大兆极存(Bigtera)今日发布了全新版本的超融合基础架构(Hyper Converged Infrastructure; HCI)产品VirtualStor® ConvergerOne 1.3。VirtualStor ConvergerOne是一个整合运算、存储与网络资源的超融合平台,可提供弹性、敏捷的交付服务,有效突破传统三层式体系结构的资源扩展难、运维管理复杂等限制。最新版VirtualStor ConvergerOne 1.3多项强大新功能为独立软件开发商(ISV)提供更加安全、高效,且简单易用的运行平台,协助打造一站式解决方案,一次满足预算、人力、效能三大需求。
ISV运用超融合基础架构来开发软件已成为市场主流趋势。VirtualStor ConvergerOne 1.3可协助ISV立即部署AI或其他应用程序,使其能更专注在平台与应用层面的发展,此外,在不影响系统运作前提下,能按需扩展计算与存储资源能力。大兆极存正积极寻找更多优秀且具未来发展性的ISV,目前已与多家合作伙伴洽谈共推一站式解决方案,包括和AI业界拥有高知名度软件公司打造AI-Stack一站式解决方案,能降低中小企业跨入AI的门坎。

VirtualStor ConvergerOne 1.3无论在数据保护、虚拟机管理等方面,皆提供良好的运作机制,甚至可为超融合架构外部的前端系统提供NAS或SAN服务,便于企业汰除老旧存储设备,确保所有前端应用皆享有更高的I/O存取效能;另外还能整合AI平台,满足数据分析、图像处理等热门需求。除了ISV,有虚拟化、VDI、大数据分析等作业需求的企业,都适合部署VirtualStor ConvergerOne 1.3,借此打造极简、安全、高效的数字化基础架构。
新版的VirtualStor ConvergerOne 1.3拥有六大创新亮点:
■ 优异的效能表现:经由大兆极存以最小集群运行9个虚拟机进行实测,显示VirtualStor ConvergerOne的随机读取效能可达23万IOPS、随机写入效能可达8万IOPS,表现极为突出。
■ 提供批次复制功能:短短2~3秒内即能复制10个或20个以上虚拟机,且批次产生IP地址与网络名称、以避免虚拟机彼此冲突,可满足VDI、研发测试等多人同时应用的情境,同时藉由Linked Clone技术节省95%以上的复制空间。
■ 可将存储资源池提供予外部使用:大兆极存活用软件定义存储(SDS)技术,使得VirtualStor ConvergerOne 1.3的存储资源池不仅能为超融合架构环境内部的虚拟机所用,也可进一步为外部的前端系统提供NAS或SAN服务,让企业可顺道替换老旧存储系统。
■ 完整的系统保护:可透过集群方式,保障实体机、虚拟机与虚拟化存储的高可用性。假设某节点出状况,系统会立即将其承载的服务进行迁移,由相关虚拟机重新转向新节点来继续运作;支持节点自我修复功能,当节点硬件修复后要重新加入集群时,系统会自动执行数据同步与负载平衡配置,完成后将它加入集群,用户可选择是否将虚拟机迁移回来。
■ 支持虚拟机快照:藉由快照功能,备份当下虚拟机运行状态、以及内存里的数据,让用户日后能完整回复当时状态。执行虚拟机快照时,会将原虚拟机数据转为Read Only状态、无法再写入,并以COW(Copy-on-Write)方式产生新的数据块,因此即使此数据区块遭人为破坏(例如被勒索病毒加密),用户亦可切换回上次快照数据,确保营运服务持续运行。
■ 简单易用:一般IT人员即可透过统一的Web UI接口执行系统管理与资源监控,完全不需要手动输入复杂命令或脚本;举凡新增与设定虚拟机或HA配置、共享文件夹、资源群组或存储池,乃至于利用图形接口监控集群、主机节点、存储池、虚拟机的资源管理与监控,都能轻松上手。
VirtualStor ConvergerOne 1.3主要特色如下:
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。