数字化时代背景下的企业竞争,决胜关键是往往是快速发展。谁的决策速度与执行速度快、谁就能跻身市场赢家。因此为了追求极致效能,近年愈来愈多企业斥巨资引进国际品牌的 NVMe 全闪存存储(AFA),希望由此更加快速得推动数字化发展的进程。
NVMe快速发展 大兆极存全闪存产品抢先机
去年,随着行业内全球前五大存储系统商竞相推出「All NVMe」AFA 产品,让 NVMe 名词转趋热门。然而什么是NVMe呢?并非换一张卡就可称之 All NVMe,需要从客户端、AFA 服务器端一路到存储媒介端,全程走 NVMe 传输协议,其间没有协议转换,才能算正统 All NVMe 架构,使性能提升到最高、延迟降至最低。
大兆极存紧跟国际潮流经过几年的产品技术研发率先发力 AFA,直接投入最新的 NVMe架构,不走搭载 SATA/SAS SSD 的旧架构,孕育 出全新的VirtualStor® FlashGo产品以及解决方案。

VirtualStor® FlashGo有FlashGo/S, FlashGo/E与FlsahGo/P三种型号,前两者为2U机箱,定位是入门机型,后者则为2U+2U机箱,定位是高性能机型,都为双控制器,所采用的2U24 NVMe JBoF支持多组RAID,使用者可透过直连式NVMe进行纵向扩展。
自研操作系统 六大特点引领全闪存头部技术
操作系统部分,VirtualStor® FlashGo采用SIMOStor OS软件,除可达到数据减量目标外,相较于市场同类型产品的可使用容量多为60%,此平台则可达到70%,并具备灾难复原、实时数据压缩、实时重复数据删除功能,内部的VMware VAAI,可让主机将特定存储相关的服务卸载至存储系统,光纤通道则大幅提升传输速率,降低数据延迟。固态硬盘方面,搭载采用慧荣科技控制芯片的企业级 PCIe NVMe SSD,有2TB与4TB两种eTLC NAND可供选择,Smart Dual-Port可故障转移与SSD寿命预测两大功能,可优化存储设备的可用性。
VirtualStor® FlashGo总体上具有六大优势特点首先是高达1.2M的IOPS,大幅提升数据读写速度,;第二个特点是双节点控制器,通过此设计所打造出端对端纵向扩展与100Gb双网卡特色。第三数据减量,内建采用Fingerprint算法(SHA1)的重复数据删除引擎,以及采用lz4算法的压缩引擎。当数据输入时,系统会先找出重复数据并删除,再交由lz4算法压缩数据量,透过这两个算法引擎,数据可减量3:1;第四可将 SSD 分为四个 RAID 群组,每群组各有12个硬盘;第五自研的 SIMO RAID6 保护,在配置三或四个 RAID 组前提下,最多都能允许4颗SSD故障;第六可用性高,通过双节点控制器、双端口网络卡、备用电源等设计,可用性达 99.9999%;

除上述特色功能外,一般 AFA 产品普遍具备的存储功能、快照、克隆、快速克隆、远程复制、精简配置、完整配置、Volume QoS 等等功能,VirtualStor FlashGo 皆能完全支持。
全闪存阵列正在改变大型企业中大多数应用装配存储的方式。随着行业和网络环境的加速发展,数据与数据掌握能力已然成为企业抢占市场先机的关键,尽管和硬盘相比,全闪存阵列每TB的价格要高,但全闪存阵列性能显著提升意味着全闪存阵列提供了与以往有所不同的虚拟数据中心运作方式,企业和用户将体会到全闪存带来的便捷。大兆极存VirtualStor® FlashGo经过几年的沉淀已加入到全闪存发展的蓝海中,将会提供给企业和用户更多更专业的闪存解决方案,满足企业一站式采购需求。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。