SAN存储是构建数据库应用的首选存储方案,目前的主流应用有IP SAN和FC SAN两种。毋庸置疑,FC SAN是追求高性能存储的首选方案,但是,在入门级存储阵列领域和对于追求性价比的客户来说,其实只要条件合适,选择一款合适的IP SAN设备,性能同样能够满足企业客户的要求。显然,大家一定会对此有很多疑问,在解答之前请大家先看看下面这张组网图。
这张组网图描述的一个典型SAN存储网络的组网方式,换成FC交换机和FC接口也一样适用,但是重点不是这里,我想说的是这张图为我们透露出如下两个信息:
想必很多朋友已经找到了答案,如果追求IP SAN的性能,只要在应用服务器跟存储控制器之间多插几根网线就OK了,以上图为例,单个应用服务器如果跟存储直接连接8根网线,就具备了2个4G FC接口的带宽能力。好吧,我就知道有人会说IP网络协议跟FC协议差异会导致带宽利用率上的差别等等,这些我都认了,但是那又能差别多少呢?简单算一下,一块FC HBA卡的成本怎么也要上千块钱吧,服务器上配置1块,存储控制器上配置2块,1万多块钱就要砸进去了,如果还要再配置FC交换机,成本就要不知高出多少了。大家都心知肚明8根网线哪怕我们选择最黑的供应商也不过几百块钱,无论如何这个成本差异足够让我们更慎重的进行差别选择了。其实我就想让大家明白,不是只有FC SAN才能满足企业客户的性能需求的,IP SAN也是个不错的选择。
如果您动心了也别高兴的太早,还有一个大问题要解决。哪家存储厂商的设备可以配置这么多GE接口呢?肯定有很多厂家的销售都会跳出来宣称我们都支持啊,但是这里我不得不提醒一下这里面的猫腻还真的不少。从上面这张图中其实我们也可以看到,如果采用交换机连接方式,每个控制器最少配置2个GE口就可以完成组网了。说到这,您大概也能猜到了,没错您的担心成功印证了,多数厂家的标配存储产品每个控制器确实是只配置了2个GE接口,想多配一些,没问题,再掏些钱吧!商家的逐利本领在此彻底暴露无遗。
不过好在这些厂家当中也有个别非常厚道的(国外厂家的设备就不要想了,这种赚钱的方法绝对老外是更胜一筹),比如华为的S2200T存储产品标配就是4个GE业务口(另外还有两个管理口可以跟业务口共用,但是不适用于直连方式所以就暂时不算数了),您要说不够用,没关系,S2200T还支持扩展接口卡,再多配4个GE口甚至10GE口或者您改变主意配置8G FC接口都是可以的,具备充足的灵活性供客户选择。其他厂家的产品虽然也支持扩展接口卡,但是有一点需要我们神圣的客户考虑清楚,如果您百分百确认增加一个扩展卡之后就可以满足带宽需求,您爱选哪个品牌就选哪个品牌,完全是您的权力,但是如果您在应用带宽需求上还有些不确定或者对IP SAN方案还有些迟疑,或者未来对FC仍有潜在需求,华为S2200T一定是您的优先选择,毕竟您可以不必动用接口卡扩展机会就能用最低成本验证一下IP SAN组网能否满足您的性能和带宽需求。否则您一上来就把接口卡扩展机会用掉了,到时候想改配FC接口卡的话原来配置的GE接口卡可就浪费了(实话实说,目前的入门级存储产品还真的没有哪个品牌的控制器可以扩展2个接口卡的)。
其实,一台存储设备的钱都是小钱,由于FC协议不是那么普及,如果硬上FC SAN,企业客户不仅要为此承担不菲的人力学习费用,还要配置FC交换机进行专网管理,加上FC HBA卡的成本不知比一台存储设备贵上多少呢。所以,IPSAN方案带来的性价比优势是显而易见的。从前面厂家设备的标配GE口数量来看,华为设备确实对得起业界良心,对客户够实在。其实相信华为也很乐意卖FC SAN设备的,他们也不缺FC型号的产品,据说标配2个GE口降成本的方案研发也曾经考虑过,谁不愿意多赚几个钱,但是不知是华为实在过了头还是真的掌握了“以客户为中心”的精髓,这种配置风格在华为的全系列存储产品上都是一贯的,看来华为人经常说的“为客户省钱就是给华为赚钱机会”是做得不错了,期待华为未来做得更好。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。