数据存储巨头NetApp今天宣布推出一项新服务NetApp Astra,全面实现Kubernetes应用的可移植性愿景。
NetApp Astra是一项全面管理的、应用可感知的数据管理服务,针对基于Kubernetes的应用,旨在帮助企业保护、恢复和移动在部署在Kubernetes上的应用,无需下载、安装、管理或升级任何软件。
Kubernetes是一种开源工具,用于协调大型软件容器集群,这些集群托管了可以运行在任何计算基础设施上的现代应用组件。过去几年中,这项技术迅速普及,但是也给企业带来了很多问题,因为有分析师认为,容器化应用需要最佳性能才能发挥持久存储的作用。
Moor Insights&Strategy分析师Steve McDowell认为,问题在于软件容器与传统企业存储搭配不佳。他解释说,容器工作负载的短暂性,要求存储管理操作难度增加了一个数量级,超出了裸机和虚拟化环境的能力范围。
此外,容器应用还需要在此之上的抽象层来存储数据。McDowell说,缺乏这些存储功能会导致一些非常尴尬的IT管理问题。
“容器也会生成数据,需要存储和管理,从容器映像到Kubernetes状态信息再到配置数据,这是数据的爆炸式增长。”
NetApp试图通过NetApp Astra管理这些爆炸式增长的数据。NetApp Astra是去年公布的Project Astra计划的成果,该计划首次为Kubernetes工作负载带来了新的数据管理功能,具有使用常规快照保护数据的功能。因此,如果数据被意外删除或损坏,用户可以将Kubernetes集群还原到之前快照的状态。
NetApp Astra还通过远程备份实现灾难恢复。因此,团队可以对应用及其当前状态进行完整备份,并使用此备份将应用及其数据还原到位于单独区域中的另一个Kubernetes集群中,以满足数据恢复的需求。
最后NetApp说,这项新服务通过“主动克隆”简化了应用的可移植性和迁移,这意味着整个应用及其数据都可以从一个Kubernetes集群移动到另一个集群,不管位于何处。
McDowell说,NetApp是最早发现云原生数据管理问题的存储厂商之一,并且已经尝试解决了很长时间,这从最近的一些收购(例如Talon Storage Solutions和Spot)中可以明显看出。尽管NetApp在开拓市场方面有一些错误的开端,但他说,这些尝试让NetApp清楚地知道了哪些是奏效的,哪些是不成功的。
McDowell说:“NetApp在将Astra推向市场方面采取了一种非常有针对性的、经过客户验证的方法。Astra提供了IT部门部署容器工作负载所需的功能,它提供了一种集成的管理体验,使存储和Kubernetes可以相互感知。我认为,部署Astra的NetApp客户会很满意。”
NetApp公有云服务产品管理副总裁Eric Han回应了McDowell的这些观点称,备份、克隆、灾难恢复、数据生命周期操作、数据优化、合规性和安全性对于运行Kubernetes应用的企业来说,都是至关重要的功能。
“这些挑战加在一起增加了复杂性。这与Kubernetes让应用开发和部署更简单、更快、更灵活的目标是相互矛盾的,而后者正是NetApp Astra有望实现的愿景。”
McDowell表示,NetApp Astra的发布让NetApp与竞争对手Pure Storage一起成为了云原生存储市场的领导者,后者通过去年收购的Portworx达到了这一目标。但是他说,两家厂商都需要充分利用这一领先优势,因为其他厂商很可能会在未来几个月内推出他们的解决方案。
McDowell说:“这个市场中的每个人都必须有解决容器数据管理问题的方法,这将成为一个重要赌注。我预计随着市场争相满足这一需求,今年将是竞争相当激烈的一年。”
Constellation Research分析师Holger Mueller表示,他也希望有更多解决方案来解决这个问题。“可移植性的关键在于数据,而数据却无法被轻松、快速、频繁地移动。这标志着生态系统的迅速成熟,像NetApp这样以前是存储厂商的公司,正在致力于解决Kubernetes工作负载的数据可移植性问题。”
NetApp表示,NetApp Astra现在已经在Google Cloud上可用,而且很快会在AWS、微软Azure和本地环境中得到支持。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。