IBM新版本TSM增加重复数据删除和DB2集成

简介:
      
  【WatchStor独家译文】IBM昨天宣布推出Tivoli Storage Manager (TSM) 6,改版本集成了DB2数据库、TSM存储池子文件层级的重复数据删除功能以及对VMware虚拟机进行自动图像层级备份来备份软件应用。

    DB2集成

IBM TSM 6采用了DB2而不是专门的数据库来在目录中追踪目标,这一特点提高了TSM 6的性能和可扩展性。新数据库可以在一个系统下保存多达10亿个目标。之前的数据库可以同时支持两个线程,而新数据库可以同时支持10个。

据IBM公司TSM产品经理John Connor表示,新版本在删除超出保留期限的文件方面的速度提高了50%。有了新数据库之后,用户无需在系统检查的时候关闭TSM服务器。现在,用户可以有选择地针对特定服务器组获或者文件设定使用期限或者策略,以此来限制从过期文件中进行空间回收所需的时间。

TSM架构师Jom Smith表示,性能上的提升还意味着用户不再需要像以前那样将TSM应用分配到多个服务器实例上进行负载均衡,这往往需要很长的迁移过程。

备份和恢复专家W. Curtis Preston表示:“删除过期文件的时间缩短50%多用户来说无疑是一个好消息。我希望其他像空间回收这样的流程也可以缩短。缩减50%也就意味着还有提升的空间,希望未来能够看到更多产品升级。”

    报告和监控

IBM在2007年11月发布TSM 5.5后,用户要求有更好的报告和监控工具。TSM 6推出之后,用户可以利用IBM自主开发的预扫描报告功能。现在,IBM还为用户提供更多由Eclipse团队开发的像Eclipse Business Intelligence and Reporting Tools (BIRT)这样的开源工具。

    重复数据删除

TSM 6 Extended Edition的用户免费获得在TSM存储池中的子文件post-process重复数据删除功能。Connor表示,Extended Edition主要面向那些拥有大型磁带库的用户、或者那些希望获得像NDMP、灾难恢复报告等功能的用户。

IBM还在ProtecTier VTL(去年收购Diligent获得)中提供基于目标的inline重复数据删除功能。Connor表示,TS Extended中增加的重复数据删除功能让用户不需要VTL接口——或者他们希望在现有TSM存储池中缩减数据——进行重复数据删除操作。

Preston表示:“即使有些用户使用的是VTL磁带库或者物理磁带,但他们仍然使用磁盘存储池来作为TSM的主要目标设备。能够对这种存储池进行重复数据删除操作的确是一个不错的主意。”不过Preston还表示,那些体验了TSM漫长的删除和回收过程的用户会发现,集成了DB2之后这一问题将有所缓解,不过这并不足以释放足够的循环周来增加另一个像重复数据删除这样的流程。

与CommVault上周刚刚发布的Simpana 8软件一样,TSM 6也不会将重复删除数据写入到磁带中。IBM的Smith表示,当与大多数其他备份产品配合使用的时候,经过TSM写入到磁带的数据量会成倍增加。

这是因为TSM另一个被称为“协同”的流程将把来自多个文件的增量备份一起放进磁带中,从而最有效地利用磁带设备。这就意味着保存一个文件系统可能需要多个磁带,而且如果要恢复甚至很少一部分重复删除数据也可能会加剧这一问题。Smith表示:“我们希望在TSM中保留协同和恢复流程。”

另外Gartner分析师David Russell指出,定义重复数据删除将减少磁带的使用。他说:“IBM将这作为一个选配功能并不出乎我的意料,这将在使用更少磁带的同时保留协同、回收和重复数据删除流程。”

    增强与VMware和NAS备份的紧密集成

TSM 5.5兼容VMware的Consolidated Backup (VCB)图像级备份功能,但是这需要用户自己编写脚本。据Smith表示,未来推出的新版本将在支持GUI Host层级Hyper-V下实现这一流程的自动化,而且新版本将添加项目层级Exchange和Active Directory恢复应用。与NetApp Filer更好的集成可以帮助卸载文件管理器本身的变更数据块索引,而不需要使用TSM服务器来进行索引。

除了增加对Hyper-V的支持外,Russell表示他还希望看到未来升级版本能够与VMware主机有更加紧密的集成。他说:“很多其他备份产品都在深层次上与vCenter进行了集成,所以用户可以在他们的管理平台上看到虚拟机是启动、关闭还是新添加的。”另外他认为针对文件集成的FastBack和CDP功能都有提升的空间。【WatchStor独家译稿,未经许可禁止转载。合作伙伴请注明原作者及出处为WatchStor.com】

 

