自SSD诞生以来
人们对它印象就是
速度快但价格高
而HDD则是“便宜又大碗”
因此把“热数据”交给SSD
“冷数据”或“温数据”交给HDD
是企业级用户的普遍做法
然而,随着SSD的价格逐年走低
HDD的成本优势还能持续多久?
最近,Wikibon发布了一份预测报告
认为到2026年
SSD的每TB价格将低于HDD!
绿色虚线意为SSD每TB价格除以HDD每TB价格
不仅如此
从今年开始,SSD的价格
也将正式降至HDD的
5倍以下(4.2倍)
这意味着2019年
富国银行高级分析师Aaron Rakers
做出的预测开始生效
当SSD的价格降至
HDD价格的五倍
或以下时
企业级用户将开始偏爱SSD
SSD全面代替HDD的拐点
也许就在今年!
全闪代替混闪,不仅是价格
对大多数企业用户来说,单个应用系统会同时存在ERP、数据库等结构化数据,以及图片、文档等非结构化数据的存储需求。结构化数据对性能要求较高,而非结构化数据容量大,但大部分场景下对性能没有太高要求。
如果只考虑单个项目的需求,购买一台能同时提供SAN和NAS功能,并支持SSD盘和普通SAS或SATA磁盘混插的存储产品(简称混闪存储),确实是个不错的选择——满足性能和容量的要求,又可以降低成本。
? 但从企业数据中心的整体规划上看,因为各个应用的IT基础架构资源和数据资源均无法充分共享,容易造成一个个应用和数据孤岛。不仅会造成资源浪费,也增加了企业把数据资产转化成价值的难度。
因为每个项目都独立招标的缘故,常常会造成一个数据中心内部同时存在多个品牌,多种型号的存储产品,大大增加了运维和管理的复杂度。
应用和数据孤岛
此外,相对按项目为导向的规划思路,如果企业内部应用较多,针对习惯采用传统架构的客户,我们更推荐从数据中心的整体考虑,优先选择全横向扩展架构,高可靠的全闪阵列集群+非结构化数据湖的统一平台方案。
该架构以支持横向和纵向多维扩展的全闪阵列为基础,结合支持横向扩展的双活网关集群,搭建一个高性能高可靠的结构化数据存储池,把所有应用的结构化数据统一存放在该存储池上,满足关键应用高性能和高可靠性的要求,并通过压缩消重技术实现更高的有效容量,降低采购和后期运维成本。
而针对非结构化数据,用户可以采用戴尔易安信PowerScale横向扩展NAS集群构建数据湖,满足非结构化数据容量和性能不断增长的需求。
因为所有非结构化数据都存放在同一个存储资源池里,可以方便地从各个维度对企业数据进行分析和挖掘,实现企业数据价值最大化。
相比混闪存储,全闪存储因为采用了全新的硬件架构和优化的软件,在IO延时,SSD盘寿命,副本管理等方面都有明显优势。
以戴尔易安信全闪存储PowerStore为例。端到端NVMe协议+SCM的组合可以实现极低的IO延时,写折叠和ROW(Redirect-On-Write)快照技术可以大大延长SSD盘的使用寿命.。
专用的压缩处理器和全新的压缩消重算法可以带来至少4:1的压缩消重比。大大减少SSD盘的配置,不仅能减少初次购买的成本,而且能显著降低机房空间的占用和能耗,降低企业的总体拥有成本(TCO)。
*戴尔易安信PowerStore采用英特尔®至强®可扩展处理器,该处理器可以优化工作负载,可靠性强,还有高计算力、高稳定性和高效敏捷性,不仅帮助VxRail轻松满足既定工作负载,也可以为数字化变革做好准备。
而混闪存储的压缩消重比普遍不高,打开压缩消重后性能有可能急剧下降,在提升容量的同时,却牺牲了宝贵的性能。PowerStore采用专用的压缩处理器,不会额外占用控制器的CPU资源,压缩消重几乎对性能不会产生影响。
此外,PowerStore还提供了简单高效的副本管理技术,测试、开发可以和生产共享同一台存储,不额外占用空间。不仅可以便捷地利用最新的数据进行开发测试,通过AppSync副本管理软件,应用开发人员或者DBA还可以直接管理存储副本,从而大幅度提升了工作效率。
当然,我们也可以用超融合尤其是全闪配置的超融合来替换“服务器+SAN交换机+存储”的三层架构,简化IT基础架构。这也是许多客户开始逐渐采用的方案。戴尔科技同样具备丰富的超融合解决方案,并积累了大量的成功案例。
借助新上应用或者应用改造的机会,用户可以考虑逐渐把之前以项目为单位的采购模式转变成数据中心统一规划模式。
通过高性能高可靠的结构化数据存储池和非结构化数据湖结合的方式来满足不同应用数据对性能,可靠性和容量的需求。全闪存横向扩展的架构,不仅可以满足现有应用,也满足了未来业务增长的需求。
最后,总结戴尔科技全闪存储相对于混闪存储的优势:
好文章,需要你的鼓励
OpenAI和微软宣布签署一项非约束性谅解备忘录,修订双方合作关系。随着两家公司在AI市场竞争客户并寻求新的基础设施合作伙伴,其关系日趋复杂。该协议涉及OpenAI从非营利组织向营利实体的重组计划,需要微软这一最大投资者的批准。双方表示将积极制定最终合同条款,共同致力于为所有人提供最佳AI工具。
中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题,提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练,成功将模型推理长度缩短30-40%,同时保持甚至提升准确率,显著降低了推理时间和计算成本,为高效AI推理提供了新的解决方案。
中国科技企业发布了名为R1的人形机器人,直接对标特斯拉的Optimus机器人产品。这款新型机器人代表了中国在人工智能和机器人技术领域的最新突破,展现出与国际巨头竞争的实力。R1机器人的推出标志着全球人形机器人市场竞争进一步加剧。
上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现,发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估,研究揭示了现有评估方法的重大缺陷,并为开发更可靠的AI驾驶系统提供了重要指导。