数字化时代背景下的企业竞争,决胜关键是往往是快速发展。谁的决策速度与执行速度快、谁就能跻身市场赢家。因此为了追求极致效能,近年愈来愈多企业斥巨资引进国际品牌的 NVMe 全闪存存储(AFA),希望由此更加快速得推动数字化发展的进程。
NVMe快速发展 大兆极存全闪存产品抢先机
去年,随着行业内全球前五大存储系统商竞相推出「All NVMe」AFA 产品,让 NVMe 名词转趋热门。然而什么是NVMe呢?并非换一张卡就可称之 All NVMe,需要从客户端、AFA 服务器端一路到存储媒介端,全程走 NVMe 传输协议,其间没有协议转换,才能算正统 All NVMe 架构,使性能提升到最高、延迟降至最低。
大兆极存紧跟国际潮流经过几年的产品技术研发率先发力 AFA,直接投入最新的 NVMe架构,不走搭载 SATA/SAS SSD 的旧架构,孕育 出全新的VirtualStor® FlashGo产品以及解决方案。
VirtualStor® FlashGo有FlashGo/S, FlashGo/E与FlsahGo/P三种型号,前两者为2U机箱,定位是入门机型,后者则为2U+2U机箱,定位是高性能机型,都为双控制器,所采用的2U24 NVMe JBoF支持多组RAID,使用者可透过直连式NVMe进行纵向扩展。
自研操作系统 六大特点引领全闪存头部技术
操作系统部分,VirtualStor® FlashGo采用SIMOStor OS软件,除可达到数据减量目标外,相较于市场同类型产品的可使用容量多为60%,此平台则可达到70%,并具备灾难复原、实时数据压缩、实时重复数据删除功能,内部的VMware VAAI,可让主机将特定存储相关的服务卸载至存储系统,光纤通道则大幅提升传输速率,降低数据延迟。固态硬盘方面,搭载采用慧荣科技控制芯片的企业级 PCIe NVMe SSD,有2TB与4TB两种eTLC NAND可供选择,Smart Dual-Port可故障转移与SSD寿命预测两大功能,可优化存储设备的可用性。
VirtualStor® FlashGo总体上具有六大优势特点首先是高达1.2M的IOPS,大幅提升数据读写速度,;第二个特点是双节点控制器,通过此设计所打造出端对端纵向扩展与100Gb双网卡特色。第三数据减量,内建采用Fingerprint算法(SHA1)的重复数据删除引擎,以及采用lz4算法的压缩引擎。当数据输入时,系统会先找出重复数据并删除,再交由lz4算法压缩数据量,透过这两个算法引擎,数据可减量3:1;第四可将 SSD 分为四个 RAID 群组,每群组各有12个硬盘;第五自研的 SIMO RAID6 保护,在配置三或四个 RAID 组前提下,最多都能允许4颗SSD故障;第六可用性高,通过双节点控制器、双端口网络卡、备用电源等设计,可用性达 99.9999%;
除上述特色功能外,一般 AFA 产品普遍具备的存储功能、快照、克隆、快速克隆、远程复制、精简配置、完整配置、Volume QoS 等等功能,VirtualStor FlashGo 皆能完全支持。
全闪存阵列正在改变大型企业中大多数应用装配存储的方式。随着行业和网络环境的加速发展,数据与数据掌握能力已然成为企业抢占市场先机的关键,尽管和硬盘相比,全闪存阵列每TB的价格要高,但全闪存阵列性能显著提升意味着全闪存阵列提供了与以往有所不同的虚拟数据中心运作方式,企业和用户将体会到全闪存带来的便捷。大兆极存VirtualStor® FlashGo经过几年的沉淀已加入到全闪存发展的蓝海中,将会提供给企业和用户更多更专业的闪存解决方案,满足企业一站式采购需求。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。