的Web界面来对存储的数据进行查看、存储和检索。它用实际行动证明了对象存储技术是针对大型项目给出的一种极具可扩展能力的回应。
在对象存储业务上,IBM主要提供云端服务。云对象存储(COS)可以与云端集成,利用灵活的混合试工,让某款产品运行于用户本地或由Bluemix构成的私有云中。这种混合方式为客户提供了一个私有的内部部署选项,但却可以利用云端的资源。
华为在今年的华为中国区生态伙伴大会上发布了其基于DFV数据功能虚拟化平台的新一代对象存储服务0BS 3.0,拥有10万+节点的扩展能力,单桶千亿对象统一命名空间,轻松应对EB级容量需求,并且极致的性能与可靠性。
结语
近几年对象存储的发展是更注重易用性和安装。多协议连接更多的应用程序使数据更方便、更快捷的使用对象存储。相信在未来几年内,对象存储仍然是数据存储的重要平台之一。
好文章,需要你的鼓励
法国人工智能公司Mistral AI宣布完成17亿欧元(约20亿美元)C轮融资,由荷兰半导体设备制造商ASML领投。此轮融资使Mistral估值从去年的60亿美元翻倍至137亿美元。英伟达、DST Global等知名投资机构参投。作为欧洲领先的AI开发商,Mistral凭借先进的多语言大模型与OpenAI等美国公司竞争,其聊天机器人Le Chat具备语音模式等功能。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
VAST Data收购了成立仅数月的初创公司Red Stapler,该公司由NetApp资深团队创立。Red Stapler创始人兼CEO Jonsi Stefansson将担任VAST云解决方案总经理,负责超大规模云战略。Red Stapler拥有6名开发人员,开发了跨SaaS交付、API集成、监控等功能的云控制平面和服务交付平台,将加速VAST AI OS在超大规模和多云环境中的部署,深化与全球领先超大规模云服务商的合作关系。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。