儲存硬體很重要,但不僅於此

2021-09-23 07:10:49 字數 1810 閱讀 5158

it專業人士多年來一直在權衡硬體和軟體之間的決策,努力找到兩者之間的平衡。這是乙個很難解決的簡單問題:硬體應該增強它所承載的軟體,軟體應該能夠利用硬體提供的所有功能。

具有諷刺意味的是,儲存**商不可能是救世主,因為他們做了硬體-軟體的裁剪,以確保兩者在一起合理地工作。但這種服務是有代價的:可怕的**商鎖定。軟體執行得很好,硬體工作起來嗡嗡響,但是如果你從同一**商處購買它們,它們就會協調一致。

然而,這並不是什麼新鮮事,而且大多數技術老手都已經不再害怕使用特定**商的產品。**商鎖定?這只是it生活的乙個事實。

硬體軟體拉鋸戰還在繼續

所以,隨之而來的是軟體定義的儲存產品和軟體定義的一切。軟體定義儲存(sds)已被定位為那些緊密連線的軟硬體組合的補救措施——解決**商鎖定問題,騰出專有硬體,還給資料中心設定自由。

軟體定義的儲存產品受到的期望很高。將儲存軟體與特定硬體元件脫離,應該意味著更大的自由度和更低的成本,對吧?在某些情況下,是的,但在其他情況下... ...

vox populi:sds的好壞

datacore software是儲存虛擬化市場早期參與者,在其最新版本的年度市場調查中,對sds買家的期望提供了一些見解。

datacore的調查顯示,伺服器虛擬化通常是向更廣泛的虛擬化資料中心邁出的第一步,但也可能會暴露新的基礎設施弱點。有趣的是,與超融合方式相反,31%的調查物件表示虛擬化應用程式需要共享儲存,以確保高可用性。同樣,29%的使用者在虛擬化後發現應用效能下降,而且毫無疑問,29%的使用者認為,為他們的應用程式找到最好的儲存設定變得更加困難。

儘管如此,使用者仍然對軟體定義的儲存產品抱有很大希望。在datacore的調查人員中,有55%的人認為sds會使管理儲存變得更簡單;53%的受訪者表示可能是「未來」的基礎設施;47%希望可以延長已有儲存資源的使用壽命。調查中也出現了鎖定問題,52%的使用者依賴於軟體定義的儲存產品,幫助他們的業務避免被鎖定到單一**商的產品中。

這些結果中令人感興趣的是,一些使用者似乎認為,如果一切都在軟體控制的世界中,硬體將不會老化。

sds裝置:諷刺還是大鐵塊?

幾乎所有傳統的儲存**商和眾多的初創公司都提供軟體定義的儲存產品。他們大多數都**他們的軟體——搭載在他們自己製造或認證的硬體之上。所以當軟體可能已經從硬體分離出來時,兩者並不完全是離婚分離的。嗯,聽起來有點像**商鎖定,不是嗎?

此外,儘管軟體定義的儲存產品比超融合基礎設施(hci)還多,但大多數人將軟體定義視為後者。根據datacore的調查,超融合的期望值很高。近一半的受訪者(48%)尋求簡化hci管理,而擴大規模(39%)和降低硬體成本(35%)也是關鍵考慮因素。

毫無疑問,成功的hci實現遠多於失望,可伸縮性和更容易的管理是真實的。然而,削減硬體成本可能有點難以實現。sds**商可能是基於廉價的白盒伺服器和fry's廉價貨架元件的裝置,但這些都是頂級的高階伺服器系統,擁有一流的部件。如果軟體要做好工作,就需要乙個可靠的平台來執行。而那些高階的、經過認證的、經過測試的、預先配置好的伺服器,最終可能會比「商品伺服器」(在超融合的基礎設施討論中常被不屑一提)更昂貴。

你的應用程式定義了你的儲存

最近,關於資料中心基礎設施的重點已經從「儲存」轉向以資料為中心的模式。 但這對儲存專業人士來說並不是什麼新鮮事。任何乙個圍繞控制器、硬碟和固態驅動器的人都知道,儲存不僅僅是一堆資料休息的地方,而是將儲存與應用程式的明確需求相匹配,這是藝術所在。因此,無論答案是san、nas、物件還是軟體定義的儲存產品,最重要的是對公司應用程式使用正確的儲存型別和儲存量。

意識很重要!

近來幾天突然意識到,意識很重要!不管是在寫程式上還是做工作的每一件事情上,要培養一種意識,一種問題還沒有發生,就能預示到問題的存在,並且能避免他們的意識。在工作中,可能領導讓你去幹一件事情,你幹的很快,而且自己覺的很滿意,很欣喜的去向領導報告。領導可能很欣賞你,表揚了你幾句,呵呵,在你離開的時候可能...

部落格很重要

就像標題所說的,部落格真的很重要.以前老師老強調,後來老師沒時間管我們,也就慢慢的意識不到部落格的重要性.每週都在糾結,什麼也沒學,沒什麼好寫的,但是必須要寫啊,就寫些碎碎念的心情,部落格的質量越來越不好,訪問量越來越低,然後就更加不想寫部落格.今天明白,部落格是在整理我們的生命,我們寫部落格是為了...

經驗很重要

機器學習的演算法大家都明白,關鍵是經驗的多少。總結 1.損失函式 不一定使用常規的,需要按照具體問題修改。2.別拿線性模型用在非線性問題上 3.注意 野值 是特殊處理,還是可以忽略不計。過濾或者使用對野值不敏感的演算法 4.樣例數量相對特徵資料量少,用高bias 低variance模型 欠擬合 反之...