近日了解到采用希捷MACH.2 多磁臂技术的硬盘目前多家客户在对其测试以进行数据中心部署。
MACH.2是一项突破性的技术,相对于单磁臂,两个磁臂可以在同一硬盘中独立工作,且IO操作是并行的,因此性能翻倍。在硬盘中,上半部分的读写磁头由一个磁臂驱动,而下半部分由另一个磁臂来主导,每个磁臂负责硬盘总容量的一半。一块硬盘,两倍的IOPS,解决了IOPS/TB的挑战。
MACH.2已经在许多应用中展现了其优势,包括内容分发网络(CDNs)、视频流、邮件服务器、备份/传输服务、大数据分析(Hadoop)以及云应用等等。
微软对采用双磁臂技术的希捷Exos 2X14进行测试
目前希捷捷银河(Exos)2X14采用了MACH.2 多磁臂技术,并且微软已经完成了希捷银河(Exos)2X14首轮功能部署测试。
微软的合作伙伴架构师Aaron Ogus谈到,“随着希捷MACH.2技术的开发,我们和希捷合作以确保MACH.2满足我们的业务需求。我们的目标是MACH.2技术的吞吐量达到目前所配置的单磁臂硬盘的近两倍,而通过测试表明这个目标已经达成。”
云数据中心的空间极为宝贵,因此云供应商努力为诸多应用提升同一插槽的IOPS。
MACH.2硬盘将被部署用以支持微软所有的云解决方案服务(CSP),包括Azure和Exchange——而这些程序已经充分共享了空间。而微软希望降低插槽成本,成本的降低依赖于占地空间、电力以及散热等各种因素的共同作用。随着客户发现所安装硬盘的IOPS持续走低,他们不得不另想办法,比如增加双磁臂硬盘。
微软不断调整Exchange架构以最大化服务器吞吐量。希捷的MACH.2技术允许Exchange在持续部署更大容量硬盘的同时,保持服务水平协议的低延迟。希捷支持微软部署14TB希捷银河2X14这种更大容量的硬盘,而希捷MACH.2技术帮助微软既获得了所期待的系统容量,同时也足以支持Exchange的数据吞吐量。
如果部署采用MACH.2技术的Exos 2X14硬盘。数据中心可以为每个插槽安装一块14TB双磁臂硬盘。对于应用来讲,这和两块7TB硬盘所带来的高吞吐量非常相似,区别是装置在单个插槽。
希捷与微软携手开发MACH.2技术,满足云计算应用所需
希捷首批希捷银河(Exos)2X14双磁臂硬盘的设计与特性直接响应客户的需求。在MACH.2多磁臂技术的整个研发以及推出过程中,微软一直以紧密合作伙伴的身份参与其中。
希捷全球云应用销售负责人Chris Hensley称:“在MACH.2技术发展中,我们和微软一直在数据中心领域密切的合作。从最初设想阶段到现在,他们一直都给予极大支持。在与微软不断沟通如何解决他们IOPS/TB问题的过程中,我们的MACH.2多磁臂架构得以发展。”
Borden表示:“整个过程中,微软一直伴随我们左右,我们也让他们参与到每个环节,并从早期的硬盘样品开始,我们一直受到他们启发。微软在架构初期就与我们合作,确保我们的设想能够转化为他们后期的部署。这也一直是开发MACH.2架构第一次迭代的关键,采用双重LUN SAS——适用于微软数据中心架构且合理反映其他大型云计算用户的需求。”
随着希捷银河(Exos)2X14双磁臂硬盘的不断推进及发展,硬盘家族将呈现不同规格和属性,以满足各种企业用例。
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。