N2WS 宣布其最新备份软件可提供跨 AWS、Azure 和 Wasabi 的云端备份功能,声称这不仅可以降低成本,还能为 Azure Blob 和 Wasabi S3 提供直接的冷层存储备份。
N2WS (Not 2 Worry Software) 的备份方案采用云原生、平台无关的块级快照技术,旨在为 Azure、AWS 和包括 Wasabi S3 在内的第三方存储提供高速读写访问。该公司按虚拟机收费,而不是按虚拟机大小计费。N2WS 表示他们提供厂商中立的存储方案,并通过其云原生快照技术,实现对云备份的控制,从而带来"巨大的成本节省"。N2WS 是一家专注于备份和恢复的供应商,并未扩展到网络弹性领域。
N2WS 的 CEO Ohad Kritz 在一份声明中表示:"数据保护是我们的专长和核心优势。当其他公司可能会分散精力去开发终端安全或威胁情报时,我们始终专注于确保客户能够应对不断演变的 IT 威胁环境。"
N2WS 表示其备份与恢复 v4.4 版本提供以下功能:
- 通过使用 Azure Blob 可节省高达 80% 的长期 Azure 存储成本,相比 Azure Backup 具有更可预测的成本,新增按虚拟机定价 (5美元) 和优化的分层存储 - 与低成本的 S3 兼容 Wasabi 存储实现无缝的跨云自动归档 - 通过与 AWS 和 Azure 的直接 API 集成,实现更快速、更具成本效益的灾难恢复,并提供更强的不可变性 - 新的自定义标签提高灾难恢复效率,改进故障转移和故障恢复 - 定向备份重试功能,仅重试失败的资源以节省备份时间和成本
分层 Azure 备份类似于 N2WS 现有的 API 关联的 AWS 分层。Azure 虚拟机备份定价基于虚拟机和卷大小。N2WS 举例说明,如果在一个虚拟机中有 1.2TB 的数据,使用 Azure Backup 的成本将是 30 美元加存储费用,而使用 N2WS 相同虚拟机只需 5 美元加存储费用。
据悉,N2WS Azure 客户还可以选择跨订阅和跨区域灾难恢复,通过异地数据存储获得更好的保护。
跨云备份和自动恢复在不同的云中提供隔离的备份存储,避免了与 Azure Backup 等服务相关的供应商锁定风险。
N2WS 使用备份标签来识别数据源并应用备份策略。例如,AWS EC2 实例、EBS 卷和 RedShift 数据库都使用键值对进行标识。N2WS 扫描标签并对每个标记的数据源应用正确的备份策略。如果标签发生变化,可以自动应用不同的备份策略。
该公司表示其增强的恢复场景引入了自定义标签,支持保留备份标签并添加固定标签,如标记灾难恢复目标。这一改进增强了故障转移期间原始目标和灾难恢复目标之间的区分。v4.4 版本具有策略执行失败的部分重试功能,只重试失败的源,而不是所有源。
N2WS 备份与恢复 v4.4 版本现已全面上市。
好文章,需要你的鼓励
据《华尔街日报》报道,在马斯克针对OpenAI的诉讼失败后,OpenAI正加速推进IPO计划。CEO萨姆·奥特曼希望公司最快于今年9月上市,目前已与高盛、摩根士丹利合作,并可能在数日或数周内秘密提交上市申请。与此同时,马斯克旗下SpaceX的IPO文件也预计近期公开。两家公司的上市竞争,标志着马斯克与奥特曼的博弈从法庭转移至资本市场。
KAIST团队提出策略助推方法,通过强制分配解题方向引导AI探索多样思路,仅用八份样本就超越了消耗八倍资源的传统方法。
调查显示,51%的专业人士认为AI生成的低质量内容(即"workslop")正在降低生产效率,45%的人因此对职场使用AI更加谨慎。这类内容表面精致却缺乏准确性和实质价值。专家建议两步应对:一是重塑AI生产力思维,推行"AI先行、人工复核"的工作模式;二是保持持续投入,深入掌握AI工具的有效用法。企业领导者强调,真正从AI中受益需要坚持与学习,而非浅尝辄止。
要理解这项研究,先得明白现在的AI是怎么"画"图的。 可以把AI生成图片的过程想象成一个特殊的厨房。当AI要学会画图时,它不会像人类画家那样一笔一画地描绘,而是采用一种叫做"自回归"的方式——简单说就是"一个食材接一个食材地添加"。但问题在于,AI厨房处理的"食材"不是真实的图像像素,而是一种被压缩过的"标准化食材包"。 这个压缩过程,叫做"离散分词",由一个叫"分词器"(tokenizer)的设备完成。打个比方,分词器就像一台高级的食材切片机,它把一整张图片切成很多小块,然后给每一小块贴上一个"编号标签",对应到一本"标签字典"(也就是研究者口中的"码本")里的某个条目。比如,标签001可能代表"蓝天的一小块",标签002代表"绿草的一小块"。 这种做法的好处是大幅简化了AI的工作量——它不用记住几百万个像素,只需要记住一串编号就行了。这就是为什么如今像Chameleon、Emu3这些大名鼎鼎的多模态AI模型都用这种技术。 但问题也恰恰出在这里。当切片机以16倍的压缩率工作时(也就是说原本256个像素被压缩成1个标签),很多细节就被无情地丢弃了。蓝天少一些云彩、草地少几根草尖,人眼几乎看不出来。可一旦切到了文字或人脸,灾难就发生了——一个英文字母"e"和"c"的差别可能就在那么几个像素,一张脸上眉眼的位置稍微挪一挪,整个人就变了样。 研究团队发现,认知科学研究早就指出,人类的视线会不自觉地被文字和人脸吸引,对这两类内容的细节扭曲特别敏感。换句话说,AI画其他东西糊一点没关系,但文字和脸糊了,用户立马就能察觉。 之前的研究者也意识到了这个问题,他们的解决思路通常是"加大切片机的容量"——比如把标签字典从1万6千条扩展到26万条,或者让每张图用更多的标签。但这就像为了切好一根胡萝卜而把整个厨房改造成大型工厂,成本高得离谱,而且效果也不见得好。 清华和微软的团队提出了一个完全不同的思路:与其让切片机变得更大,不如教它学会"看重点"。 二、给切片机装上"火眼金睛"