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
前OpenAI首席技术官Mira Murati创办的AI初创公司Thinking Machines Lab宣布推出"交互模型"技术。不同于现有AI的轮流对话方式,该模型采用"全双工"技术,能在接收输入的同时生成响应,实现类似真实电话通话的自然交互。其模型TML-Interaction-Small响应速度达0.40秒,优于OpenAI和谷歌同类产品。目前仍处于研究预览阶段,计划数月内开放有限测试,年内正式发布。
香港大学与哈尔滨工业大学联合发布的这项研究(arXiv:2605.06196)发现,大语言模型在扮演不同社会层级角色时,内部神经网络存在一条清晰的"粒度轴",从普通个人视角延伸至全球机构视角。这条轴是AI角色空间的主导几何方向,可被测量、被跨模型复现,并通过激活引导技术加以操控,为AI社会模拟的可信度评估和角色视角的主动调控提供了新工具。
澳大利亚各州及联邦能源部长在近期会议上达成共识,要求数据中心通过投资新建可再生能源和储能设施,完全抵消其电力需求。除昆士兰州外,所有州均支持该提议。联邦能源部长克里斯·鲍文表示,数据中心是新增能源需求的最大驱动力之一,应成为电网的助力而非负担。澳大利亚能源市场委员会将于7月前提交具体实施建议。数据显示,到2030年数据中心用电量预计将增至现在的三倍。
华盛顿大学研究团队发现,在AI数学推理训练中,将随机拼凑的拉丁文占位词(Lorem Ipsum)添加到题目前,能帮助AI突破"全部答错、训练停滞"的困境,在多个模型上平均提升推理得分2.8至6.2分。研究揭示了有效扰动的两个关键特征:使用拉丁语词汇避免语义干扰,以及保持较低困惑度确保AI能正确理解题目内容。