IBM现为其Power服务器闪存驱动器提供无需经由交换机的直连访问,希望能让众多核心访问到更多具有更大数据传输带宽的驱动器。
Power服务器产品是IBM旗下的专有服务器,基本上也是目前市面上仍能与主导性x86处理器和新兴Arm及Risc-V处理器设计相抗衡的最后一种专有服务器CPU技术。这些处理器被用于蓝色巨人的Power服务器和i系列系统,其根源可以追溯到1988年的AS/400。如今,IBM正对其Power和i产品线做又一轮更新。
Steve Sibley
IBM Power产品管理副总裁Steve Sibley在帖子中写道,“借助业内首款已公开的PCIe直连24盘位NVme存储抽屉,IBM正着力扩展I/O容量。”
通过直连设计,IBM能够确保NVMe SSD与处理器核心的PCIe通道之间不再受到PCIe交换机或其他装置的阻隔,从而为NVMe驱动器和需要从中读取/写入数据的CPU核心之间提供完整的PCIe通道带宽。在传统设计中,PCIe交换机主要负责实现通道聚合,确保各驱动器只能获取总可用带宽中的一部分。
例如,Supermicro曾在2020年4月推出带有PCIe gen 3直连20驱动器设计的服务器2029UZ-TN20R25M。这款产品在处理器和驱动器之间设有80条PCIe gen 3带宽通道,对应每块驱动器4条通道。IBM此次宣称其推出了全球首款24抽屉PCIe直连系统确实没错,只是Supermicro在三年之前就已经推出了20块驱动器的版本。
根据蓝色巨人的介绍,与此前基于SAS的Power存储方案相比,PCIe直连选项将为Power服务器带来以下好处:
· 将直连IBM存储的每TB成本降低62%;
· 带来近10倍的I/O带宽(GBps)和高达3.7倍的每秒I/O操作(IOPS);
· 能够在单一E1080上直连最多1.2 PB的存储容量(单抽屉153 TB,最多可支持8个抽屉),并将每瓦容量提升超85%;
· 为大型关键数据库应用扩展必要的闪存系统容量;
· 本机引导最多可支持24个分区。
E1080是IBM推出的五款Power 10系列产品中的旗舰型号:
E1080提供8到32个PCIe gen 5适配器插槽(每节点8个),每个节点最多可支持4个扩展抽屉,可接入PCIe gen 4适配器。由此计算,每个系统(处理器)节点可支持6 x 16个PCIe gen 4,或者8个PCIe gen 5加2 x 8个PCIe gen 5 I/O薄型扩展槽(4节点系统中最多支持4 x 8即32个)。
IBM i产品线的技术更新将于今年5月发布,其中包括IBM Navigator for i改进,允许最终用户和系统管理员更好地访问、管理并监控自己的IBM i环境。由于SQL引擎能够利用Power 10的功能,因此运行复杂计划数据查询的客户将可借此实现性能提升。
IBM还为其Power 10 i环境提供磁带备份选项,包括:
· 新的4端口12 Gbps SAS适配器,速度至少相当于现有SAS适配器的2倍;
· 直连8 Gbps光纤通道磁带库或独立磁带存储设备;
· 支持LTO9磁带存储技术。
最后,IBM还与FalconStor Software合作,通过FalconStor提供的StorSafe虚拟磁带库(VTL)产品为Power工作负载提供企业级数据保护、灾难恢复、勒索软件保护和云迁移功能。该VTL能够为云和本地设施提供备份,因此用户可以将Power Systems工作负载迁移、备份和恢复至Power Virtual Server。它与备份软件配套使用,借助集成的重复数据删除技术清理冗余数据副本,借此降低容量要求并最大限度缩短复制时间。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。