虚拟化遭遇“瓶颈”
在传统数据中心、IT系统建设过程中,最初采用的是应用与存储1:1、2:1、4:1、8:1、12:2等比例对应的物理配置方式,这种静态负载方式所能提供给应用端的性能、容量是完全可以预测,存储质量很有保证。然而这种部署缺乏灵活性,基本采用枯燥的手工操作,往往需要数周的部署时间,容易造成管理孤岛;而且随着使用时间的推移,存储性能越来越差,影响了TCO。
随着云计算的来临,虚拟化成为应用最广的IT系统部署方式;在虚拟化基础架构中,应用业务与存储系统形成了N:1比例的部署方式,即通过虚拟化平台实现对基础架构环境的全局管理和维护;另一个方面,存储虚拟化对SAN/NAS存储系统的整合,是通过SAN/NAS存储协议实现的,能够对部署到不同硬件的存储空间资源实现虚拟化的整合,这种方式满足了过去、当前、以及今后一段时间内的存储整合的需求;也可以说,存储虚拟化开启了存储管理的整合时代。
然而“金无足赤”,随着时间的推移、新型业务的出现,虚拟化的问题也渐渐显露。
如:由于采取N:1对应方式,非固定负载导致存储QoS失去保障;
基于嵌入式内核的存储系统无法提供一个可持续扩展的性能,SAN存储整合软件也只能整合市场或客户现场经过验证的部分型号;
这就在很大层面上的限制了存储整合方案的通用性,而且具备存储整合功能的设备都存在着性能的瓶颈,这就更减弱了存储系统的广泛性应用、限制了未来的发展。
软件定义,比虚拟化更进一步
过往的事实证明,IT环境中当前遇到的各种技术问题在不久的将来都可以实现,因此技术本身没有对问题的解决提供“革命性”的创新。这种情况下,亟需一种新型的存储架构解决存储虚拟化存在的弊端。
这种情况下,出现了一个具有全新思路的解决方案——软件定义存储(SDS)。
浪潮存储作为国产存储厂商的领导者,基于在SAN存储阵列、集群存储、海量存储、存储整合、信息安全等多个领域的技术积累,启动软件定义存储(SDS)产品战略,将异构存储资源抽象成逻辑资源池,以应用为中心,基于策略的自动化方式使用并管理数据,可以保证系统的IO性能控制在一个精准的水平,实现更灵活地管理存储空间资源、物理设备资源。
浪潮软件定义存储架构
软件定义存储的价值与应用
浪潮软件定义存储(SDS)产品战略,通过软件对物理存储设备的灵活管理、部署和供应,满足云计算信息安全、整合传统存储设备、兼容商用硬件平台等业务所需要的融合数据存储需求。
浪潮软件定义存储(SDS)产品战略,涵盖了SAN存储阵列所提供的大容量、高性能、高稳定性SAN存储阵列访问特点,同时融合分布式设计架构、实现对容量/性能无限横向扩展特性的支持,满足大部分集中式SAN存储、特别是云计算环境下分布式SAN存储应用。
浪潮软件定义存储(SDS)产品将启动对IP SAN、FC SAN的兼容性支持,融合千兆、万兆等以太网协议,实现对Flash闪存、SSD固态盘、SAS盘、NL SAS、SATA等多种磁盘介质的支持。软件定义存储(SDS)产品解决方案可以充分发挥现有的存储设备、利用通用的网络交换协议,最大化提升设备的利用率,降低用户的整体拥有成本(TCO)。在提供网络存储系统各项功能的基础上,融合数据保护、容灾功能,是高可靠、智能化的云计算软件定义存储系统平台。
为满足客户对分布式、可扩展存储系统的需求,浪潮软件定义存储(SDS)产品将兼容通用的X86硬件平台,实现对分布式NAS存储协议、分布式Object存储协议的扩展支持。
软件定义存储能够满足高带宽、高IOPS的数据访问和容灾保护需求,适用范围很广。适用于云计算环境中分布式NAS存储,如以非结构化数据为主的NAS存储应用;适用于分布式Object存储,如视频监控、数据备份、网络存储为主的冷数据存储应用;适用于分布式SAN存储、如云桌面为代表的VDI需求;以及适用于结构化数据库存储需求。
软件定义,推动存储新布局
目前软件定义存储方案已经在国家广电总局、华强文化科技产业研究院、财经大学、以及部分省份的警务云、安全厅落地应用,满足了用户对存储系统的无限扩容以及动态伸缩功能的需求。而软件定义存储所带来的存储价值观的转变,将加速未来几年浪潮存储的产品革新和发展,以应用为中心,向软件定义存储引擎层、存储数据资源管理层、虚拟化的数据层的架构演进,带给客户加速融合,弹性可控的软件定义存储新体验。
好文章,需要你的鼓励
这篇论文提出一种插件式2D动作接口,让已训练好的3D运动语言模型无需修改或微调即可直接理解2D姿态输入。实验证明2D输入效果媲美3D输入,且在真实视频场景下配合专门的降噪适配器,2D方案比3D姿态估计更省算力、更实用,为动作理解模型的现实部署提供了新路径。
研究团队让8种AI智能体独立完成100项真实科研任务,深度剖析800份研究轨迹后发现,即便是最强模型,也普遍存在"发现问题却不修正"的现象,背后根源指向AI缺乏检验自身产出、主动纠错的元认知能力。
WorldRover是一套面向可探索世界建模的合成视频数据引擎,基于虚幻引擎构建,能让同一段探索轨迹在保持路线与场景一致的前提下,重新渲染为多种视角和外观状态,并同步提供深度、光流、长程点追踪等丰富标注,最终发布WorldRover-10M数据集,含2190万帧、202.7小时视频。
这篇论文指出,现有多目标强化学习训练大模型时存在"一刀切"分配优化精力的问题,提出SA-MRPO方法,根据每个奖励目标的饱和程度动态调整其权重,在数学推理、自适应推理、代码生成等任务上均取得优于现有方法GDPO的效果。