数据基础设施厂商NetApp宣布正在更新自己的企业存储产品组合,推出了几款可提升整体性能的全新中端全闪存阵列。
NetApp还宣布对基于混合云的软件定义对象存储服务NetApp StorageGRID进行了一些更新,为客户提供更高的密度和性能。
此次宣布推出的新系统包括NetApp AFF A系列产品组合的新型号,例如NetApp AFF A20、AFF A30和AFF A50全闪存阵列。与该系列的高端型号一样,这些中端全闪存阵列旨在为客户带来了升级的特性,包括亚毫秒级延迟和比上一代阵列高2.5倍的性能。
NetApp表示,其他优势还包括保证存储效率、集成实时勒索软件保护和提高存储密度,而且这些新阵列系统都是由NetApp旗舰存储管理软件NetApp ONTAP提供支持的。
NetApp在今年5月推出了AFF A系列的首款系统,旨在消除存储孤岛和复杂性、加速高级工作负载并优化存储成本。NetApp表示,作为一种统一的通用存储解决方案,这些系统适用于任何类型的数据,可以和任何应用或者云搭配使用。
这些系统支持块、文件和对象存储协议,并且可以与AWS、Google Cloud和Microsoft Azure进行本地集成,使企业能够整合多个工作负载,降低数据成本,并在没有孤岛的情况下运行。
NetApp表示,新的AFF A20阵列面向希望从小处着手或者只是在远程和分支机构构建现有存储基础设施的客户,每个阵列的容量低至15.35 TB。AFF A30阵列面向那些希望从小处着手并扩大规模的客户,存储容量提升至超过1PB。AFF A50提供了相同的容量,但性能是其前代产品的2倍,而且机箱体积小得多,只占用三分之一的机架空间。
NAND Research分析师Steve McDowell表示,A系列产品是NetApp产品组合中一个有趣的新成员,它把闪存存储带入了企业的新领域。由于它的物理占用空间减少且最低容量更低一些,所以可以把闪存安装在大型企业数据中心之外,例如远程和分支机构等边缘位置,而这些位置以前部署此类系统是不实际的。
“它们是不错的产品,NetApp设法大幅缩小了占用空间并降低了功耗,同时提供了与竞争产品相当的性能水平,”McDowell说。
除了A系列,NetApp还增强了AFF C系列产品线,旨在为统一文件、块和对象存储协议中的通用工作负载提供更大价值。AFF C系列提供了最大的密度和效率,并具有可扩展的能力,新型号包括AFF C30、AFF C60和AFF C80系统,使企业更容易获得闪存带来的性能和效率提升。
NetApp表示,客户可以从C系列阵列的双机架部署中获得最多1.5 PB的存储容量,与上一代相比,优势包括节省了高达95%的占地面积,节省高达97%的电力。
McDowell表示,他对新的C系列阵列印象深刻,该系列把容量闪存带入了以前一直由传统硬盘主导的领域。
他说:“这些阵列将全闪存扩展到近线存储这个旋转硬盘仍然占主导地位的领域,如果这种趋势持续下去,那么硬盘占主导地位的日子可能就不多了。”
NetApp高级副总裁、企业存储总经理Sandeep Singh表示,这些新阵列将帮助企业应对数据量的持续增长和IT工作负载日益增长的容量需求。
“面临这些挑战的客户可以依靠NetApp提供持续创新,这一点从发布功能更强大、更智能、更安全的NetApp AFF A系列系统和可扩展、高效、更安全的NetApp AFF C系列系统就可以看出,”他说。
至于NetApp StorageGRID,此次更新主要是为了帮助客户扩展和管理不断增长的对象存储工作负载。StorageGRID 11.9版本增加了存储桶数量,从而提高了可扩展性,并通过设置仅元数据和仅数据节点的选项提高了灵活性。
同时,NetApp StorageGRID扩展了对60 TB闪存驱动器的支持,这意味着它凭借高出2倍的密度支持对象存储的部署。
好文章,需要你的鼓励
谷歌宣布为Chrome iOS版推出新功能,用户可在工作和个人谷歌账户间轻松切换,无需反复登录登出。该功能支持托管账户浏览,实现严格的数据分离,工作账户的标签页、历史记录和密码等本地数据与个人浏览完全隔离。随着企业不再提供公司手机,员工常需在个人设备上访问公司资源,此更新有助企业允许员工使用自选设备。
复旦大学研究团队开发的AnyI2V系统实现了从任意条件图像到视频的生成突破。该系统无需训练即可处理多种输入模态(包括3D网格、点云等),支持用户自定义运动轨迹控制,并通过创新的特征注入和语义掩模技术实现了高质量视频生成,为视频创作领域带来了革命性的便利工具。
OpenAI宣布其最新实验性推理大语言模型在2025年国际数学奥林匹克竞赛中达到金牌水平。尽管机器在数学推理、代码生成等认知任务上表现卓越,但这并不意味着它们具备真正的智能。机器缺乏知识迁移能力、情感理解、自我意识、内在动机等关键特征。它们无法像人类那样灵活适应新环境,也不具备主观体验和意识。真正的智能需要多方面综合能力,而非仅仅在特定任务上的优异表现。
斯坦福大学研究团队开发了KL-tracing方法,能让视频生成AI模型在无需专门训练的情况下进行精确物体追踪。该方法通过在视频帧中添加微小追踪标记,利用模型的物理理解能力预测物体运动轨迹。在真实场景测试中,相比传统方法性能提升16.6%,展现了大型生成模型在计算机视觉任务中的潜力。