Microsoft 为其 Azure 公有云服务的基于磁盘的文件存储提供了一种更可预测的计费方式,类似于其 SSD 文件存储的预配置模式,作为按量付费系统的替代选择。
Azure 有两种文件存储层级:使用快速 SSD 存储的 Premium 层级和使用硬盘驱动器 (HDD) 的 Standard 层级。Premium 采用基于创建文件共享时容量的 Provisioned v1 模型计费。用户选择所需容量后,Azure 根据容量分配 IOPS 和吞吐量 (带宽)。要获得更多 IOPS 和/或吞吐量,必须配置更多容量。
按量付费模型是对基于 HDD 的文件存储按使用容量、吞吐量和数据传输成本计费的标准方式。它有三个访问层级:面向交易密集型工作负载的交易优化层级、用于平衡容量和交易需求的热访问层级,以及面向容量为中心工作负载的冷访问层级。Azure 在存储账户级别而非文件共享级别监控此方案,这使得文件共享成本难以确定。
Azure 存储首席产品负责人 Vybava Ramadoss 表示:"基于使用量的定价可能非常难以理解和使用,因为很难或无法准确预测文件共享的使用情况。"
Microsoft 现在为 Standard (基于 HDD) 文件存储层级提供了 Provisioned v2 定价模型。与 Provisioned v1 模型不同,用户可以为文件共享单独配置容量、IOPS 和吞吐量。不过,Azure 将"根据您选择的预配置存储量为您推荐 IOPS 和吞吐量配置"。
Provisioned v2 文件共享的大小可以从 32 GiB 扩展到 256 TiB,IOPS 最高可达 50,000,吞吐量可达 5 GiB/秒,用户可以根据需要动态调整应用程序的性能,无需停机。
Azure 增加了 Provisioned v2 文件共享特性,相比按量付费方案有所提升。
Azure 使用五个指标监控此定价模型下的文件共享使用情况:
按最大 IOPS 的事务数,提供指定时间粒度内使用的最大 IOPS。
按最大 MiB/秒的带宽,提供指定时间粒度内使用的最大吞吐量 (MiB/秒)。
文件共享预配置 IOPS,按小时跟踪共享的预配置 IOPS。
文件共享预配置带宽 MiB/秒,按小时跟踪共享的预配置吞吐量。
IOPS 突发信用,帮助您跟踪 IOPS 使用情况与突发之间的关系。
Provisioned v2 定价模型目前在北美、南美、欧洲和亚太地区的 24 个 Azure 区域可用。
相比之下,Azure NetApp Files 具有基于 1 TiB 增量的 Standard、Premium 和 Ultra 存储层级。这些层级针对单重加密、双重加密和冷层访问的定价不同,在容量基础上基本上要贵得多。
Azure Native Qumulo 实例分为热层和冷层,热层起价为 3,700 美元/月,冷层起价为 2,500 美元/月。使用量计费基于容量、吞吐量和 IOPS 指标。表格比较了 Azure Files、NetApp 和 Qumulo 在 Azure 中的文件服务的基本容量/月价格,已标准化为每 GiB 数字。
此表仅提供基本容量价格。各种文件存储服务的完整价格比较需要考虑吞吐量和 IOPS 费用,以及可能适用的其他费用,如快照成本。
相比之下,Dell APEX File Storage for Azure 按年度许可容量 (TB) 定价:12 个月为 642.81 美元,36 个月为 1,578.8 美元。Dell 表示,运行该产品的成本是软件计划费用加上运行 Dell APEX File Storage for Azure 软件的 Azure 虚拟机基础设施成本的组合。
目前只有一个软件计划,即集群部署计划,且是免费的。没有按虚拟机实例定价的详细信息。
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。