StorPool 正在开发一款基于其存储阵列之间站点到站点复制技术的 Linux 虚拟机灾难恢复引擎 (DRE)。
与 VMware 类似,Linux KVM (基于内核的虚拟机) 系统也有运行虚拟机的虚拟机管理程序。虚拟机从存储系统加载,在运行过程中会对存储的数据进行更改。当 StorPool 提供外部存储阵列时,主系统中的这些更改可以复制到远程的次级 StorPool 系统。如果主系统因任何原因发生故障,虚拟机可以在次级站点重新启动并使用复制的数据。
StorPool 表示,这种基于虚拟机的灾难恢复数据复制在 VMware 环境中很常见。他们在博客中写道:"在 KVM 环境中没有与 VMware Live Site Recovery (VLSR,前身为 VMware Site Recovery Manager (SRM)) 相对应的灾难恢复解决方案。" KVM 领域缺乏跨站点智能,这意味着任何灾难恢复方案都需要由第三方提供或自行创建和管理。第一种选择可能成本高昂,第二种选择则困难且需要持续维护。
StorPool 博客称:"通过 StorPool 灾难恢复引擎 (这是 StorPool Storage 解决方案的内置组件),组织可以配置远程站点的数据复制策略,并自动化站点之间的故障转移 (和故障恢复)。"
StorPool 作为完全托管服务/存储即服务 (STaaS) 提供,DRE 已集成到 StorPool 现有的许可中。多个站点的 StorPool 集群和系统可以通过单一控制台进行管理,支持 CloudStack、OpenNebula、OpenStack 或 Proxmox 等云编排工具。该公司表示,许多服务提供商客户都使用 StorPool 的 RESTful API 构建自己的管理工具。
复制可以是主动-被动和一对一的,即活动主站点将数据和虚拟机恢复点复制到被动次级站点。故障转移是自动化的,但不是自动的;需要人工启动切换。
两个数据中心之间还可以采用一对一、双向、主动-主动的方式,每个站点都复制到另一个站点。如果一个站点发生故障,剩余的单个站点将启动远程站点的复制虚拟机并运行两个工作负载。
多对一灾难恢复选项成本较低,可以让多个活动主站点复制到单个次级站点,通常位于不同的地理区域。这种思路认为灾难可能只会影响一个站点,同时影响两个或更多站点的风险极低。
另一种选择是让多站点主动-主动系统将每个站点的部分虚拟机复制到一个目标站点,其他虚拟机复制到不同站点,形成多站点网格。博客表示,这允许在多个站点之间进行负载均衡。"你可以将其视为多个双向站点对组成的更大解决方案。" StorPool 建议:"这种模式可能非常适合运行和支持多区域云的客户。"
RapidCompute 是巴基斯坦卡拉奇的一家网络托管企业。首席技术官 Imtiaz Khan 表示:"StorPool 的灾难恢复 (DR) 引擎已成为 RapidCompute 产品的关键组件,使我们能够将高级 DRaaS 功能集成到基于 KVM 的 OpenStack 云平台中。"它可以"始终如一地满足严格的 RPO 和 RTO 目标。"
StorPool 的灾难恢复引擎可以保护包含数十到数千个虚拟机的环境。目前处于公开测试阶段,计划于 2025 年第二季度正式发布。
好文章,需要你的鼓励
微软高级软件工程师Alice Vinogradova将自己用SAP ABAP语言编写的向量数据库ZVDB移植到了搭载Z80处理器的经典计算机Sinclair ZX Spectrum上。她发现ABAP(1983年)和Z80(1976年)几乎是同时代产物,都诞生于内存珍贵、每个字节都很重要的计算时代。通过应用Z80优化技术,尽管时钟频率相差857倍,但代码运行速度仅慢3-6倍。她认为这些老式优化技术具有普遍适用性,在现代硬件上依然有效。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
韩国电子巨头三星宣布收购美国西雅图数字健康技术公司Xealth,进一步扩大在健康领域的布局。Xealth专注于帮助医疗专业人员将数字健康技术整合到日常实践中,与70多家数字健康技术供应商合作,应用覆盖美国500多家医院。此次收购将推动三星向连接医疗保健平台转型,结合其在传感器技术和可穿戴设备方面的优势,完善Samsung Health平台功能。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。