来源:51CTO
目录
相关文章
|
SQL 人工智能 JSON
Flink 2.1 SQL:解锁实时数据与AI集成,实现可扩展流处理
简介:本文整理自阿里云高级技术专家李麟在Flink Forward Asia 2025新加坡站的分享,介绍了Flink 2.1 SQL在实时数据处理与AI融合方面的关键进展,包括AI函数集成、Join优化及未来发展方向,助力构建高效实时AI管道。
1487 43
|
SQL 人工智能 JSON
Flink 2.1 SQL:解锁实时数据与AI集成,实现可扩展流处理
本文整理自阿里云的高级技术专家、Apache Flink PMC 成员李麟老师在 Flink Forward Asia 2025 新加坡[1]站 —— 实时 AI 专场中的分享。将带来关于 Flink 2.1 版本中 SQL 在实时数据处理和 AI 方面进展的话题。
760 0
Flink 2.1 SQL:解锁实时数据与AI集成,实现可扩展流处理
|
容灾 安全 关系型数据库
数据传输服务DTS:敏捷弹性构建企业数据容灾和集成
数据传输服务DTS提供全球覆盖、企业级跨境数据传输和智能化服务,助力企业敏捷构建数据容灾与集成。DTS支持35种数据源,实现全球化数据托管与安全传输,帮助企业快速出海并高效运营。瑶池数据库的全球容灾、多活及集成方案,结合DTS的Serverless和Insight功能,大幅提升数据传输效率与智能管理水平。特邀客户稿定分享了使用DTS加速全球业务布局的成功经验,展示DTS在数据分发、容灾多活等方面的优势。
714 0
|
SQL 关系型数据库 Apache
从 Flink 到 Doris 的实时数据写入实践 —— 基于 Flink CDC 构建更实时高效的数据集成链路
本文将深入解析 Flink-Doris-Connector 三大典型场景中的设计与实现,并结合 Flink CDC 详细介绍了整库同步的解决方案,助力构建更加高效、稳定的实时数据处理体系。
4219 0
从 Flink 到 Doris 的实时数据写入实践 —— 基于 Flink CDC 构建更实时高效的数据集成链路
|
人工智能 安全 Dubbo
Spring AI 智能体通过 MCP 集成本地文件数据
MCP 作为一款开放协议,直接规范了应用程序如何向 LLM 提供上下文。MCP 就像是面向 AI 应用程序的 USB-C 端口,正如 USB-C 提供了一种将设备连接到各种外围设备和配件的标准化方式一样,MCP 提供了一个将 AI 模型连接到不同数据源和工具的标准化方法。
10531 127
|
JSON API 数据处理
Winform管理系统新飞跃:无缝集成SqlSugar与Web API,实现数据云端同步的革新之路!
【8月更文挑战第3天】在企业应用开发中,常需将Winform桌面应用扩展至支持Web API调用,实现数据云端同步。本文通过实例展示如何在已有SqlSugar为基础的Winform系统中集成HTTP客户端调用Web API。采用.NET的`HttpClient`处理请求,支持异步操作。示例包括创建HTTP辅助类封装请求逻辑及在Winform界面调用API更新UI。此外,还讨论了跨域与安全性的处理策略。这种方法提高了系统的灵活性与扩展性,便于未来的技术演进。
1000 2
|
机器学习/深度学习 SQL 大数据
什么是数据集成?和数据融合有什么区别?
在大数据领域,“数据集成”与“数据融合”常被混淆。数据集成关注数据的物理集中,解决“数据从哪来”的问题;数据融合则侧重逻辑协同,解决“数据怎么用”的问题。两者相辅相成,集成是基础,融合是价值提升的关键。理解其差异,有助于企业释放数据潜力,避免“数据堆积”或“盲目融合”的误区,实现数据从成本到生产力的转变。
什么是数据集成?和数据融合有什么区别?
|
Java 关系型数据库 MySQL
SpringBoot 通过集成 Flink CDC 来实时追踪 MySql 数据变动
通过详细的步骤和示例代码,您可以在 SpringBoot 项目中成功集成 Flink CDC,并实时追踪 MySQL 数据库的变动。
3816 45
|
SQL 运维 监控
SLS 数据加工全面升级,集成 SPL 语法
在系统开发、运维过程中,日志是最重要的信息之一,其最大的优点是简单直接。SLS 数据加工功能旨在解决非结构化的日志数据处理,当前全面升级,集成 SPL 语言、更强的数据处理性能、更优的使用成本。
18827 252
|
机器学习/深度学习 PyTorch 测试技术
LossVal:一种集成于损失函数的高效数据价值评估方法
LossVal是一种创新的机器学习方法,通过在损失函数中引入实例级权重,直接在训练过程中评估数据点的重要性,避免了传统方法中反复重训练模型的高计算成本。该方法适用于回归和分类任务,利用最优传输距离优化权重,确保模型更多地从高质量数据中学习。实验表明,LossVal在噪声样本检测和高价值数据点移除等任务上表现优异,具有更低的时间复杂度和更稳定的性能。论文及代码已开源,为数据价值评估提供了高效的新途径。
571 13
LossVal:一种集成于损失函数的高效数据价值评估方法

热门文章

最新文章