Hitachi Vantara更新了自己的VSP全闪存和混合存储阵列,及其SVOS操作系统,并提供了基于人工智能的操作工具,让操作变得更加简单。
这些阵列分为全闪存F系列和混合闪存/磁盘的G系列。以前F系列使用SSD(最大容量为3.84GB)或者专有的闪存模块驱动器(FMD),最高容量为14TB。新的F系列使用相同的FMD,但SSD容量增加到了15TB,这对F系列全闪存阵列和G系列混合动力系统都有着深远的影响。
Hitachi Vantara表示,总的来看这些阵列每个核心的IOPS性能高出了70%,从而提高了性价比;我们猜这是Skylake效应。此外这些阵列还做了更大力度的整合,卷数量增加了8倍,每个系统可做100万个快照,并且数据效率也提高了:重复数据删除速度提高了3.4倍,基于SVOS的压缩速度提高了5倍。
F系列全闪存阵列
之前F系列的4款型号:F400、F600、F800和F1500将变成5个新型号,F350、F370、F700、F900以及F1500。
来通过IOPS性能和GB/s带宽数来看看新老型号的定位:
Hitachi Vantara F系列和G系列700-900阵列
F系列的容量发生了显着的变化,老型号最高内部容量要远远低于新型号,主要因为采用了15TB SSD和没有升级的14PB FMD:
老的四款型号:
- F400 - 2.7PB(FMD) - 1.5PB(SSD)
- F600 - 4.95PB(FMD) - 2.12PB(SSD)
- F800 - 8.1PB(FMD) - 4.4PB(SSD)
- F1500 - 8.1PB (FMD) - 1.5PB(SSD)
新的五款型号:
- F350 - 2.9PB(15TB SSD)
- F370 - 4.4PB(15TB SSD)
- F700 - 6.1TB(14TB FMD) - 13.1PB(15TB SSD)
- F900 - 8.1TB(14TB FMD) - 17.4PB(15TB SSD)
- F1500 - 8.1PB(14TB FMD) - 134.8PB(15TB SSD)
F系列和G系列都支持光纤通道和SCSI连接,F1500和G1500支持FICON和FCoE。
与HPE Nimble和NetApp的AF800阵列不同,Hitachi Vantara在公开场合没有公开表示采用NVMe-over-Fabric和存储级内存(SCM)。
VSP G系列混合阵列
混合G系列产品也在容量方面有巨大的变化,其中5个老型号(G200、G400、G600、G800和G1500)基本上被5个新型号取代(G350、G370、G700、G900和G1500):
由于G系列中最大的磁盘驱动器容量为10TB,并且同样有15TB SSD可用,所以现在最大容量主要是取决于使用什么SSD,而不是磁盘驱动器。例如,新的G900使用10TB磁盘驱动器的容量为14.1 PB,或使用15TB SSD的容量为17.4 PB:
G系列老型号最大容量:
- G200 - 1.5PB
- G400 - 2.8PB
- G600 - 4.3PB
- G800 - 8.0 PB
- G1500 - 8.0PB
新型号的最大容量:
- G350 - 2.9PB(15TB SSD)
- G370 - 4.4PB(15TB SSD)
- G700 - 3.1TB(15TB SSD)
- G900 - 17.4PB(15TB SSD)
- F1500 - 34.8PB(15TB SSD)
G系列新型号(使用小尺寸磁盘和14TB FMD)的容量要低于上述最大数。
Vantara VSP F and G-series 350 and 370 array
Hitachi Vantara表示,VSP阵列提供100%的数据可用性保证。而另一方面,Infinidat称他们的阵列拥有7个9的的可用性(也就是99.99999%的正常运行时间)。
SVOS
SVOS RF是VSP阵列的操作系统,集成了云和容器,支持新工作负载。
开发人员可以通过Docker在单个系统中运行更多工作负载。OpenStack和Redhat容器集成了Swarm和Kubernetes编排功能。
Hitachi Vantara表示,SVOS的数据精简和在线操作速度提高了240%,卷数量增加8倍,可支持100万个快照,延迟降低25%,每个内核心的IO增加70%,但Vantara方面没有提供详细的数字。
人工智能驱动的操作工具
Hitachi Infrastructure Analytics Advisor (HIAA)是一个所谓以人工智能为基础的“大脑”,通过跨数据路径(包括虚拟机、服务器、网络和存储)来提供数据中心洞察。HIAA采用机器学习来更有效地优化、排除故障并预测数据中心需求。
Vantara HIAA屏幕截图
我们得知新的HIAA功能包括:
- 预测分析:人工智能挖掘遥测数据来预测何时需要新增存储采购、改进预算计划并帮助防止性能下降。机器学习会分析存储相关的所有资源,确保采购了适当的资源。
- 根本原因分析速度提高4倍:专利的人工智能引擎会分析遥测数据和整个数据路径上的配置变化,以隔离问题并使用启发式引擎来推荐解决方案。
- 与Hitachi Automation Director的集成,可实现根据最佳实践立即进行修复。
Hitachi Automation Director(HAD)是一个可自定义的“引擎”,用于自动服务交付例行事项,包括虚拟机、网络分区和存储以及数据保护任务,以减少错误。
现在HAD已经更新了:
- 与IT服务管理(ITSM)工具(包括ServiceNow平台)进行集成,以改进对IT资源交付的跟踪和控制,
- 改善了REST API集成以调配第三方资源(包括存储),
- 从HIAA获取命令进行故障修复和存储配置数据,
- 自动设置Hitachi Data Instance Director(HDID)数据保护,以防止数据丢失或停机。
VMware公司产品、存储和可用性业务副总裁Lee Caswell表示:“我们双方的集成工作帮助Hitachi VSP客户可以无缝地使用多个VMware解决方案,包括VMware vSphere、Virtual Volumes和Site Recovery Manager,以简化日常操作和灾难恢复方案。通过共享Hitachi AI操作软件和vCenter原生管理工具之间的遥测数据,我们帮助客户更好地运行他们的系统。”
Vantara VSP是四大经典阵列之一,另外两个是Dell EMC的PowerMax,IBM的DS8000和Infinidat的Infinibox。HPE的XP就是日立VSP的OEM版本。到目前为止,HPE尚未VSP新型号系列产品做出任何评论。
然而公共技术路线上缺席了NVMe-和SCM,特别是Dell EMC、IBM、Kaminario、NetApp和Pure等老牌厂商以及Apeiron、E8、Excelero和Pavilion等初创公司都采用了这些这些技术,这使得Hitachi Vantara在访问延迟敏感型工作负载方面存在劣势。
但是我们可以认为,NVMe-oF和SCM都在Hitachi Vantara的私有技术路线图上。
Vantara用15TB SSD取代FMD意味着FMD的升级可能已被放弃或放缓。我们已经向Vantara方面询问此事,以及它是否会采用Ruler格式的SSD。
这款人工智能驱动的自动化操作工具可以在操作方面与VSP的竞争对手相抗衡,但是需要在实际使用中进行验证。
目前这些产品都开始供货了,可以单独提供,也可以与Hitachi Vantara VSP打包在一起。目前新阵列的定价和详细供货信息还没有公布。
好文章,需要你的鼓励
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。