HPE已经凝聚,升级,面向未来,保证灵活的存储,包括全闪存和混合产品线。
这些Nimble阵列的定位要低于3PAR阵列和高端XP阵列。3PAR阵列比Nimble阵列具有更广泛的功能集、开箱即用的简单性和易用性。
Nimble拥有全闪存的AF阵列产品、磁盘和闪存混合的Adaptive Flash CS系列产品、自适应闪存CS系列产品以及SF(二级闪存)产品。
AF系列升级
HPE将现有的5款全闪存阵列产品缩减为4款新产品,现有和升级的全闪存阵列型号和最大原始容量如下所示:
AF3000型号已经消失,AF80的容量是AF9000的一倍,AF20Q与AF20的区别是最大有效容量(数据缩减后),现在是128TB,而AF20增加到了168TB。HPE网站上的技术规格显示,AF20Q每个机箱最多可以配置24个驱动器,而其他新款AF机型可以配置48个。
这些规格并没有提供任何细节,但是对于AF60,HPE高级副总裁、Nimble存储总经理Dim Kresse表示,AF40和AF60为HPE带来了巨大的性价比优势。
现在HPE尚未透露有关新阵列产品控制器的任何细节,不过我们认为有可能是采用了英特尔至强SP处理器。
据称AF40相比之前的系统(大概是AF5000)价格/性能提高了220%;AF80的延迟不到1微秒。
我们得知每个控制器内置2个10GbE端口,可选端口包括1GbaseT、10GbaseT、10GbE SFP +或8/16G光纤通道。
SSD配置既不是最快的也不是容量最大的,SATA则分为240GB、480GB、960G、1.92TB和3.84TB几个容量点。现有产品最多可以有两个扩展架,而新产品只有一个。AFS2扩展架可容纳24个SSD。
AF系列的最大有效容量从AF9000的3PB增加到了AF80的4PB。
NVMe和SCM
这些新阵列已准备好将存储级内存(SCM)和NVMe驱动器以及NVMe-over-Fabrics结合在一起。在这方面,HPE也加入了戴尔、IBM、Kaminario、NetApp和Pure的阵营。
与NVMe闪存相比,SCM将会让延迟减少10倍。
HPE认为采用NVMe将分三个阶段:
NVMe和SCM NVDIMM读缓存
NVMe SSD
NVMe-over-Fabrics(NVMe-oF)
NVMe-oF被视为具有生态系统依赖性,HPE称这三个阶段不是一定相互依赖的。
Adaptive Flash AF系列
Adaptive Flash磁盘与闪存混合型产品新型号包括:
扩展方面这里提到了CS系列最大原始容量,因此不能直接与HF系列容量数进行比较,例如CS7000。
这些HF阵列(除HF20C之外)支持嵌入式可变块大小的重复数据删除功能。HPE声称这些阵列是“业界最高效的混合阵列”,有多达6个扩展架。
HF20C被认为是“便宜且有深度”的阵列,但没有重复数据删除功能。
单独的SF产品消失了,融入了新的HF阵列。HPE表示:“Adaptive Flash阵列是一种混合闪存阵列,适用于混合的主流工作负载,对这些工作负载来说经济高效的闪存性能非常重要。它可作为辅助闪存阵列用于备份和灾难恢复,同时允许客户运行质量保证、测试开发和报告等工作负载。”
在对可用容量进行重复数据删除后,HF阵列正常工作负载的最大有效容量高达5080TB,最高可用容量为1116TB。但据称,备份和数据缩减工作负载的最大容量为18288TB,数据缩减比率为18:1。
HPE表示,与现有的CS系列Adaptive Flash阵列产品相比,这些新型HF系统的性价比提高多达200%甚至更多。HPE称HF60的性能比同等CS型号(大概是CS7000)高出65%。
提供更多保障
就AF系列来说,HPE向客户保证每TB原始存储空间保存的数据量要高于其他任何厂商的全闪存阵列。
HPE称AF系统现在是市场上最具容量效率的全闪存阵列,如果HPE的存储效率低于全闪存竞争对手的存储效率,那么HPE将免费提供必要的增量存储。
这里“仅限于售前保证,”HPE澄清说。
升级后的Nimble AF系列和新的HF自适应闪光系列产品现已上市,目前还没有价格信息。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。