作为明星产品,杉岩海量对象存储(SandStone MOS)自2016年在企业级市场顺势推出后,即受到了广泛的认可和接纳,它在众多企业级用户的场景中具备独特的价值属性,例如:海量小文件的访问性能保障、分支总部间的信息高速分发、数据中心级的双活或多活容灾等等,都让用户在面临PB级甚至EB级规模的非结构化数据存储时,有了一个全新的兼顾成本和服务的选择。
而 SandStone MOS v3.2 版本在接口兼容性、数据安全性、业务高可用、全局便捷运维、数据生命周期管理等场景上进行了全新的补充和完善,接下来将为您详细解读关键功能的价值:
1、支持NFS/CIFS接口,传统应用轻松迁移
特性介绍
在原生S3接口的基础上,杉岩海量对象存储(SandStone MOS)v3.2 版本支持NFS和CIFS接口,轻松对接使用这两个接口的应用系统,增强数据的互操作性,通过任意接口写入的数据可通过任意接口读出。
用户价值
NFS 和 CIFS 接口是文件系统的两大业界标准,对这两个接口的支持使得用户在保持传统应用文件管理方式不变的情况下,充分享受SandStone MOS在存储空间扩展性、小文件性能、易维护等方面的优势,同时不改变用户在文件共享、数据备份、拷贝、数据管理等场景下的操作习惯,最大化减少传统应用迁移至对象存储的改造成本。
2、新增WORM特性,防止数据被篡改
特性介绍
WORM特性是指文件被写入完成后,通过去掉文件的写权限,使其进入只读状态。在该状态下文件只能被读取,无法被删除、修改或重命名。杉岩海量对象存储(SandStone MOS)v3.2 版本新增WORM特性后,可以有效防止数据被意外或恶意纂改,满足某些行业法规要求或企业对重要业务数据安全存储的要求。
用户价值
在数据归档场景下,SandStone MOS可以保障数据长时间安全、可靠的存储,不被恶意篡改或删除,满足各行业国家法规监管要求,例如:在医疗行业,卫计委要求 门(急)诊电子病历由医疗机构保管的,保存时间自患者最后一次就诊之日起不少于15年,住院电子病历保存时间自患者最后一次出院之日起不少于30年。
3、多数据中心统一管理,实时监控集群状态
特性介绍
杉岩海量对象存储(SandStone MOS)v3.2 版本支持跨地域多站点部署,对业务呈现统一命名空间,提供多站点、多集群的统一管理界面。
用户价值
针对拥有多个跨地域分支机构的中大型企业,满足在总部和分支间、研发部门和生产部门间进行数据分发、共享、容灾和就近访问等需求。SandStone MOS支持系统跨地域部署,可自动进行数据跨地域分发和汇聚,提供跨部门、跨地域的研发、办公及生产数据的管理和流程协同方案,提升企业关键业务效率。
4、支持数据中心级别的双活容灾自动切换
特性介绍
杉岩海量对象存储(SandStone MOS)v3.2 版本支持数据中心级别的双活容灾自动切换,该特性可针对数据中心集群的存储业务进行可用性故障检测,以及在故障中心和非故障中心间进行存储业务自动切换,无需人工干预,保障业务系统正常运行。
用户价值
SandStone MOS的此特性可应用于同城双活或两地三中心高可用场景,提供高可靠的存储服务保障机制,自动进行数据中心级的容灾切换,减轻IT运维压力。
5、支持基于分级存储的数据全生命周期管理
特性介绍
数据的访问频率通常会随着时间的推移由热转冷,同时对性能和存储成本的需求也经历从高到低的转换,为满足该需求,杉岩海量对象存储(SandStone MOS)v3.2 版本支持对数据进行全生命周期管理,用户可以“天、月、年”为单位自定义数据生命周期,支持数据过期后删除、冷热数据介质分层迁移等功能。
用户价值
以数据库为代表的结构化数据的特点是访问频率高、占用空间小,而各行业的非结构化数据则恰好相反,例如:在医疗行业影像系统的数据活跃时间通常在几个月,几个月后数据基本不再访问,但这些数据重要性高、保存时间长,因此用户可将此类数据设置为过期后自动进行降级,并迁移至高密度存储介质,能够大幅降低非结构化数据的长期存储成本。
好文章,需要你的鼓励
传统数据工程面临数据质量差、治理不善等挑战,成为AI项目的最大障碍。多智能体AI系统通过协作方式正在彻底改变数据准备、治理和应用模式。Google Cloud基于Gemini大语言模型构建协作生态系统,让不同智能体专门负责数据工程、科学、治理和分析等任务。系统通过分层架构理解组织环境,自主学习历史工作流程,能够预防问题并自动处理重复性任务,大幅提升效率。
中科大团队开发出LongAnimation系统,解决了长动画自动上色中的色彩一致性难题。该系统采用动态全局-局部记忆机制,能够为平均500帧的动画进行稳定上色,性能比现有方法提升35-58%。核心创新包括SketchDiT特征提取器、智能记忆模块和色彩优化机制,可大幅提升动画制作效率。
微软推出Copilot调优功能,让企业通过低代码工具利用自动化微调技术训练企业数据。与基于公开数据的通用AI模型不同,企业需要理解内部数据和流程的专业化模型。Gartner预测专业化GenAI模型市场将在2026年翻倍至25亿美元。这些模型通常基于开源模型构建,部署为小语言模型,提供更好的成本控制和数据安全性,同时更易符合欧盟AI法案要求。
南开大学团队开发出DepthAnything-AC模型,解决了现有AI距离估算系统在恶劣天气和复杂光照条件下性能下降的问题。通过创新的扰动一致性训练框架和空间距离约束机制,该模型仅用54万张图片就实现了在雨雪、雾霾、夜晚等复杂环境下的稳定距离判断,同时保持正常条件下的优秀性能,为自动驾驶和机器人导航等应用提供了重要技术支撑。