8月8日,紫光集团旗下新华三集团(以下简称新华三)以“天生极智·闪耀未来”为主题在天津正式发布全新一代关键业务智能存储系统Primera。
全新的Primera存储系统不仅实现了存储介质从HDD到SSD的质变,更做到了前所未有的100% SLA。而通过存储协议、互联架构、控制器、OS和应用层面的创新,Primera也实现了在性能、体验和感知层面的全面超越,成为新时代核心存储产品的代表。
新华三集团副总裁、计算存储产品线总裁陈振宽
新华三集团副总裁、计算存储产品线总裁陈振宽表示:“新华三在2019年的领航者峰会上提出了数字大脑计划,全面构建智能数字平台这一数字化转型的核心基石, IT基础设施要首先做好智能化工作。新华三强调的‘智能’IT基础设施,是把智能管理能力融入到整个IT基础架构,通过一次又一次的产品迭代向内生智能的方向演进。以Primera为代表的全新硬件产品也将成为新华三数字大脑计划中数字基础设施层面的坚实支撑。”
基于在软硬件设计上全面采用新技术、新架构,新华三全新的关键业务智能存储系统采用新的名称——Primera。
新华三关键业务智能存储系统Primera
新名称之下,则是Primera的全新内核:
在存储介质的选择上,Primera全面转向性能更高的SSD闪存介质,对应的存储协议也从之前的SAS升级为延迟更低的NVMe。
同时,凭借全新设计的控制器及互联架构,Primera也能够实现IO性能随节点数量而线性增长,能够满足企业关键业务对数据库等存储性能的超高需求。通过存储介质与整体系统架构升级,Primera带来122%的性能提升。
Primera还提供了包括横向扩展和纵向扩展在内的多种无需停机的升级方案,以满足不同用户的现实应用需求。同时,借助新一代全互联架构控制器,只要节点中的任意一个仍旧在线,整套存储系统便不会中断。
在数据及应用的管理层面,通过先进且成熟的AI技术,Primera不仅能够实现对物理设备运行情况的感知,更可以对存储设备之上的网络、服务器、虚拟机等组件进行探测,从而降低整个IT系统中发生存储故障的概率,实现100%系统可用性。
在硬件全面进化的基础之上,Primera还完全重构了存储的软件功能,将过去环环相扣、层层嵌套的存储功能彻底拆分为相互独立的数据服务,从而实现无需重启且方便灵活的升级与维护。进而实现更高维度的自我运维、自我管理,降低用户在核心存储上的使用成本和TCO。
此外,Primera还可以根据用户的使用习惯、应用策略及业务情况自动决定数据应该存储在私有云还是公有云上,从而实现灵活性、成本、效能之间的全面平衡。经过实际测试,新一代Primera能够将用户花在升部署、管理及升级上的时间成本降低93%。
技术与架构上的创新让Primera开创了智能时代闪存新纪元,同时也进一步夯实了新华三的数字基础设施,是新华三推进百行百业用户数字化转型的新引擎。
新华三计算存储产品线副总裁、存储产品线总经理兼首席产品经理徐润安
在本次发布会上,新华三计算存储产品线副总裁、存储产品线总经理兼首席产品经理徐润安表示:“智能技术与存储的融合大幅降低了数据管理的成本和复杂度,并将进一步推动存储在性能、功能及应用体验上的全面升级。新华三存储新常态战略的首要关注点就是‘智能’,致力于以主动优化和故障防御能力让存储具备更强的免疫力。在引入智能管理的基础上,Primera可实现即时数据访问和分钟级部署,并进一步加速与混合云应用的全面融合,以服务为中心,面向未来的全新存储理念,为数据的高效管理和价值洞察构筑坚实基础。”
 0赞
0赞好文章,需要你的鼓励
 推荐文章
                    推荐文章
                  杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。
 
             
                 
                     
                     
                    