HPE在本周一推出了最新版本的HPE GreenLake for Block Storage built on HPE Alletra Storage MP,并称这款产品是存储行业第一款分离式横向扩展块存储,具有更高的性能和容量可扩展性以及100%的数据可用性,为所有类型的工作负载提供保证。
HPE公司块存储产品管理副总裁Sanjay Jagad表示,去年4月HPE新增了服务和混合数据保护功能,其中包括一款使用了HPE GreenLake for Block Storage built on HPE Alletra Storage MP的分离式横向扩展块存储架构。
Jagad表示,去年4月HPE发布了业界首个分离式块存储解决方案,打破了过去几十年来几乎没有发生改变的存储设计类型。
“我在存储行业已经有25年的时间了。存储设计从来没有改变过,就是在一个盒子里配置HA(高可用性的)控制器。然后人们生产盒子,在边缘添加存储空间,然后将聚合在一起。现在,市场、应用和工作负载都在发展变化中。”
Jagad表示,企业正在寻找一个能够提供巨大价值且非常动态的存储平台,因为这些企业通常不知道未来的下一个工作负载是什么。
Jagad表示,分离式存储是一种架构,其中存储的计算、网络和容量部分都是可以独立扩展以满足应用需求的。
他说:“例如,如果应用需要更高的性能,我是否可以仅仅是把计算节点添加到横向扩展存储中,而无需添加更多存储JBOD(只是一堆磁盘),反之亦然。如果我的应用需要更多存储空间,我可以继续添加更多容量吗?因此根据应用的需求,我可以在不同维度上扩展解决方案,无论是计算、存储还是NVMe结构,构建更大型的集群,让服务提供商或大型企业可以在其上构建他们的私有云。”
Jagad表示,HPE正在通过第三代HPE GreenLake for Block Storage built on HPE Alletra Storage MP增加新的多节点交换模型,与之前的版本相比,性能提高了1倍,容量提高了2.5倍。
他说,在性能方面,该版本引入了新的双控制器节点和四控制器节点交换模型,提供了16核或者32核的配置选择,与之前的双控制器节点无交换机模型相比,性能提高了1倍,而后者更多地限制了在中型企业工作负载中的使用。
Jagad表示,在容量方面,HPE现在支持多达8个JBOF扩展架,每个扩展架支持每个机箱8到24个SSD,从而实现从15.36 TB到约2.8 PB的无中断扩展。SSD可以以两个驱动器为增量进行升级,而JBOF则可以以1个盘架为增量进行升级。
第三代HPE GreenLake for Block Storage built on HPE Alletra Storage MP还增加了基于AI的扩展性能报告和分析功能,帮助企业简化云管理,将数据压缩四倍以降低容量需求,而且新增了对NVMe-oF/TCP的支持,可以利用NVMe over Ethernet网络。
Jagad表示,HPE GreenLake for Block Storage built on HPE Alletra Storage MP还使HPE能够提供100%的数据可用性保证以及预测性能,即使集群中的多个节点丢失也是如此。
他说:“我们确实可以提供一种永远在线的基础设施体验,我的意思是,各代技术的更新都是无缝的。你现在基本上可以进入一个更新的平台了。......我可以引入、混合和匹配几代技术,慢慢淘汰旧技术。”
Jagad表示,HPE GreenLake for Block Storage built on HPE Alletra Storage MP是HPE改变存储系统设计方式过程中的一个重要里程碑。
“它在某种程度上实现了我们的愿景,即为所有工作负载提供专门构建的云原生存储,我们正在讨论从传统到现代云原生、从边缘到云的工作负载,这让我们现在基本上可以开始考虑如何在这个竞争相当激烈的块存储行业中获得更多的市场份额。”
Jagad表示,HPE GreenLake for Block Storage built on HPE Alletra Storage MP与HPE GreenLake云体验紧密结合,利用AIOps帮助简化客户面临的许多运营挑战。
“我们在简化这一过程方面取得了重大进展,我们对InfoSight进行了扩展,你现在可以进行某些与人工智能相关的分析,例如工作负载漂移,因此当工作负载出现时,你会发现某些工作负载由于某些性能和一些用户采取的某些操作而发生漂移,你会看到这产生了怎样的影响,以及可以采取哪些缓解措施。因此,围绕AIOps的新工作方式以及该产品如何通过GreenLake云平台简化操作方面,你可能会看到更多内容。”
Jagad表示,渠道合作伙伴可以利用该技术构建一个平台,平台从面向中端市场客户的2U设备开始,然后以分散的方式扩展到需要多个节点的企业,帮助他们改造数据中心。
“相同的架构可以用于边缘和核心,合作伙伴现在有一种方法可以真正意义上连接边缘到核心云中的这些内容。通过这种架构就可以轻松实现这一点。”
他表示,HPE GreenLake for Block Storage built on HPE Alletra Storage MP可供与中小型市场或企业客户合作的渠道合作伙伴广泛使用。
“我们有很多合作伙伴曾经喜欢并销售Nimble Storage(惠普于2017年收购),现在他们需要面向中端市场的产品,我们可以满足他们的需求,我们还可以和在中端市场和入门市场从事库存型和速度型业务的合作伙伴展开合作。然后,我们也有大型企业合作伙伴,甚至是作为服务提供商或系统集成商的分销商,他们可以利用这一点来扩展和构建私有云,或者为大型企业客户提供咨询,这些客户不仅正在规划他们的核心数据中心,还有灾难恢复站点等等。”
Jagad表示,该技术的2U单元起价可低至35000美元以下。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。