随着多云时代的到来,众多企业都在在部署或计划部署云战略;特别是越来越多企业在使用混合多云来助力自身的业务转型。但是混合云能提供的越来越强大的功能的同时,给跨界的数据保护带来了新的挑战。
近日,Veritas公司大中华区总裁杨晨与AWS中国区生态系统及合作伙伴总经理汪湧接受了至顶网等媒体的采访,介绍了双方合作如何通过技术创新及行业经验来帮助全球企业的数据管理。
Veritas公司大中华区总裁杨晨简单介绍了Veritas的能力,Veritas专注于数据本身,数据管理、数据迁移、数据保护,同时其强项是跨平台的数据管理。“具体来讲就是解决企业上云、用云、跨云过程中的数据管理。上云包括数据云上压缩,安全迁移,还有去重;在云中可以有快照,集中数据管理,还包括云中工作负载、容灾备份;跨云方面,多云数据服务平台能支持多云之间的复制、云间的故障切换,包括公有云和本地私有云之间的切换我们都支持的很好。” 杨晨谈到。
Veritas于2017年成为 APN 高级级别技术合作伙伴,今年年初,Veritas 与 AWS继续加深合作,Veritas 宣布旗舰产品 Veritas NetBackup 和 Veritas Backup Exec 获得 Amazon Web Services (AWS) 存储能力认证,进一步巩固其为 AWS 合作伙伴网络 (APN) 高级技术合作伙伴的地位,提供获得AWS 存储能力验证的解决方案。
自此,企业能够充分利用 Veritas 和 AWS 的解决方案帮助他们加速云上之旅。
杨晨认为Veritas与AWS能够为客户提供可靠的云端数据保护体验。比如以业界3倍的速度数据去重;自动化配置应用迁移上下云;以用户可承受的成本实现数据长期保存。同时提供数据、应用和服务的高效云迁移能力,包括Veritas全面数据保护能力,包括Veritas强大稳定的灾备能力,保护关键数据提供业务连续性保证;包括数据可视化与调度,随时随地追踪数据动态 以及现代化的数据管理架构。
同时双方也在数据管理进行了深度合作,双方深化合作可以为用户在可承受的成本下实现数据长期按需恢复还原数据,消除了磁带备份等成本。使用veritas和AWS实现可靠高效的SAP据管理,提供SAP在云端部署的高可用解决方案。
利用Veritas和AWS实现混合架构容灾平台构建,提高业务可靠性和可用性客户收益。能够为企业提供一个现代化的数据管理架构。企业可以通过灵活的购买模型来消除数据孤岛并通过使用机器学习和执行大规模分析从数据中获取更多价值。
AWS在用户选择数据管理解决方案是基于客户自身业务的需求自主选择的。同时对于合作伙伴来讲,AWS会提供一个公平和透明的支持。“我们在产品的研发,产品的策略方面我们都会给到合作伙伴非常公平和透明的支持。我们刚才所讲到的有合作伙伴的专业认证,有合作伙伴的MSP等等,这些都是给到所有合作伙伴的,不会有什么区别,AWS非常透明的配合合作伙伴。在每个项目中间我们也会按照我们市场的策略有各种各样的机制,会有些专注,我们还是关注客户自己的选择。” 汪湧谈到。
包括中集集团、太古可乐、通威集团等企业用户采用了双方提供的解决方案。比如中集集团希望其在云中及本地的数据都能得到可靠的数据保护,同时也希望在云中及本地数据可以快速且高效的备份。中集集团使用了Veritas NetBackup,在其企业数据中心和基于云的 NetBackup实例中,集团借由灵活的Amazon Web Services(AWS)存储实现了短期数据保留。 在两天的保留期后,数据备份将转移到Amazon S3存储以进行长期保留。并在其数据中心和AWS之间进行数据复制, 进行灾难恢复。不仅实现了借助本地数据中心及云端存储之间的数据复制的灾难恢复解决方案,同时显著降低数据保护和灾难恢复过程中的总拥有成本。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。