Veeam近日宣布在备份即服务市场推出几款新产品:Cirrus by Veeam for Microsoft 365以及Cirrus by Veeam for Microsoft Azure。
Veeam公司首席技术官Danny Allan围绕这次发布进行了预简报,并阐述了此举背后的原因。他表示,这次发布主要是为了让客户能够灵活地选择如何使用Veeam来保护他们的业务,无论是在云端、本地还是两者的组合。
他说:“我们看到消费偏好发生了重大的变化,如果你现在去拜访我们的客户就会发现,有超过50%的客户希望通过即服务型解决方案进行备份,尤其是他们的SaaS服务。”
Veeam从CT4那里收购了Cirrus,从而进入了这一市场。CT4在Veeam的数据备份和勒索软件恢复平台之上开发了这项云原生服务,因此此举也是自然而然的选择。
Allan表示,客户可以直接从Veeam那里购买这一新产品,Veeam还打算将其提供给Veeam云服务提供商以及VAR。随着Veeam完成后端系统的迁移,“Cirrus by Veeam”命名将在明年取消。
“Cirrus的技术完全是云原生的,是运行在Microsoft Azure Functions内的。Azure Functions在Azure SQL Server中写入元数据。这是一个完全多租户的云原生服务。我们所做的是收购了其背后的资产,以及运行Cirrus技术的团队。”
Cirrus为本地Veeam客户提供了三种选择:在云端部署、与服务提供商一起部署、或者以即服务的形式使用。让我们看看这些新产品都包含哪些内容。
Cirrus for Microsoft 365将企业本地的Veeam Backup for Microsoft 365(包括Outlook、OneDrive、SharePoint和Teams)转移到云端,并以即服务的形式进行交付。这项云服务中包含了可定制的备份、灵活的恢复选项以及强大的搜索功能。Veeam表示,该服务简化了Microsoft 365备份,并且是以单一价格捆绑销售的。有趣的是,Allan表示,这是Veeam发布的第一个日本本地化产品。
Cirrus Cloud Protect for Microsoft Azure则是一个完全托管且预配置的备份和恢复解决方案。Veeam称该方案实现价值的时间更短,因为它消除了实施、修补和修复错误配置等耗时的任务。此外,这个解决方案还利用针对Azure Well-Architected Framework构建的备份功能、安全性和FinOps最佳实践。Veeam表示,Cirrus Cloud Protect for Microsoft Azure还拥有可定制的恢复点目标和恢复到任何位置的特点。
Allan表示,Veeam仍然致力于支持Veeam云服务提供商。
他说:“对我们来说非常重要的一点是,我们的VCSP会继续陪伴着我们前进。当我们第一次让客户将备份发送到云端时,我们只允许他们将备份发送到我们的VCSP——我们称之为‘Cloud Connect’。接下来,在大约两三年前,我们添加了将其分层到超大规模公有云的功能,所有人都认为,‘哦,VCSP业务即将消失了。所有人都会将其发送到公有云’。”
Allan说事实并非如此。“仍然有数据进入我们的VCSP,还有一些数据进入AWS和Azure,我预计未来VCSP还将继续发挥非常重要的作用。”
Veeam表示,客户可以通过Azure Marketplace以及其他Veeam和Cirrus分销渠道购买Cirrus产品,而且Veeam很快将宣布进入更多的市场,并于2024年初推出带有Veeam标志的备份即服务产品。
Veeam目前拥有45万家客户,是全球顶级的数据保护和勒索软件恢复提供商,因此进军这一细分市场是非常合适的,很期待看到Veeam对Cirrus的整合结果,以及是否会提供针对Salesforce或者其他任何云服务提供备份服务。
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。