亚马逊云服务(AWS)近日推出了三款EC2实例系列新品,有望重塑企业计算基础设施的使用方式。全新的M8a通用型实例、R8a内存优化型实例和C8a计算优化型实例均搭载第五代AMD EPYC处理器(代号Turin),在为关键业务负载提供显著性能提升的同时,进一步优化了性价比。
M8a实例在通用计算能力方面实现了重大飞跃。该实例搭载的AMD EPYC处理器运行频率高达4.5 GHz,与上一代M7a相比,性能提升达30%,性价比提升达19%。对于管理多样化应用组合的首席信息官而言,这意味着更快的处理速度、更低的成本以及全面改善的资源效率。
M8a的独特之处在于其性能架构设计方法。该实例的内存带宽比M7a高出45%,可加速内存数据库、分布式缓存和实时分析等应用。对于高I/O需求的工作负载,M8a实例提供高达75 Gbps的网络带宽和60 Gbps的Amazon EBS带宽,比上一代提升50%。
在实际应用基准测试中,结果令人印象深刻。与M7a实例相比,M8a实例在GroovyJVM上的性能快达60%,在Cassandra上的性能快达39%。
C8a计算优化型实例专为需要最大处理能力的高性能计算工作负载而设计。与C7a实例相比,这些实例的性能提升达30%,性价比提升达19%,在计算密集型任务中表现出色。
C8a实例的内存带宽比C7a高出33%,非常适合延迟敏感型工作负载。C8a实例在GroovyJVM上的性能快达57%,使基于Java的应用程序响应时间显著缩短,这对运行现代应用程序栈的企业来说是一大优势。
C8a实例提供12种规格选择,包括2种裸机选项,基于AWS Nitro系统构建,针对批处理、分布式分析、高性能计算(HPC)、广告投放、高度可扩展的多人游戏和视频编码进行了优化。这种多样性使组织能够精确匹配实例规格与工作负载需求,从而优化性能和成本。
作为M8a和C8a的补充,R8a内存优化型实例针对高性能、内存密集型工作负载设计。R8a实例同样基于第五代AMD EPYC处理器构建,最高配置可达192个vCPU和1,536 GiB内存。
与R7a实例相比,R8a的综合得分高出55%,每分钟事务处理量增加32%,P99延迟降低14%。与R6a实例相比,改进更为显著:综合得分高出74%,每分钟事务处理量增加63%,P99延迟降低25%。
这些性能提升使R8a实例非常适合SQL和NoSQL数据库、分布式网络级内存缓存、实时大数据分析和电子设计自动化(EDA)应用。该实例还通过了SAP认证,与R7a实例相比,SAPS值提高了38%。
M8a实例引入了实例带宽配置(IBC)功能,提供了在网络和EBS带宽之间灵活分配资源的能力。该功能允许组织将网络或EBS带宽扩展达25%,根据具体工作负载需求提高数据库性能、查询处理速度和日志记录速度。
这三个实例系列均采用配备第六代Nitro卡的AWS Nitro系统,通过卸载和加速I/O功能来提高整体系统性能。该架构在所有实例规格中都能提供低虚拟化开销、一致的性能和先进的安全性。
对于评估基础设施现代化的技术领导者而言,这些新实例具有显著优势。仍在使用第六代实例的组织可以通过迁移到第八代实例实现显著的成本降低和性能提升。更优的性价比、增强的功能以及灵活的配置选项,使首席信息官能够在优化基础设施支出的同时提供更出色的应用程序性能。
通用型、计算优化型和内存优化型的多样化选择,为企业提供了根据特定工作负载需求匹配实例类型的灵活性,从而最大化整个应用程序组合的效率。
随着企业持续推进基础设施现代化,这些新实例系列为提升性能、降低成本以及为未来创新奠定基础提供了战略性机遇。
Q&A
Q1:AWS新推出的M8a实例与上一代相比有什么提升?
A:M8a实例搭载第五代AMD EPYC处理器,运行频率高达4.5 GHz,与上一代M7a相比性能提升达30%,性价比提升达19%。此外,内存带宽比M7a高出45%,网络带宽和EBS带宽分别达到75 Gbps和60 Gbps,比上一代提升50%。
Q2:C8a计算优化型实例适合什么场景使用?
A:C8a实例专为计算密集型任务设计,适合批处理、分布式分析、高性能计算(HPC)、广告投放、高度可扩展的多人游戏和视频编码等场景。它提供12种规格选择,包括2种裸机选项,可根据工作负载精确匹配实例规格。
Q3:R8a内存优化型实例在性能测试中表现如何?
A:R8a实例性能表现优异。与R7a实例相比,综合得分高出55%,每分钟事务处理量增加32%,P99延迟降低14%。与R6a实例相比,综合得分高出74%,每分钟事务处理量增加63%,P99延迟降低25%,非常适合数据库和大数据分析等内存密集型应用。
好文章,需要你的鼓励
今天讲的出海案例是开创电气,一家金华手持式电动工具制造商,在越南基地完成首款产品验收并形成80万台年产能力。
本文介绍了中国科学院自动化所的研究,揭示了大型语言模型在多轮工具调用强化学习中崩溃的根本原因,并系统评估了五种监督信号对训练稳定性和泛化能力的影响。
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津、MIT等机构联合发布GauntletBench,测试显示最强AI智能体完成率仅19%,而普通人类完成率超80%,揭示AI在时间感知、图形理解和三维推理上的真实短板。