6月15日,深信服成功举办了主题为“以高能力量赋能「高精尖」”EDS分布式存储501高性能版本发布会。本次发布会上,深信服推出了EDS 501高性能版本,破除存储业界在处理海量小文件时的性能难题,深入AI、医疗医院&生物科技、多媒体编辑&娱乐、自然资源&实景三维、芯片&工业设计五大高精尖领域的的真实业务场景,深度适配综合调优,以先进技术帮助用户构筑更高性能、更高性价比的存储体系。
点燃存储卓越性能,激发数据产能
伴随着用户数字化进程加快,传统集中式存储受限于扩展性很难满足创新应用的海量数据存储需求,业务需要更高性能、更大容量的存储系统。相比于只能做第二存储的其它分布式存储,深信服EDS 501版本自研凤凰高性能文件系统以应用为中心,在分布式存储灵活扩展架构的基础上,革命性的提升文件存储性能,使得分布式存储也能承载用户的核心数据生产业务,在激活非结构化数据产能的同时,做到“性能”和“容量”兼得。
对于用户来说,如何发挥数据的价值,是业务发展的关键所在。从用户的实际业务出发,EDS凤凰高性能文件系统针对元数据高并发、小文件低并发、大文件高吞吐和混合负载四种场景进行了针对性的优化,以四大自研核心技术提升存储能力。凭借巨量元数据能力,EDS 501版本可充分发挥各节点的计算性能,百亿规模文件场景下也可做到存储性能稳定一致,内存缓存元数据的规模相比过去可提升7倍,最大化的利用系统资源。自研的全局IO动态整合技术可进一步释放机械盘顺序写的性能优势,业务写IO可在NVMe SSD组成的大性能层进行智能排序整理后写入容量层,解决小文件写放大导致的空间浪费问题,提升混合配置下的数据回刷速度。另外,EDS 501版本还优化了数据的缓存机制,通过客户端内存—存储节点内存—NVMe SSD的自适应三级缓存技术进一步缩短数据路径,将数据时延降至us级。也得益于协议增强支持技术,EDS可以通过更精密的协议设计进一步降低协议对性能的额外开销,缩短软件时延。
精耕五大高精尖领域,告别“千行一面”的存储时代
相较于市面上各类排行榜中的高性能数字,深信服更希望EDS能够躬身入局,真正帮助用户解决存储性能难题,为此,EDS深耕AI、医疗医院&生物科技、多媒体编辑&娱乐、自然资源&实景三维、芯片&工业设计五大领域,打造性能最优、场景适应性最强的企业级存储系统。此次发布会上,清华大学智能产业研究院、上海市肺科医院、中科大洋、武汉大势智慧科技有限公司等高精尖领域的用户与头部行业服务商共同分享存储建设的所感所想。
空口无凭,真金火炼。依靠EDS强力的性能表现,清华大学智能研究院的AI模型整体的研发效率提升了30%;在上海市肺科医院PACS医疗影像业务中,阅片端12秒即可完全加载患者700~800张CT影像;在中科大洋4K超高清非编操作场景中,同时承载12台4K非编(XAVC 500Mb/s,6层)操作也不会出现卡顿现象,视频打包、渲染的效率提升2倍。同时,在存储性能要求更苛刻的实景三维场景下,大势智慧可在一天加载70000张图片影像的前提下,将纹理处理综合效率提升2.1倍,最小规模存储集群即可支撑200台工作站同时建模不掉速。
航天的目标是星辰大海,中国IT的使命愿景是世界前沿。秉承着不破不立的决心,EDS 501版本用全自研技术向世界证明中国IT自有姓名。未来,EDS将持续精进自身能力,与生态伙伴们共同承担起科自强的使命担当,以高能力量赋能「高精尖」,让用户的存储建设更轻松,更从容。
好文章,需要你的鼓励
Kong Research发布的2025年企业大语言模型采用报告基于550名IT领导者调研,揭示了企业生成式AI从谨慎探索转向战略必需的十大趋势:投资大幅增长,72%企业预计支出上涨;谷歌以69%使用率领先OpenAI;企业偏好付费解决方案;安全隐私仍是主要障碍;国际供应商获得认可;混合策略兴起;客户支持和开发者生产力成主要应用场景;开源模型受青睐;成本仍是关键障碍;82%企业对AI影响持乐观态度。
麻省大学团队开发PatchInstruct方法,通过"补丁分解"技术让大型语言模型无需重新训练即可准确预测时间序列数据。该方法在天气和交通预测中表现优异,短期预测误差降低85%,速度提升100-500倍,为实时预测应用提供了轻量级、高效的解决方案,展现了通用AI适应专门任务的新可能。
GenLayer启动首个激励测试网Asimov,推出智能区块链基础设施。该平台结合AI模型和区块链技术,通过大语言模型验证器处理主观决策,为AI代理时代构建去中心化法律基础设施。同时发布Rally营销协议,利用AI自动评估社交媒体内容并分发奖励,品牌可设定规则让系统自主管理影响者营销活动,大幅降低运营成本并提高透明度。
布朗大学与Adobe研究院联合推出MS4UI数据集,专门解决软件教学视频的智能总结问题。该研究收集了2413个Adobe软件教程视频,提出视频分割、文本总结、视频总结三大任务,为软件学习AI开辟新方向。实验显示现有方法表现不佳,凸显了专业领域AI的技术挑战。