Lightbits声称在使用Supermicro服务器硬件进行的基准测试验证中,展示了容器化事务处理领域最快的共享块存储性能。
Lightbits提供通过NVMe/TCP访问的分解式虚拟SAN块存储,可在本地或Azure、AWS、Oracle云端运行。在此次测试中,系统运行在Supermicro CloudDC A+ Server AS-1116CS-TN服务器的本地环境中。两家公司已制定参考架构,涵盖使用Lightbits与Supermicro和Intel(但不包括AMD)部署高性能、可扩展Kubernetes服务器系统。
Lightbits联合创始人兼首席战略官Kam Eshghi表示:"我们联合测试中验证的卓越性能,结合新的Kubernetes参考架构,为客户提供了现代化数据基础设施的强大、灵活且经济高效的路径。"
Supermicro解决方案与技术副总裁Lawrence Lam说:"我们已验证H14服务器与Lightbits存储的组合,并发布参考架构,展示该组合在I/O性能、低延迟响应性和硬件效率方面的显著进步。该解决方案为客户提供用于事务处理和其他高要求工作负载的最高性能共享块存储。"
基准测试配置为:1个AMD EPYC 9575F处理器(64核心,128线程),768GB DDR5(6400MT/s)内存,一个Mellanox MT2910 ConnectX-7网卡,每台服务器配置8个三星3.84TB NVMe SSD(PM1743)。操作系统为Rocky Linux 9.4。
Supermicro和Lightbits表示其基准测试显示:
4K随机读取达到360万IOPS——适用于金融交易平台和实时分析等性能敏感应用。
4K随机写入达到160万IOPS——满足日志记录、日志管理和快速更新频繁变化数据集的需求。
128K顺序读取带宽达54.7GBps——为AI/机器学习训练、视频渲染和科学模拟等需要大块读取的工作负载提供高吞吐量数据传输。
128K顺序写入带宽达16.7GBps——适用于生成大型顺序数据流的应用,包括数据摄取管道和数据仓库。
1RU Supermicro CloudDC A+服务器具有PCIe Gen 5总线和8个热插拔NVMe SATA/SAS驱动器槽。它最多可支持8个M.2 NVMe PCIe Gen 4 SSD,容量从400GB到3.8TB不等,最大可达30.4TB。
Lightbits和Supermicro声称其参考架构可以"无缝将Lightbits存储集成到现有Kubernetes部署中,无需大幅重新架构,为容器化应用和KubeVirt虚拟机提供向软件定义高性能块存储的清晰升级路径"。客户可获得即用型优化系统,"从第一天起就最小化部署复杂性并最大化性能,适用于金融交易平台、实时分析、AI/机器学习训练、电子商务、数据摄取管道和仓库以及科学模拟等广泛用例。"
参考架构验证总共使用6台物理服务器——3台专门运行Lightbits存储节点,3台配置为Kubernetes控制平面和工作节点。
从参考架构文档中发现,它同时涉及Ceph和Lightbits,两者都提供块存储软件。文档指出:"Ceph提供弹性和可扩展的存储解决方案,适用于需要传统文件和对象存储能力的数据密集型应用...同时,Lightbits引入针对NVMe/TCP优化的高性能软件定义存储层,提供低延迟和高吞吐量块存储能力。"实际上,根据工作负载要求,Lightbits补充或替代Ceph传统提供的块存储功能。
Lightbits软件现已在Supermicro CloudDC A+ Server AS-1116CS-TN上可用。
据了解,还有第二个AMD驱动的参考架构。Lightbits的发言人表示:"我们在AMD和Intel平台上都验证了Lightbits,以展示跨不同架构的通用性:AMD(H14)专注于单插槽设置,利用高核心密度和效率实现成本优化的高性能场景;Intel(K8)选择双插槽设置,因其广泛的企业采用率、平衡的性能和与多样化工作负载的兼容性。"
关于在参考架构文档中同时使用Ceph和Lightbits的原因,发言人解释:"Ceph和Lightbits的结合使用解决了Kubernetes部署中互补的存储需求。Ceph设计为可扩展的分布式存储,适用于延迟敏感性较低的工作负载,适合对象、归档和大规模数据保留。Lightbits提供高性能、低延迟的NVMe/TCP块存储,适用于要求苛刻的Kubernetes工作负载,如事务数据库和实时分析。"
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。