木浪云总裁卢江虹
我们看过各种分析机构的报告,从数据角度看到数据安全保护市场的沉沉浮浮,我们也经常看到媒体分析,看到数据安全保护市场的趋势变化。
但是从一个亲身经历传统物理机到虚拟化再到云时代的数据安全保护的布道者亲自讲述,就更能深刻体会数据安全保护时代的变革。
近日木浪云总裁卢江虹,分享了对数据安全保护市场的洞察以及木浪云在数据安全市场的定位和发力点。
如果说数据安全保护的发展趋势是早期的面向传统数据中心的厂商包括IBM、戴尔EMC、Veritas等,到支持虚拟化数据中心以及支持传统数据中心备份软件Veeam等,再到现在的重点面向云和应用支持传统和虚拟化数据中心的Rubrik/木浪云等。
作为数据安全保护领域的“元老”,卢江虹从早期服务Veritas,到CommVault北京的第一人,再到把Veeam引入中国。以及现在的操盘云数据安全的木浪云。卢江虹可以说是对数据安全保护市场有着完整、丰富的经验。回望卢江虹的履历,不难发现她每一次工作经历都是踩在IT转型升级的趋势上。但是也只有深处变革中的人,才能深刻体会到背后是整个IT架构从unix到X86架构再到目前云架构的转变。
云深不知在何处,只缘身在此山中
“早期,Unix市场如日中天,数据备份服务完全围绕Unix,当第一次接触X86虚拟化备份市场,我感觉是一个小的市场怎么能够活下去?因为备份这个市场本来就已经竞争很激烈。”卢江虹分享最早接触X86虚拟化备份市场时候的感受。
但是当深入研究X86虚拟化备份市场的时候就发现这个时代其实已经在转变了,只是我们身在其中不知道。
所以当第一次接触木浪云的时候,就能够感受到云数据安全保护的趋势, “木浪云就像是踩在趋势的脉搏上,相信发展起来就非常快。”卢江虹谈了自己对于数据安全保护领域的看法。
而今天数据安全保护一个最大的问题是99%的云用的是20年前的方案。如果按照整个云数据中心规模来保护,由于实际投入非常巨大,所以只能做少部分云系统保护,且备份数据保留时间很短。这就造成很多问题,按照实际云项目的备份容灾部分投入3-5%的占比计算,同一朵云中,仅30%的业务数据和系统状态可以恢复,在能够恢复的系统中,仅20%的系统状态重回到1天内;如果出现数据丢失或业务中断,99%的云是无法在分钟级恢复业务。
加入木浪云正当时 云数据安全市场迎来最好时刻
从2019年12月1日后,云安全行业迎来最好的发展时机。国家《网络安全等级保护条例2.0》2019年12月1日正式执行,要求重要数据和系统,必须具有安全和备份容灾措 施;关键基础设施行业,比如金融,医疗,能源,交通,教育,运营商,公众服务等建设的云平台,必须满足等保3级以上要求,包括备份和异地容灾等。
而木浪云的核心团队由前腾讯、Veeam、HPE等高管、技术专家和知名安全专家构成;从2016年-2019年,获得多名企业家投资和IDG等持续支持。其业务方向就是围绕云数据安全、业务连续性和数据管理场景,产品线包括木浪云D-HCDM(专注针对虚拟化和云平台)、棉备(按需云灾备服务)和云备(SaaS)。能够针对病毒、入侵破坏、软硬件故障、业务演练、自然灾难、合规分析以及数据分发等需要, 木浪云可随时随地立即重建云系统,再现云每一时刻的应用、安全、合规等状态,并给出保护方案和措施。
全球独一无二的可自由伸缩的数据安全云平台
要实现100T的备份数据存储,为了最大程度减少空间占用,备份数据可以保留更长时间,需要把100T的数据分成100亿个数据块,但是这个时候,数据存储管理难度系数就几何式上升,传统单点架构无法应对百TB/PB级规模的数据中心。
目前国内备份容灾厂商众多,而木浪云拥有的最大的技术优势是自主研发分布式和云伸缩的底座平台,包括具备本地和云伸缩能力的分布式文件存储系统,分布式协同计算大脑,跨节点和云执行全局数据重删和压缩。这个系统目前是在国内和国际上唯一具有这种单一架构可以管理PB,甚至EB级数据中心能力的一个公司。”木浪云创始人兼董事长陈元强讲到。
最后根据卢江虹的介绍,木浪云已经建立了深圳和成都双研发中心。并先后建立了东西南北四大区域以覆盖到整个中国市场,长远来看木浪云希望为企业提供一个数据不丢失、业务不中断、到云移动、实现威胁分析、合规洞察分析等数据安全的整个生命周期的服务体系。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。