根据我们的理解,存储选型的关键大致有以下几点:
✎充分理解业务需求;
✎了解候选供应商的产品、技术特点;
✎新设备能否良好兼容现有IT环境中的设备?
✎关键业务的POC测试流程和周期更加严格,像金融机构那样的关键部门,核心系统通常会选择已经投入市场2-3年或以上的成熟产品;而一些相对外围的应用则不太在意“吃螃蟹”;
✎同行业、同类应用成功案例,可以作为重要参考;
✎服务、预算、合作基础、商务关系…
最终受制约的因素有时会比较复杂,对一个产品好坏的评价,用户的反馈也不见得完全准确。甲乙双方都有自己的立场,如果前期功课做的不够、沟通不畅等原因,落地了不合理、不适合应用场景的方案,这种情况也是有的。
无论成功与否,总结经验教训总是有益的。对于分析已有的成功案例,大家也基本是按照这个思路,从需求出发,这样应该对读者会有更多的参考价值吧。
虚拟桌面用NAS:统一存储、兼容物理环境
一提到VDI(虚拟桌面基础架构),人们很容易联想到启动风暴带来的存储性能难题,于是引出了各种闪存阵列、服务器端PCIe SSD,VSAN和Nutanix等软件定义存储/超融合方案。这些更多是针对操作系统镜像盘而言,而用户数据的存储和共享也是不容忽视的。
相比之下,VDI的个人应用数据更在意安全性、性价比,此外不断代升级的性能扩展,以及数据管理等也是不容忽视的因素。
当我们把眼光放到NAS上的时候,磁盘在这时候往往成了第一选择。有人说SSD固态存储流行后,针对传统硬盘优化的存储管理技术派不上用场了,我们觉得还是要看应用场景。15K高转速驱动器的位置逐渐被闪存取代,7.2K大容量硬盘仍然有着明显的成本优势。由于硬盘内外磁道的传输率差异,如果没有特别的优化技术,我们只能按磁盘内圈的最低水平来计算整套存储的性能。
可 见针对VDI用途做NAS选型,与传统的OLTP业务对存储的考量点有着一些差别。用户数据集可能是大小文件混合的负载,对于小文件性能NAS控制器的缓 存可以提供一定优化,而大文件则要依赖后端RAID磁盘的I/O带宽。在满足用户现有需求的基础上,如果能提供未来扩展空间(容量/性能)也是一个有吸引 力的地方。
在VDI应用中,集群NAS是否比传统单/双控NAS更好?它能够提供那些更多的价值?
此外,许多用户原有物理机环境,因此新购NAS能否良好兼容非虚拟化服务器有时也是用户关注的因素。对于Oracle等OLTP应用,传统集中式存储可能比超融合架构有些优势,如果是后端使用SAN阵列的统一存储产品,更加适合这种混合工作负载。
业务需求
位于德国的Cofely是一家专业服务公司,拥有大约2000名员工。为了支持持续增长的业务,Cofely希望迁移到一个Scale-out的存储方案,以平滑的成本并且避免昂贵的叉车式升级。
解决方案
在数据中心提供商synaix的支持下,Cofely部署了使用流动文件系统(Fluid File System)技术的戴尔Compellent FS8600。它扩展了一个当前由戴尔PowerEdge R720组成的服务器环境。
效益
✎软件性能提升了20%;
✎避免叉车式升级带来了多达30%的节约;
✎磁盘利用率提高10%,降低费用;
✎响应支持和建议让IT工作负载变得轻松。
据 synaix首席执行官Stefan Fritz介绍,他们的团队在安装戴尔Compellent之后,看到Cofely Germany的应用有了一个即刻的提高。员工的虚拟桌面获得更好的响应能力,在Citrix XenDesktop环境中的应用明显运行地更快。“作为迁移到戴尔Compellent存储的一个收益,我们看到20%的应用性能提升”,他表示。“这 意味着我们能给Cofely Germany交付更好的服务。”
自动化分层存储数据给Cofely Germany带来了进一步的节约。戴尔Compellent Fast Track动态地移动数据到最适当的分层,按需放置到磁盘的外圈磁道。Fritz表示:“通过戴尔Compellent,我们获得了超出存储本身的更多价值,因为数据存放在磁盘上的位置最好地匹配了业务需求。戴尔Compellent Fast Track非常高效。”此外,戴尔Compellent数据即时回放(Data Instant Replay)确保了连续的快照,以增量变化的方式来保护数据。不仅快照生成迅速而且恢复数据高效。“Cofely Germany员工避免了严重的中断,因为数据能够被快速恢复”,Fritz说。
补充
单/双控NAS和集群NAS的区别
在本文的尾声,我们想先简单介绍一下普通NAS(单/双控)和集群NAS存储之间的区别。
对于一款双控企业级NAS而言,在高可用机制上类似于服务器的双机HA集群,NAS控制单元的切换方式有主备和双活互备两种。而对于集群NAS,其支持的NAS控制单元数量超过2个,对客户端访问提供单一命名空间,性能可随节点数量线形扩展,在互备的基础上还要支持更高级的负载均衡。
以戴尔FS8600集群NAS为例,其动力节点(每节点包含2个引擎,缓存镜像互备)最多可以扩展到4组,也就是8控。其配套的FluidFSv4文件系统支持最大4PB单一命名空间,并且加入了NFS v4.1(pNFS)、SMB3并行文件访问协议等高级特性。

如上图,在业界标准的SPECsfs NFS性能测试中,戴尔FS8600根据设备数量的配置不同,在2控、4控和8控的情况下,分别测得131,684、254,412和494,244每秒文件操作数(OPS),基本符合性能线性扩展的预期。
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。