在我们教孩子修理自行车时,我们可能会告诉他要把车闸进行调整,或者把某个零件卸下来进行更换等。而部署虚拟桌面基础设施(VDI)的过程,与修理自行车其实大同小异,唯一的区别往往在于细节问题。糟糕的用户体验就意味着低的用户普及率。大部分VDI领域的专业人士也认同,存储性能或存储性能缺乏是阻碍成功部署VDI的最大难题。
VDI部署对于不同的环境而言所起到的作用不一样,且汇集了基于服务器和分布式计算模型的所有优势。然而,在不同的企业环境下VDI部署必须谨慎,因为不同的环境可能存在独特而鲜明的I / O特性。性能峰值和不可预知的用户负载都可能挑战VDI设计。启动风暴和登录活动是读密集型操作而且对于处理进程非常苛刻。其他运行活动,如应用风暴,则多是写密集型,会加重整个系统的负担。当多个用户活动中同时具有高读需求I / O和高写需求I / O,并且同时访问相同的应用,I / O性能无法保持,而且会影响整个SAN阵列,从而导致启动时间延长,以及令人沮丧的用户体验。
以下调查数据来自于2014年2月份QLogic FabricCache 和VDI webinar的调研,结果表明,VDI的I/O特性存在多样性。
那么您如何搭建能够满足这些不同I/O特性的VDI解决方案呢?传统的做法是升级存储阵列。硬盘在容量上存在很大的优势,但是性能上却很欠缺。所以,通过升级阵列并不是一个好方法。并且在解决存储性能问题上,上述做法还会导致系统配置远超出需求的容量,从而大幅增加整个系统的采购成本。
FabricCache是一款为共享应用性能加速数据存取的独特解决方案,可以将行业领先的FC适配器和缓存智能以及I/O管理卡整合到一起。所有的缓存和SSD管理都通过该板卡处理。FabricCache 简化了缓存,并且对主机服务器、OS和应用都是透明的。
如果采用磁盘,要支持500个虚拟桌面的性能,需要625块磁盘。这个数量相当于整个数据中心机架配满磁盘,还要消耗约26000瓦能源来满足电力和散热需求。FabricCache可以让你在最需要的地方实现性能加速。只需一块适配器就可满足约750台虚拟桌面的性能需求。换句话说,一块FabricCache适配器可以提供等同于937块磁盘的性能,并且成本、空间、电力和冷却需求方面却远低于937块磁盘。
另外一个好处就是缓存和加速读请求。当您现有的存储阵列不必浪费CUP周期来处理读操作,它就可以有更多的时间来处理写操作或VDI客户端。你现有的存储实际会变得速度更快,且SAN带宽得到更有效的利用。通过减少对现有存储和SAN设备的使用,可以延长SAN的使用寿命,实现更好的投资回报率,并能够延缓甚至消除未来的SAN升级需求。
这是一条漫长的道路,但企业正在逐渐改变他们对桌面交付方式的态度,并认为VDI是一种强大而有效的工具。所以VDI简单得就像教孩子如何换自行车刹车一样。最大的区别在于细节,而FabricCache是一个确保成功VDI体验的非常合适且专业的工具。
好文章,需要你的鼓励
谷歌正式发布JAX-Privacy 1.0,这是基于高性能计算库JAX构建的差分隐私机器学习工具包。该库集成了最新研究成果,采用模块化设计,使研究人员和开发者能够更轻松地构建差分隐私训练管道。JAX-Privacy提供梯度裁剪、噪声生成、批量选择等核心组件,支持大规模分布式训练,已成功应用于VaultGemma等先进模型的训练中。
清华团队开发DKT模型,利用视频扩散AI技术成功解决透明物体深度估计难题。该研究创建了首个透明物体视频数据集TransPhy3D,通过改造预训练视频生成模型,实现了准确的透明物体深度和法向量估计。在机器人抓取实验中,DKT将成功率提升至73%,为智能系统处理复杂视觉场景开辟新路径。
谷歌量子AI团队发布新理论成果,展示大规模量子计算机可解决传统计算机无法处理的优化问题。研究团队开发出解码量子干涉算法,利用量子力学波动性质创建干涉模式,找到经典计算机难以发现的近似最优解。该算法将优化问题转换为解码问题,配合先进解码算法实现量子加速。研究成果为量子计算应用提供新工具包。
字节跳动研究团队提出了专家-路由器耦合损失方法,解决混合专家模型中路由器无法准确理解专家能力的问题。该方法通过让每个专家对其代表性任务产生最强响应,同时确保代表性任务在对应专家处获得最佳处理,建立了专家与路由器的紧密联系。实验表明该方法显著提升了从30亿到150亿参数模型的性能,训练开销仅增加0.2%-0.8%,为混合专家模型优化提供了高效实用的解决方案。