AWS在一年一度的存储日线上大会期间,推出了数据存储产品组合的新增项,其中包括了与NetApp合作围绕OTNAP文件系统服务的Amazon FSx for NetApp ONTAP新服务。
NetApp ONTAP是一套主流的文件系统,企业可以用它来管理关键任务应用生成的信息。这个文件系统让应用可以更轻松地访问执行业务任务所需的数据,可以在后台执行各种相关任务如压缩记录以释放存储容量等等。
之前AWS云上就已经在支持NetApp ONTAP,但是企业必须自行设置部署,然后在内部管理日常维护。这次AWS新推出的Amazon FSx for NetApp ONTAP服务承诺将大幅减少使用ONTAP所涉及的工作量。AWS表示,该服务让管理员在几分钟内就可以设置好部署,并自动执行一系列维护任务。
Amazon FSx for NetApp ONTAP将可以帮助很多企业加速向云端的迁移。很多企业依靠本地NetApp ONTAP文件系统部署来管理部分或全部任务关键型业务数据,此次推出的新服务让企业可以更轻松地在云中运行ONTAP,从而降低与将本地数据工作负载移动到ONTAP平台所带来的复杂性,从而促使更多企业进行切换。
AWS公司首席布道师Jeff Barr详细解释说,Amazon FSx for NetApp ONTAP“可配置文件服务器和存储卷、管理复制、安装软件更新和补丁、替换不合适的基础设施组件、管理故障转移等等”。
除了这项新服务之外,AWS还公布了Amazon S3对象存储服务的两项更新。
第一个更新是引入了一项名为Amazon S3 Multi-Region Access Points的功能,旨在构建多区域应用,或者那些把信息多个副本存储在多个不同AWS数据中心的应用,因为保留多份记录副本可以确保即使一个数据中心发生中断、应用仍然可以使用。
企业还可以通过构建多区域应用提高性能。如果工作负载信息有多个副本,那么企业可以让每个用户从离他们最近的数据中心加载信息,从而降低延迟。
此前,S3上创建的多区域应用需要编写大量代码来管理不同数据副本所涉及的工作,而借助Amazon S3 Multi-Region Access Points,可以大幅减少所需的代码量。
“借助Amazon S3 Multi-Region Access Point,你可以使用单个区域中相同的简单架构来构建多区域应用,”AWS开发者倡导人Alex Casalboni在一篇博文中这样写道。
第二项更新是对S3 Intelligent-Tiering存储服务的现有功能进行了一系列更新。现在,那些将数据保存在该服务中的可以,从价格不同、性能不同的多个存储硬件层中进行选择。S3 Intelligent-Tiering 会自动将企业数据放置在最合适的硬件层上以达到优化成本的目的。
除此之外,今天AWS还宣布取消小于128KB数据对象相关的某些S3 Intelligent-Tiering监控和自动化费用,以及取消了对象存储最少使用30天的要求。
AWS表示,正在Amazon EFS文件存储服务中实施类似于S3 Intelligent-Tiering的功能,这个Amazon EFS Intelligent-Tiering功能与S3 Intelligent-Tiering有些类似,都可以自动将企业数据放置到最合适的基础设施层上。
AWS还在此次存储日在线大会期间推出了一些较小的增强功能,例如Amazon EBS的升级项可以让企业使用块存储服务来创建包含多达64 TB数据的工作负载云备份。反过来,用于将数据移动到AWS云端的AWS Transfer Family服务已经通过低代码功能得到增强,可以减少将信息复制到云端所需的手动操作工作量。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。