2020年3月16日-北京忆恒创源科技有限公司(Memblaze)今天宣布推出PBlaze5 920系列企业级NVMe SSD,大幅提升用户体验。PBlaze5 920系列NVMe SSD采用96层3D eTLC NAND,拥有U.2接口2.5英寸硬盘及半高半长插卡两种形态,最高容量达7.68TB。PBlaze5 920系列包括PBlaze5 D920, PBlaze5 C920, PBlaze5 D926以及PBlaze5 C926 4组SKU。

PBlaze5 920系列NVMe SSD提供高达5.9GB/s顺序读带宽和97万读IOPS性能,同时读/写延迟低至90/12μs。凭借卓越稳定的性能,完善的数据保护机制,良好的系统兼容性、使用体验,以及丰富的企业级特性,PBlaze5 920系列NVMe SSD能够帮助企业为其关键业务应用构建高速、高可靠、灵活易用的存储解决方案。
优异的QoS及性能一致性,大幅提升用户体验
PBlaze5 920系列NVMe SSD在4K随机写,从空盘到稳态,以及顺序写和随机写互相转换的状态下,均可实现平滑过渡,全面保障设备性能平稳无大幅抖动。同时,PBlaze5 920系列NVMe SSD还大幅提升了GC读效率,GC整体的执行效率也因此得到大幅提升。
PBlaze5 920系列优异的QoS一致性,帮助客户避免了由于业务访问激增,SSD个别IO处理时间过长,造成部分用户体验差甚至业务中断的风险;同时良好的I/O QoS,为云计算、存储系统整体QoS提升提供可靠保障。
Quota by Namespace, 保证业务IO访问优先级
由于在单一大容量NVMe设备上部署多种不同类型应用的场景与日俱增,此次Memblaze推出的PBlaze5 920系列产品中集成了Quota by Namespace这一全新特性,这也是业界为数不多的拥有该性能的企业级SSD产品。
Quota by Namespace是对NVMe SSD的Namespace 实施Quota操作,并根据应用优先级等选择合适的Namespace,实现应用场景的优化与扩展。通过在Memblaze PBlaze5 920系列上创建不同的Namespace,对负载较低优先级的任务的Namespace加以Quota限制,可以保证高优先级任务的Namespace享有更多IO资源。
在线固件升级,确保关键业务连续不中断
传统固件升级操作需要冷重启服务器,再重新启动业务系统的各个模块,工作繁琐也容易出错。Memblaze PBlaze5 920系列NVMe SSD支持在线固件升级,即使在业务有IO的情况下,也无需重启服务器,就可以完成固件升级,保证了存储系统服务的连续性,并且大幅简化了运维环节,降低了IT系统运维难度以及运维成本。
可变Sector Size管理,灵活的端到端数据保护方案
可变Sector Size(Viable Sector Size,简称VSS),可以在保存用户数据的同时,保存该数据的元数据。Memblaze PBlaze5 920系列支持512字节、4096字节、512+8字节、4096+8字节和4096+64字节Sector Size,即业务应用下发一个I/O,同时可携带8 字节或者64字节的元数据。VSS技术在保证高一致性能前提下,进一步保证存储系统和分布式文件系统对数据可靠性的高要求。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。