云计算像水和电一样,成为数字经济时代不可或缺的基础设施。怎样让云更稳更快?如何构建高效全能、灵活易用、稳定可靠的基础设施?这是云计算提供商思考的首要问题。
为此,腾讯云和希捷一直在紧密协作,引入新品、联合测试、验证优化,通过构建可靠的基础设施,为数据价值的深度挖掘和激活打下稳健根基。
具体说来,针对腾讯云自研服务器的研发、测试,数据的保护和恢复、硬盘的固件定制与健康管理等方面,双方共同携手,保持着紧密的技术沟通,共同打造稳定、可靠、高可用、可扩展的数据存储方案。
充分测试腾讯自研服务器,提升系统可靠性可用性
伴随腾讯云业务规模的快速增长,基础设施架构与运营成本面临重大挑战。自研服务器对腾讯云的重要性不言而喻。腾讯云自研服务器专注于腾讯独特的应用需求,在散热、功耗、性能、成本等方面相较标准化服务器均有一定差异。
在腾讯云自主开发的服务器产品投入使用前,双方就针对服务器样机,导入希捷银河系列企业级硬盘进行测试。联合实验测试关注硬盘在系统层面的表现,针对兼容性、抗震性、性能、可靠性进行了测试,确保希捷产品能够在腾讯自研服务器中顺利运转,进而提升腾讯云自研服务器的整体性能与密度,并帮助最终用户降低总体拥有成本。
在联合测试的过程中,希捷产品的抗震性、性能、可靠性、兼容性得到充分验证。希捷也聆听到腾讯云的需求和建议,从而对下一代硬盘产品优化设计。
易失性写缓存数据丢失检测,提升数据恢复效率
在双方的技术协作中,数据安全是非常重要的研究项目。希捷和腾讯云一直努力寻求更为可靠的数据安全保障。易失性写缓存数据丢失检测(data loss detection)就是希捷专为腾讯云定制的研发项目。希捷基于硬盘自身机制,开发相关技术,并配合腾讯云的上层指令来消除数据丢失风险。
Fleet management硬盘健康管理,改善用户体验
Fleet management硬盘健康管理是双方共同探索的一个重点。2017年11月开始,希捷开始为腾讯云部署FARM(Field Accessibility Reliability Metrics),基于大数据机器学习的健康监测建模;并于近期开发了硬盘在线故障诊断工具(Field Events Log)。该项目旨在重塑硬盘日志以及进行故障预测,从而保障硬盘的可靠性及数据安全。
通过部署FARM项目,希捷联合腾讯云对硬盘的运行数据(磁头数据、碟片数据、温度、湿度等数据)进行检测,应用大数据建模分析存在失效风险的硬盘。
通过大数据分析,该项目可提前15天上报不同风险等级的预警,提示用户采取措施以避免硬盘批量失效导致的业务和数据风险。
定制固件,全面优化产品并降低成本
希捷还为腾讯云专门定制固件,优化产品特性。定制化全面体现在产品的研发设计、固件优化、前期生产制造控制、后期测试、调试等等环节。
通过定制固件,希捷在多个产品系列中为腾讯云进行了优化。定制产品已经大量生产并应用在一线。定制化以后,产品质量和用户体验均得到了显著提升。
Fleet Management硬盘健康管理与定制化两项技术相得益彰,助力客户年换盘率和硬盘非故障换盘率显著降低;不仅提升产品质量,更大幅降低成本。
截至目前,腾讯云和希捷的合作已超越了产品测试层面,双方还积极参与到产品研发、架构设计、验证部署等过程。希捷的工程师团队在针对腾讯的特定工作负载与特定应用,探索如何提升产品性能、降低延迟、不断调优,以适配腾讯云的应用需求。
“产业智变,云启未来”,面对未来高速变化的市场,希捷还将与腾讯云继续携手,让云计算至快至稳。
好文章,需要你的鼓励
法国人工智能公司Mistral AI宣布完成17亿欧元(约20亿美元)C轮融资,由荷兰半导体设备制造商ASML领投。此轮融资使Mistral估值从去年的60亿美元翻倍至137亿美元。英伟达、DST Global等知名投资机构参投。作为欧洲领先的AI开发商,Mistral凭借先进的多语言大模型与OpenAI等美国公司竞争,其聊天机器人Le Chat具备语音模式等功能。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
VAST Data收购了成立仅数月的初创公司Red Stapler,该公司由NetApp资深团队创立。Red Stapler创始人兼CEO Jonsi Stefansson将担任VAST云解决方案总经理,负责超大规模云战略。Red Stapler拥有6名开发人员,开发了跨SaaS交付、API集成、监控等功能的云控制平面和服务交付平台,将加速VAST AI OS在超大规模和多云环境中的部署,深化与全球领先超大规模云服务商的合作关系。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。