网络精细化管理越来越重要,为了摆脱IT管理员的盲目“救火”,博科将IT管理延伸到存储网络。近日,博科推出分析监测平台(AMP),为企业IT人员提供服务器和存储之间有据可依的监测和分析,而不是靠经验甚至是猜测或假设进行网络监测与分析。
博科分析监测平台代表着博科的一个新产品线,博科称其填补了业界的“空白”,为什么这么说?这就要说到目前存储网络监测和分析是如何进行的了。
第一种方法就是如上所说的猜测和假设,靠IT员工累积的经验来保持应用服务等级协议(SLA)。第二种方法就是利用第三方工具,例如Tap,它带来的问题是增加了网络复杂性,面临监控的端口或设备有限,并且解决方案的成本很高。第三方工具的一个最大缺点还体现在其安装和配置需要停机,并且往往不能获得整个存储网络的可视性。
博科分析监测平台是为专用存储网络而打造的,它用于测量应用级和设备级的I/O性能和流量行为,不会影响安全性或为计算、存储和网络资源带来额外的压力。该设备为所有联网设备分析流量,包括服务器和存储设备之间的数据流,以提供所有应用性能的端到端可视性。
博科中国区技术经理李华祥接受媒体采访时表示,博科分析监测平台提供了优于传统的选择,它无需停机,而部署应用级性能监测和报警。它监测所有设备的行为和响应时间,而不会因为串联TAP对链路质量/性能造成影响。分析监测平台的指标监测包括了延时、IOPS和等待I/O,以识别异常情况并确保可预测的性能。重要的一方面是它可以自动发现和监测网络中的服务器/存储数据流。
在博科,Brocade Fabric Vision技术其实已经能够监测SAN网络行为并解决大多数问题,但它需要进一步解决评估每个应用的服务质量,设备/应用的性能指标。包括跟踪每个应用的最大/平均响应时间、监控特定存储设备实际读写的IOPS、发现基本应用性能的模式。
这就是博科推出分析监测平台的重要原因,“它用来监控服务器和存储设备之间的数据流的真正运行情况。”李华祥说,这样的监测和分析,让IT员工采取纠正措施,以保持最优的应用性能和稳定运行时间。
博科分析监测平台是基于博科第五代平台架构设计的硬件平台,2U外壳,2个专用的多核数据处理器,24个光纤通道端口,并与Brocade Network Advisor实现集成管理。
李华祥介绍,通过与Brocade Network Advisor管理软件一起使用,它可以无中断地收集分析数据,从而大幅降低解决故障的时间。例如,生成定制的实时和历史报告,关联并总结趋势和具体事件;根据需要无中断地诊断服务器、存储和网络设备,从而快速找到问题点;利用集成的设备级指标和网络行为而获得整个环境的完整可视性;设置监控阀值,并实现应用行为的自动化报警,从而及早检测到问题。
在可扩展性和灵活性上,博科分析监测平台也表现出了特别的优势。据介绍,使用Brocade Virtual Fabrics技术,可以把一个物理AMP拆分成多个逻辑AMPs。可以监测四个不同的SAN上多达 10个交换机上的设备端口,最高20000个数据流和500万IOPS。
在针对存储网络的监测上,要不就是凭经验猜测,要不就是复杂的第三方工具,当然还有针对设备或端口旁路进行数据流复制,但也是局限性较大。还有许多综合性的管理分析工具,但对于存储网络层面的监测并不到位。
所以,就如同李华祥所说,博科分析与监测平台这个专用的SAN设备监控的精度更细。并且,它以其它解决方案一半的成本提供和扩展深度网络运行指标,并把部署高级监测和分析的时间从几天、几周缩短到几分钟。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。