互联网时代的飞速发展,带动了网络业务的不断拓展,随之而来的基础架构灵敏性和存储便捷性问题,迫使众多公司开始主动思考、寻求变革。在企业IT支撑系统建设中,IT基础架构是重中之重。相比传统的IT服务,企业更需要一种按需付费,解决方案部署简单,适合工作负载,从根本上简化和无缝扩展数据中心技术设施。
IT基础架构的时代变迁
IT 基础架构的时代变革,究其核心,是数据中心的时代变革。当前,正处于一场几十年未见的企业级数据中心革命性转变中。
大型机时代:大型机在较长时间内作为数据中心核心业务系统的基础,使得很多公司的系统本身就是融合的CPU、内存和存储,内部冗余,基础架构采购费用昂贵,高度竖井化环境缺乏弹性。
独立服务器时代:用高性能CPU、大内存和直连式存储,系统环境比大型机灵活,但依旧存在竖井化环境、资源利用率低或不均,对于计算和存储,服务器成为单点故障等问题。
集中化存储时代:集中化存储提供可共享、具有一定数据保护能力,其池化的存储资源可以更好被利用,存储可通过网络被使用,不过依旧存在成本昂贵、系统复杂度高的问题。
虚拟化时代:随着虚拟化的成熟,虚拟化管理程序借助在线迁移高可用和动态资源负载均衡等高级特性,使计算资源池集群化、计算节点具备动态迁移、VM高可用和存储中心化,但是依然存在存储配置复杂、快速增长的虚拟机导致更高存储需求成本等。
云时代:以虚拟化为基础,实现集中管理业务,对数据中心资源进行动态调整和分配;满足企业关键应用向X86系统迁移对于高性能、高可用和安全性的要求,同时提高基础架构的自动化管理水平,确保满足基础架构的快速适应业务商业诉求。
面临挑战主动求变
当下,企业IT数据中心虚拟化不仅是行业发展的趋势,更是未来的标准。通过利用 Hypervisor 将物理服务器虚拟为多个虚拟机,把应用部署在不同的虚拟机中运行,为企业提供更高的运行密度和更敏捷的解决方 案。
在传统计算存储分离的体系架构中,虚拟机在计算服务器上创建,后端存储通常采用SAN/NAS。这种架构已经不能满足企业IT 数据中心高速发展和变化的需求,扩展困难、性能瓶颈、服务质量难保证、管理复杂以及专有化硬件成本高等问题层出不穷。
Google、Amazon 等顶级互联网公司多年前发现任何商业存储产品都无法满足他们高速增长的数据业 务需求,于是他们通过软件的方式在商用服务器上搭建自己的IT 基础架构。这些系统大多采用分布架构,使上层应用像访问本地资源一样使用分布式计算存储资源,可轻易进行水平扩展,并且不受性能和价格的制约。联想借鉴此类软件架构思想,结合当前数据中心虚拟化趋势,推出在商用X86服务器上搭建可扩展虚拟化数据中心的超融合架构软硬件解决方案。
顺应变革才能乘风破浪
随着企业对信息化建设的不断投入,本地机房已经面临饱和,人力物力浪费明显,在满足业务在线运行良好的同时,保证业务连续性、平台高性能、高可用、一体化交付、快速部署,无疑是企业信息化转型面临的严峻考验;这是对IT基础架构发出的挑战,也是IT基础架构必然的发展趋势。
联想超融合,利用分布式存储和计算虚拟化技术,整合服务器集群,不仅可以简化IT基础设施建设,降低硬件配置和管理成本,同时可以改善系统平台可靠性,提供水平扩展能力,大幅度降低各种规模数据中心的复杂性。联想超融合在虚拟化和分布式存储领域有超过10年的技术储备,积累了全球70多项国际技术专利,全面提升产品性能,扩展更多企业级功能,已经成为智能互联网、工业互联网的标准配置。
作为中国超融合联盟的发起者和第一届理事长单位,联想一直致力于推进超融合市场的发展和成熟,引领互联网时代IT架构的革新。目前,联想超融合在医疗、政府、教育、企业中有着广泛的应用,未来,联想超融合解决方案将继续凭借持续的技术创新和深入的行业洞察,为合作伙伴和客户提供更优质、更有针对性的全新IT体验。
好文章,需要你的鼓励
在他看来,企业对AI的恐惧源自未知,而破解未知的钥匙,就藏在“AI平台+开源”这个看似简单的公式里。
斯坦福和魁北克研究团队首创"超新星事件数据集",通过让AI分析历史事件和科学发现来测试其"性格"。研究发现不同AI模型确实表现出独特而稳定的思维偏好:有些注重成就结果,有些关注情感关系,有些偏向综合分析。这项突破性研究为AI评估开辟了新方向,对改善人机协作和AI工具选择具有重要意义。
Pure Storage发布企业数据云(EDC),整合其现有产品组合,提供增强的数据存储可见性和基于策略的简化管理。EDC集成了Purity存储操作系统、Fusion资源管理、Pure1舰队管理和Evergreen消费模式等架构元素,提供类云存储管理环境。该方案支持声明式策略驱动管理,让客户专注业务成果而非基础设施管理。同时发布高性能闪存阵列和300TB直接闪存模块,并与Rubrik合作提供网络安全防护能力。
威斯康星大学研究团队提出"生成-筛选-排序"策略,通过结合快速筛选器和智能奖励模型,在AI代码验证中实现了11.65倍速度提升,准确率仅下降8.33%。该方法先用弱验证器移除明显错误代码,再用神经网络模型精确排序,有效解决了传统方法在速度与准确性之间的两难选择,为实用化AI编程助手铺平了道路。