早在被Quest收购之前,Bakbone NetVault备份软件就以其全平台支持、简洁易用的图形界面广受好评。自从随着Quest一同加入戴尔大家庭之后,它就成了戴尔数据保护软件产品线中不可或缺的重要一员。
在奥斯汀举行的Dell World 2015大会上,NetVault的最新版本——Dell Data Protection | NetVault Backup 11宣布推出。下面我们就来看看它都有哪些功能上的增强。
传统备份架构
上面这个架构图中规中矩,是企业级备份软件比较通用的部署方式。
a.右下角有NetVault备份服务器,它能够直连2种备份存储池:基于磁盘的虚拟磁带库(VTL)和带有重复数据删除功能的SmartDisk。这些都是已经沿用多年的成熟技术,NetVault还有个特点——能用备份软件在文件系统中创建仿真磁带格式的存储池。
b. 中间红、蓝、紫3个颜色的客户端分别代表Linux、Windows和Unix的跨平台支持,其中智能客户端(SmartClient)和普通客户端的区 别,就是前者支持LAN-Free备份。数据流可以直接走FC SAN存储网络,或者以直连方式写入到共享的磁带类(包括VTL)设备,而无需走以太网经过备份服务器。
c.左上角示意有一台网络附加存储(NAS),备份它上面的数据可以直接写入其后端连接的磁带类设备,也就是Server-Free的NDMP备份。这里需要NAS提供NDMP支持。
基于快照的SAN备份增强的性能与易用性
根据我们的了解,基于存储快照的备份在国内外逐渐受到用户的欢迎。本次介绍NetVault Backup 11更新的第一个重点,就是与阵列快照结合的备份。
如上图,由于戴尔SC(Compellent)存储支持分钟级、近似CDP的强大Replay快照功能,NetVault Backup 11的“第一级”保护就是生成/管理阵列的应用感知快照,以及本地恢复。由于存储快照本身只能恢复逻辑错误,“第二级”保护则可以将它们的数据备份出来。
首先,NetVault触发应用服务器上的代理生成一致性恢复点——应用感知快照;然后这个快照回放点被挂载到NetVault介质服务器上,通过Off-host Client备份数据到戴尔DR系列磁盘备份设备、磁带或者云等。
基于阵列快照的备份,通过“脱机”方式将备份任务从应用服务器上卸载出来,能够避免传统备份代理程序对业务的影响,提供更好的性能和易用性。
代理推送安装增强的效率与扩展性
传统的针对物理服务器的备份方式,都需要在被保护服务器上手动安装代理程序。当需要备份服务器的数量较多时,这种方式将带来很大的工作量。NetVault Backup 11新版本支持从备份服务器推送到代理到客户端主机,让我们看看下图的实现方式。
当用户从NetVault Web控制台创建一个部署任务之后,位于备份服务器上的部署管理器提交一个任务——部署助手C1,接着拷贝安装包文件到客户端并运行安装服务,同时更新安 装状态反馈回备份服务器上的NetVault Web服务。安装完成后在备份服务器上添加(注册)新的客户端。
“推送安装”允许用户一次最多执行2,000个客户端的自动化安装,在减少工作量的同时,也相当于提供了更好的扩展性。
文件系统多流高达4-6倍的备份性能增强
传统意义上的多流备份,指的是将备份任务数据并发写入到多个磁带驱动器上,以提高性能。如今随着磁盘备份和万兆以太网的流行,在面对单一客户端时,后端目标存储的带宽通常不会成为瓶颈;此时如果从多台服务器同时发起多个备份任务,也能充分发挥整套系统的性能。
NetVault Backup 11引入的“文件系统多流”目的在于优化、提高每个备份任务的速度。当用户在发起任务时选择了来自不同驱动器、网络共享、卷加载路径的多个数据位置时,备份数据流能够从这些数据源并发地写入到目标存储(如:Dell DR)。
这 种对备份集拆分成小块,由多个进程发送的方式,让我想起了当年大名鼎鼎的NetAnts(网络蚂蚁)以及后来流行的迅雷等下载软件,大家还记得它们的下载 状态显示窗吗:)我打的这个比方大家应该容易理解吧——当上网带宽足够时,从多个站点同时下载文件的速度是可以翻倍的。
更多增强特性敬请关注后续报道
NetVault Backup 11还增加了RDA Solaris客户端,从而支持在该操作系统下以优化的源端+目标端重复数据删除直接备份到DR系列设备,拓展了RDA加速技术的应用范围。
针对云计算和服务提供商,NetVault Backup 11加入了更好的MSP/多租户支持,以及VMware、Hyper-V虚拟机备份增强等特性。此外还有一个相关的重要产品推出,请留意我们的后续报道。
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。