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
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。