戴尔的PowerScale文件系统存储现在可以作为Azure的托管服务使用,而其PowerStore块存储则成为微软Azure Local产品的存储选项。
PowerStore是戴尔的统一文件和块存储、双控制器、现已全闪存的存储阵列。PowerScale是其集群式、横向扩展的文件系统存储,目前正在为其本地部署版本增加并行IO支持。Azure Local是微软的本地和超融合实现版本的Azure公有云,可以说是运行在裸机服务器硬件上的Azure私有云。它在微软服务器系统供应合作伙伴(如戴尔)提供的硬件上运行Azure虚拟机和容器。PowerScale和PowerStore的Azure相关消息在微软Ignite大会上宣布。
Azure PowerScale与微软联合开发,配备专为戴尔定制的NVRAM增强计算设施和专用SKU。Azure PowerScale在单一命名空间中支持高达8.4 PB的存储容量。据了解,NetApp的Azure NetApp Files服务支持高达7.2 PiB(8.1 PB)的卷容量,而Qumulo声称支持EB级别的容量。Azure PowerScale支持NFS、SMB和S3协议,并通过SyncIQ实现异步复制到Azure以进行灾难恢复。
戴尔表示"Azure PowerScale提供闪电般的性能,比我们最接近的竞争对手快4倍",但未明确指出该竞争对手。我们认为可能是Qumulo或NetApp,两者都在Azure上提供云原生文件服务。
本地PowerScale客户可以将其计算密集型工作负载突发到Azure,并使用相同熟悉的PowerScale界面。
Azure Local集成
戴尔和微软正在使PowerStore作为Azure Local部署的存储能力,通过其NVMe SSD提供高达5.9有效PB容量(1.18 PB原始容量)和5:1数据缩减保证。
戴尔私有云现在也将支持Azure Local,即在戴尔私有云上运行Azure Local。这是一个全栈解决方案,包括计算、外部存储和网络,具有自动化部署、灵活且独立的计算和存储扩展能力。
微软Azure边缘基础设施产品管理副总裁Dean Paron表示:"通过将Microsoft Azure Local引入戴尔私有云和PowerStore,我们帮助客户简化IT运营并释放混合云策略的全部潜力。"
Azure Local与戴尔私有云和戴尔PowerStore的集成预计将于2026年春季进入早期访问阶段。Azure PowerScale已在微软市场上提供,包含标准版、增强版或高级版计划。
Q&A
Q1:Azure PowerScale是什么?能提供多大存储容量?
A:Azure PowerScale是戴尔与微软联合开发的云端文件系统存储服务,在单一命名空间中支持高达8.4 PB的存储容量,支持NFS、SMB和S3协议,并通过SyncIQ实现到Azure的异步复制以进行灾难恢复。
Q2:PowerStore在Azure Local中能提供什么存储能力?
A:PowerStore作为Azure Local部署的存储选项,通过NVMe SSD提供高达5.9有效PB容量(1.18 PB原始容量),并提供5:1数据缩减保证。它是统一的文件和块存储、双控制器、全闪存的存储阵列。
Q3:Azure Local与戴尔私有云集成什么时候可以使用?
A:Azure Local与戴尔私有云和戴尔PowerStore的集成预计将于2026年春季进入早期访问阶段。而Azure PowerScale已经在微软市场上提供,包含标准版、增强版或高级版计划。
好文章,需要你的鼓励
网络流量保护专家Cloudflare因其Access零信任平台发生故障向客户道歉,该故障导致包括OpenAI的ChatGPT、DownDetector和社交媒体平台X在内的多个面向公众的服务中断。故障始于英国时间上午11点20分左右,最初被描述为"内部服务降级"。Cloudflare后续确认故障根本原因是自动生成的配置文件超出预期大小并触发软件系统崩溃,强调这并非攻击所致。
香港科技大学团队发表重要研究,开发GIR-Bench测试基准评估统一多模态AI模型的推理与生成能力。研究发现即使最先进的AI模型在理解与生成之间也存在显著差距,无法有效将推理过程转化为准确的视觉生成,为AI行业发展提供重要警示。
戴尔PowerScale文件系统存储现已作为Azure托管服务提供,PowerStore块存储成为微软Azure Local产品的选项。PowerScale支持高达8.4 PB单一命名空间存储,性能比竞争对手高出4倍。Azure Local与戴尔私有云和PowerStore的集成预计于2026年春季进入早期访问阶段。
Meta超级智能实验室联合麻省理工学院开发了SPG三明治策略梯度方法,专门解决扩散语言模型强化学习训练中的技术难题。该方法通过上下界策略为AI模型提供精确的奖惩反馈机制,在数学和逻辑推理任务上实现了显著性能提升,为AI写作助手的智能化发展提供了新的技术路径。