Container采用Texas Memory固态盘阵列

简介:
  
  【WatchStor独家译文】Container Store宣布选择固态硬盘来消除在高峰期时Web传输的瓶颈。

但是单靠固态硬盘并不能满足非计算机存储零售商的需求,还需要使用Oracle工具来解决这个问题,找出合适的数据集保存在固态硬盘中。

据Container Store首席技术官Tom Birmingham表示,该公司的供应连锁系统收集了来自不同部门和销售点的数据,制定了相应的升级预测和库存储订单计划。然而,在这个流程推迟了将近12个小时——有时候甚至推迟了15个小时——之后Container Store在2007年决定采购两台由Texas Memory Systems公司提供的RamSan-400系统。

RamSan-400采用了DRAM,对旋转磁盘驱动器进行备份以进行持续数据存储(更新的版本采用了NAND闪存来保证数据连续性)。

Birmingham说:“随着系统更加精密,越来越多的瓶颈也随之出现。”Container Store对他们的基础架构进行了必要的修改以解决其中一些问题,但是他们发现供应连锁报告生成的Oracle数据库仍然是磁盘I/O的一个障碍。

在我们平时讨论固态硬盘的时候经常会提到的一个问题,那就是缺乏嵌入式工具来识别和获取最适合于固态盘的数据。虽然新推出的混合型磁盘系统提供了专门针对这一点的软件,但是在Container Store选择固态盘的时候并没有任何可用的解决方案。相反,该公司使用Oracle Reports 10g在添加RamSan设备之前识别出使用频率最高的数据集,找出那些要求固态硬盘容量累积达到200GB到300GB之间数据。

据平台总监Jay Wehring表示,RamSan-400的IOP相比Container Store使用的EMC Clariion CX500磁盘阵列提供了“很多个数量级”。虽然他没有给出详细的性能数据,但是他声称,在安装了RamSan之后,从前长达15小时的供应连锁系统流程窗口现在被缩减到3个小时。

大约一年前,该公司首席执行官和总裁与Container Store取得了联系。后来在去年11月,Container Store公司IT部门决定配置第三台RamSan-400以处理450GB的网站数据。

除了Texas Memory DRAM解决方案之外,Container Store还考虑了其他基于闪存的混合型系统,不过到目前为止还没有找到一款适合他们的系统。Wehring说Texas Memory向他们基于Web的GUI中增加更多的管理特性。他表示:“如果基于Web的GUI能够完成大多数工作就好了。”例如,浏览器中能够新建LUN,如果需要取消这些LUN的话,那么Wehring就不得不借助基于操作系统的宽管理工具来完成这个工作。【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
Windows下的CMake下载与安装
Windows下的CMake下载与安装
Windows下的CMake下载与安装
|
自然语言处理 编译器 C语言
软考:区分词法分析、语法分析、语义分析
本文解释了编译过程中的词法分析、语法分析和语义分析三个阶段的区别,并提供了相关练习题,帮助读者理解各阶段在编译过程中的作用和重要性。
887 4
|
Java Spring
SpringBoot不扫描某个包
因为项目中写了很多个CommandLineRunner,导致在本地启动项目的时候就会很慢,注释掉的话,又会很麻烦~~~
993 0
|
机器学习/深度学习 人工智能 程序员
利用 AI 进行代码审查:提升软件质量的新途径
【10月更文挑战第18天】本文探讨了利用 AI 进行代码审查的优势和方法,包括提高审查效率、减少人为错误、确保一致性和标准化以及提供实时反馈。介绍了 SonarQube、DeepCode 和 GitHub Copilot 等工具,并分享了实施 AI 代码审查的最佳实践。通过结合 AI 和人工审查,可以显著提升软件质量。
|
存储 关系型数据库 MySQL
分布式事物【悲观锁、乐观锁、读锁、写锁、间隙锁、临键锁 、 表锁、行锁、页面锁、 如何避免死锁】(二)-全面详解(学习总结---从入门到深化)
分布式事物【悲观锁、乐观锁、读锁、写锁、间隙锁、临键锁 、 表锁、行锁、页面锁、 如何避免死锁】(二)-全面详解(学习总结---从入门到深化)
814 0
|
SQL 数据库
为什么SQL日志文件很大,该如何处理?
为什么SQL日志文件很大,该如何处理?
|
机器学习/深度学习 DataWorks 安全
CDP是什么?
CDP是什么?
1060 0
|
机器学习/深度学习 人工智能 自然语言处理
ICML 2024 Spotlight:在解码中重新对齐,让语言模型更少幻觉、更符合人类偏好
【7月更文挑战第13天】ICML 2024 Spotlight: Decoding-time Realignment改善语言模型,减少幻觉,增强人类偏好一致性。研究提出在解码阶段动态调整模型对齐,通过控制参数实现对齐与性能平衡,提高泛化能力。尽管面临参数选择及计算资源挑战,该技术为优化AI文本生成对齐提供了新途径。[论文链接](https://openreview.net/forum?id=n8g6WMxt09&noteId=E3VVDPVOPZ)**
340 9
|
传感器 设计模式 测试技术
【软件设计师备考 专题 】程序设计的基础:模块划分的原则、方法和标准
【软件设计师备考 专题 】程序设计的基础:模块划分的原则、方法和标准
1075 0
|
算法框架/工具 PyTorch 机器学习/深度学习
PyTorch 2.2 中文官方教程(三)(3)
PyTorch 2.2 中文官方教程(三)
331 0

热门文章

最新文章