毋庸置疑,Veeam Availability Suite v10 堪称 Veeam 史上最重要的版本。我们在这一版本中融入了许多强大特性,现在请允许我介绍这些特性(统称为“Linux 增强特性”),它们可帮助您实现突破,充分利用 Linux 生态系统。闲话少说,下面我将对这些特性分类,依次为您介绍。
备份代理是 Veeam Backup & Replication 分布式架构的基本组件,充当数据移动器,检索生产存储中的数据,动态处理这些数据(压缩、去重和加密),并将其移动至目标存储库。在 v10 之前,代理服务器一直需要在基于 Windows 的操作系统上运行,由于额外的 Windows 许可开销、自动化挑战等因素,该场景有时并不是用户的最佳选择。v10 推出了一项备受期待的功能,即在 Linux 分发版上运行备份代理。
该功能可有效防止用户受到代理限制,改进自动化场景,并帮助降低许可成本,尤其适合远程办公室/分支机构 (ROBO) 与 VMware vSAN 环境。而且,代码完全由 Veeam 编写,我们并不依赖 VMware VDDK。正因如此,目前只有虚拟设备(热添加)传输模式可用。设置方面没有新要求:安装 perl、bash 和 ssh 后便可使用。需要注意的是,我们并不提供预构建设备,VBR 用户需要调配 Linux 虚拟机,为其完成批准和补丁安装(以加强安全性)流程,然后将其添加为备份代理。VBR 并不倾向于 Linux 或 Windows,仍然会分析多种因素,最终会根据性能这一最重要的指标选择代理。
下面,让我们了解另一个重要的程序组件 — Veeam Backup Repository。它的首要新功能涉及“数据块克隆”技术,该技术在 Windows Server 2016 和 ReFS 3.1 发布后颇受欢迎。顺便说一下,数据块克隆支持 ReFS 以不同于其他文件系统的方式处理合成磁盘操作(如永久向前增量备份)。该技术仅在存储上写入一次数据块,通过创建这些数据块的“指针”,便可替代复制操作,从而减少开销并更快速完成操作。
相似技术 (reflink) 不久前归入 XFS 公共分支,并获得了一些分发版的正式支持,如 Ubuntu 18.04 之后的版本。这有助于我们利用此技术,从而简化并加速基于 XFS 的 Linux 备份存储库的所有合成操作。
下面,我将介绍一项重要功能,该功能适用于所有使用 NAS 设备和 SMB/NFS 共享作为备份目标的用户。我们在支持这类目标方面拥有丰富经验,目前正着力解决用户面临的一些挑战。由于共享无法持续可用,中小型企业协议的可靠性通常较差,我们的技术支持人员认为这一协议存在重大问题。使用 WinAPI 将数据写入中小型企业共享时,应用(如 VBR)会过早接收到 I/O 操作的成功消息(无论实际结果如何),这有时会导致数据损坏。在推出 v10 前,Veeam 一直建议使用一种变通方法,即将中小型企业网关设置在尽量靠近中小型企业共享的位置。对于 NFS 共享,我们要求用户在使用前将其挂载至 Linux 服务器,因为这是传输备份的唯一方式。
VBR v10 将推出面向 NFS 共享的原生(直写)支持,以克服上述限制。该功能的目标是为越来越多的非企业级 NAS 用户提供更可靠的选项,并借助 NFS 存储库为客户简化备份创建流程。
vSphere Guest Operations API(前身为 VIX API)包括一系列技术,支持 vSphere 用户与虚拟机及其来宾帐户操作系统交互,无需使用网络堆栈。Veeam 一直将 VIX 用作对 Windows 虚拟机进行应用感知来宾帐户处理的第二选择,并在虚拟机不可访问时通过 TCP/IP 堆栈将故障切换至 VIX。
从 v10 开始,我们也支持 VBR 利用 vSphere Guest Operations API 支持 Linux 虚拟机。根据这一变化,来宾帐户虚拟机处理操作(如预冷冻和后解冻脚本、文件级恢复等…)将可以通过所述的 API 实施。这一变化将为由于某种原因无法通过网络直接连接虚拟机的复杂环境带来很大便利。举例来说,对于 FLR 恢复,企业管理员无需在每个网络分段配备一个 FLR 设备,只需部署一个 FLR 设备便可轻松使用,无论其是否通过网络连接至目标虚拟机。
这些全新 Linux 增强特性完美诠释了 Veeam 如何重视社区意见及不遗余力地解决快速增长的客户环境所面临的挑战。v10 的发布让我倍感振奋,恭盼您尽快升级,亲身体验我在这里描述的所有特性(和更多强大功能)。敬请关注!
好文章,需要你的鼓励
许多人认为一旦实现通用人工智能(AGI)和人工智能超级智能(ASI),这些高度先进的AI将能够告诉我们人生的真正意义。然而,巅峰AI可能无法明确回答这个史诗般的问题。即使AI拥有人类所有知识,也不意味着能从中找到生命意义的答案。AI可能会选择提供多种可能性而非绝对答案,以避免分裂人类社会。
华盛顿大学研究团队发现,大型语言模型在未接受手语训练的情况下,竟然具备理解德语手语的能力。通过系统实验,他们证实了模型能够判断手语语法正确性,并进行手语与文字间的翻译。这种"涌现的多模态能力"源于模型对语言抽象结构的深度理解,为开发手语翻译技术和改善聋哑人群数字交流体验开启了新可能。
剑桥咨询CEO蒙蒂·巴洛在采访中分享了如何识别具有潜力的技术领域。他表示,当听到看似不可能或令人惊讶的技术时会特别关注,如深度学习AI、量子计算等。该公司作为"深度科技强国",专注于生物工程、人工智能、量子计算等领域,拥有740名员工,年均为客户创造5000多项专利。巴洛强调跨学科合作的重要性,预测未来计算机系统的应用需求将大幅增长。
谷歌DeepMind团队提出STAR方法,通过模仿苏格拉底教学法让AI学会类比推理,解决传统AI无法"举一反三"的问题。实验显示该方法显著提升AI处理新问题的能力,在逻辑推理准确率从40%提升至75%以上。这项突破为创造真正智能的AI系统指明方向,未来将在教育、医疗、创意设计等领域产生重要应用价值。