当数字化转型大潮来袭,
谁在保卫着你的数据中心架构?
当你的业务迅速发展,
寻求业务快速上线,
敏捷应用开发,
数据量不断增长的时候,
谁在你身后默默守护?
当你结束了一天的忙碌,
喧闹的一天归于平静,谁还在默默工作?
它就是守护数据安全的最后一道防线
——DPS!
都说“巧妇难为无米之炊”,
我们的DPS也有不少帮手来为它排忧解难。
帮手一:AVAMAR
重删、备份软件&系统存储容量减少95%
它十分的任性,从不备份相同的数据两次。在虚拟化环境中,它能在所有站点和服务器中全局去重,将所需磁盘存储容量减少95%。
01 客户端软件
支持现在大部分主流操作系统,如Window7、Windows Server、RHEL、SUSE、Debian、Ubuntu、AIX、Apple OS系统等。
02 PC终端备份
支持PC终端的数据备份??!!!是的,不仅在企业数据中心中,PC终端的数据也可以通过AVAMAR进行保护。
03 异地容灾
它还会经常写信给“远方亲友”,将数据备份后进行远端传输,起到异地容灾的作用。
帮手二:RP4VM
数据连续性保护,实现VM容灾
它十分辛劳,每天实时对虚拟机数据进行比对、传输和校验,它会将主机房的虚拟机系统复制一份到备机房实现容灾,以实现虚拟机的任意时间点恢复。
RecoverPoint for VMs的备份存储可以使用包括现有存储设备在内的任何存储设备,充分利用现有存储空间,保护用户投资。数据复制到异地后,目标复制卷与本地卷是完全一致,用户可以用它做任何事情。
而作为旁路拆分复制方案,优先考虑方案对主机系统IO响应时间的影响,不影响主机系统在IO峰值期间的性能。
在软件定义数据中心场景下,又多了一种对VM的容灾手段。
帮手三:Data Domain
重复数据消除存储系统 减少存储需求至1/30
Data Domain是DPS不可或缺的好帮手,当你有上百T的备份数据时,你还在为如何存放而焦虑不安?你还在为数据备份策略如何设置而犹豫?你还在为备份时间窗口不足而担心?
不存在的!下面就看看它到底能帮我们做些什么呢?
它可以整合备份和归档数据,并将存储需求减少到原来的1/30-1/10,使得用于现场保留的磁盘得到经济高效的利用,并提高基于网络复制到灾难恢复站点的效率。
在实现本地数据消重压缩后,利用远程复制功能,可实现远程容灾。
该架构的特点在于:
在许多用户看来,光有备份可不行,关键是备份数据的可恢复性!当真正的灾难发生时,发现平时备份的数据居然无法恢复,或者恢复出来的数据不可用。那时候的心情,绝非崩溃所能形容。
而DD作为业内唯一能做到在备份时,保存周期,恢复时都会校验数据完整性的备份设备,在发现有问题的数据片断时,会立刻修复,保证数据一定可恢复!
在我们的数据中心虚拟化环境中,Avamar + Data Domain的数据保护模式起到了 1+1>2的使用效应。
Avamar支持虚拟机上所有的数据库、文件系统备份,只需要按容量进行规划部署,无需再考虑数据库、客户机备份软件授权许可证。
Avamar与Data Domain集成使用时,Avamar相当于备份服务器,完成备份作业的调度和metadata数据的存储,备份数据则存储在Data Domain设备上,该设备存储虚拟机的单个存储池并对其进行重复数据消除。该选项中的备份数据可随 Data Domain系统的存储容量进行扩展。
用户还可以指定将Avamar备份策略中的特定数据集定向到Avamar服务器或是DataDomain系统。
在Avamar管理界面中将DD系统制定为特定数据集的备份目标时,相同Avamar客户端会利用DD Boost软件将此数据直接重定向到DD系统。
那么,DD Boost又是什么呢?DD Boost是一种私有协议,能够比CIFS或NFS协议更高效的提供数据传输。备份软件可通过DD Boost来标准化集中管理Data Domain系统。
在Avamar客户端软件自带有DD Boost插件,其余第三方备份软件要使用DD Boost功能的话,需要额外安装DD Boost插件。
而对于主流的数据库如Oracle、SAP HANA、DB2、SQL Server、Greenplum等,在使用DD Boost的情况下,无需备份软件,就可以实现管理员自助备份和恢复。
在企业数字化转型的过程中,从传统架构到现代化数据中心的改造,使用虚拟化将是必不可少的一环。
当我们在不断追求业务连续性保障,双活容灾等架构设计的时候,不妨回头凝望,有它一直默默的守护,成为我们最后的一道防线。
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。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
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。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。