日立Vantara已将其虚拟存储平台(VSP)One软件定义存储移植到谷歌云平台(GCP),以提供跨结构化和非结构化数据的单一虚拟"数据平面",包括块、文件和对象存储,覆盖本地、AWS和现在的GCP环境。
VSP One SDS产品线包含两个版本。VSP One SDS是一个软件定义存储平台,可部署在本地、通用x86硬件或日立Vantara专有阵列上,支持虚拟机(VM)或设备形式。VSP One SDS Cloud则专指VSP One SDS的云原生版本,专为AWS和谷歌云平台等公有云环境优化。该版本利用云基础设施(如AWS EC2实例或谷歌云全球基础设施),并包含多可用区(Multi-AZ)支持等云专用功能,以增强系统韧性。
VSP One SDS还获得了双向异步复制、精简配置和高级数据压缩等功能更新。日立Vantara声称,与之前版本相比,这些功能可将云存储成本降低多达40%。
日立Vantara首席产品官Octavian Tanase表示:"通过在谷歌云市场的可用性以及双向异步复制功能的加入,VSP One使我们的客户能够轻松简化混合云运营,同时增强其韧性态势。"
据日立Vantara介绍,VSP One"专为持续可用性而设计,目标正常运行时间达99.999%"。双向异步复制通过允许主站点和辅助站点同时作为源和目标运行,增强了灾难恢复策略。
日立Vantara表示,新的VSP One SDS功能为企业客户提供了更大的灵活性、数据效率、增强的灾难恢复选项,以及跨本地和云环境的简化数据移动性。
在GCP上的VSP One SDS通过最近推出的VSP 360即服务控制平面设施进行管理。该设施管理VSP One混合云部署,提供AIOps预测性洞察和数据生命周期治理,公司声称这种方式既简化了操作又符合合规要求。
评论
日立Vantara正在构建一个混合云VSP One数据架构,据我们了解,该架构覆盖本地、AWS和谷歌云。日立Vantara的电子书声明:"虚拟存储平台(VSP)One是跨结构化和非结构化数据的单一数据平面,包括块、文件和对象存储,使组织能够在任何地方运行所有应用程序——无论是本地还是在公有云中。作为单一数据存储平台,它旨在消除孤立系统和不同存储系统的复杂性,使组织能够轻松安全地访问业务洞察所需的数据。"
消除孤立系统和复杂性的工作已经开始,但还有很长的路要走。VSP One SDS是块存储产品,现在已覆盖本地、AWS和GCP,但尚未支持Azure。VSP One File和VSP One Object虽然支持本地部署,但还没有公有云版本。
Q&A
Q1:VSP One SDS Cloud与普通VSP One SDS有什么区别?
A:VSP One SDS Cloud是VSP One SDS的云原生版本,专门为AWS和谷歌云平台等公有云环境优化。它利用云基础设施并包含多可用区支持等云专用功能以增强系统韧性,而普通VSP One SDS主要用于本地部署。
Q2:VSP One SDS的新功能能带来多少成本节省?
A:VSP One SDS的新功能包括双向异步复制、精简配置和高级数据压缩。日立Vantara声称,与之前版本相比,这些功能可将云存储成本降低多达40%,同时目标正常运行时间达99.999%。
Q3:VSP One SDS目前支持哪些云平台?
A:目前VSP One SDS支持本地部署、AWS和谷歌云平台(GCP)。不过根据评论内容,VSP One SDS还未支持Azure,而VSP One File和VSP One Object产品线目前只支持本地部署,还没有公有云版本。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。