图解软件定义存储-百炼钢成绕指柔

简介:

 新浪微博:@frankfan7 邮件:frank@GetToCloud.com

实现软件定义的数据中心,软件定义的运算、网络还有存储,一个都不能少。继图解网络虚拟化之后本文揭开软件定义存储这位神秘女郎的面纱,看看她是如何化百炼钢成绕指柔

面临挑战

第一个挑战是设计复杂。存储一直是虚拟化架构设计中最关键的环节之一。很多性能的问题都和存储有关。虚拟化架构师需要了解很底层的存储设备及其特性,需要在IOPSLatency和容量等各个方面优化。另外存储的分层、扩展和运维都有很多考虑的方面。

第二个挑战是费用昂贵。如果数据量很大,特别是用存储光纤网络(SAN)的情况下,那是虚拟化平台烧钱的很大一块,平庸的存储设计看起来四平八稳循规蹈矩,殊不知可能会在存储上开销很大。

机会来了

近年来存储技术的发展,本地HDD的价格相对于SAN来说要便宜很多,最大容量期望在2016年达到60TB。价格甚至可以到几分美金/GB。同时SDD的迅猛发展,很大解决了由于IOPS导致的性能问题。价格低到1美金/IOPS.  那么人们有会问了,如果把本地HDDSDD结合起来,是不是既解决了容量,又保证了性能呢?

想法是好,技术上实现的难度也不大,可关键是后期如何有效的管理存储资源就是一个挑战了。

 百炼钢(硬件+软件实现存储虚拟化)

这种模式在运算集群和底层存储阵列之间加入了中间层,典型代表是Datacore SanSymphony-V 和 IBM SVC。 运算集群和中间层通讯就可以,无需了解太多底层的硬件设备特性。这个好处就是有很大灵活性,可以采用不同厂家的存储设备来满足不同的需要。同时扩展也比较容易。

 绕指柔初级(软件实现存储虚拟化)

实现虚拟存储的中间层更向前发展了一步,用虚拟机代替了原来的硬件设备。比如HP Leftehand Virtual SAN Appliance VMware VSA.    

这种模式与DAS结合起来,有很大的用武之地,比SAN要便宜。同时管理上也不算太麻烦。甚至有预测说DAS将会慢慢成为主流。

需要特别强调的是,中间层虽然是用虚拟机实现的,但架构没有本质变化,运算层和存储虚拟层还是分离的。这就意味着除了管理运算层之外,你还需要特别管理存储虚拟层。

 绕指柔高级 VWware分布式存储)

 

分布式存储的主要特点是:

  • ·         完全在Hypervisor层实现,无需其他硬件和软件。
  • ·         与已有的vSphere管理整合,极大的简化了存储层的管理。
  • ·         充分利用DRS实现对运算、存储和网络资源的全面优化分配
  • ·         存储策略的制定可以具体到某个VM
  • ·         扩展性和存储集群

       ESXi主机可以选择把自己本地的存储贡献给Distributed StorageDS采用RADI-1在不同主机的本地存储间同步。这样就保证了在任何本地存储损坏的情况下,还有另外一个备份能正常运行

 小结:

由我们以上的分析,可以看到存储虚拟化发展的一个清晰的脉络,由硬件+软件到软件独立实现,进一步又发展到整合在Hypervisor中。好处显而易见,成本降低,管理简化,而且增加了更多突出的特性。

需要关注的另一个方面是,传统的存储硬件厂商在存储虚拟化的浪潮中选择什么策略呢?以后我们再另文分析吧。

参考

本文插图及部分分析参考了下面一些文章。

A Preview of Distributed Storage

 VMware Distributed Storage – This is Where the (Cloud) World Collapses

 INF-STO2192 – Tech Preview of VMware Distributed Storage

RE: Is VSA the future of Software Defined Storage? (OpenIO)














本文转自frankfan751CTO博客,原文链接: http://blog.51cto.com/frankfan/1189333,如需转载请自行联系原作者




相关文章
|
8月前
|
人工智能 Cloud Native 数据管理
Gartner®全球云数据库管理系统魔力象限:阿里云连续6年获评“领导者”
Gartner®公布2025年度全球《云数据库管理系统魔力象限》报告。阿里云成为亚太区唯一入选该报告“领导者(LEADERS)”象限的科技企业,同时也是唯一一家连续6年位居“领导者”象限的中国企业。对阿里云而言,本次再度入选代表着其全栈云原生能力、面向AI时代的多模数据管理架构以及完整的Data+AI平台服务体系得到了高度认可,也充分彰显了阿里云在全球云数据库领域的行业引领地位,并印证了其在AI就绪时代的战略前瞻性。
|
5月前
|
Linux API 网络安全
阿里云+本地系统部署OpenClaw+Cookie全自动抓取公众号文章教程:大模型千问/Coding Plan配置指南
在日常信息获取、内容运营与数据监测场景中,自动抓取指定微信公众号最新文章是高频刚需。传统方式依赖搜狗搜索接口、第三方采集工具,稳定性差、易失效、操作繁琐。OpenClaw作为2026年主流开源自动化执行框架,可借助微信公众平台Cookie实现稳定、低风控、可持续的公众号文章采集,全程只需一次手动登录,后续自动运行。本文将完整讲解OpenClaw基于Cookie机制抓取公众号文章的核心原理、操作步骤,并补充2026年4月阿里云轻量服务器部署、本地MacOS/Linux/Windows11部署流程、阿里云千问大模型API与免费Coding Plan API配置方法,以及部署与运行中的常见问题解答,
2815 4
|
6月前
|
人工智能 安全 API
2026年零门槛部署OpenClaw(Clawdbot):一键生成微信公众号文章并同步至草稿箱指南
2026年,OpenClaw(原Clawdbot、Moltbot)凭借“自然语言驱动+全流程自动化+多工具集成”的核心优势,成为开源AI智能体领域的标杆项目,尤其在自媒体创作场景中,其一键生成公众号文章、自动排版并同步至草稿箱的功能,彻底解决了创作者“磨灵感、调排版、反复修改”的低效痛点,让内容创作效率实现指数级提升。
3526 4
|
5月前
|
人工智能 IDE API
Trae、VS Code、Cursor如何接入阿里云百炼Coding Plan?
阿里云百炼Coding Plan支持VS Code、Cursor、Trae等编辑器,通过Claude Code、Kilo Code、Qwen Code等插件一键接入,提供AI编程、智能补全与调试能力。需先订阅服务,仅限AI编程工具及OpenClaw类Agent使用。
|
6月前
|
人工智能 缓存 安全
OpenClaw“2小时消耗100美元”?OpenClaw/Clawdbot降本攻略:5个Token节省Skills教程(立省97%成本)
“2小时消耗100美元”“月账单3600美元”——这是不少OpenClaw用户面临的真实痛点。随着AI Agent的高频使用,Token消耗成本居高不下,成为制约高效使用的关键瓶颈。但同样是使用OpenClaw,部分用户能实现每月近乎零成本运行,核心秘诀就在于合理运用Token优化Skill。
7770 2
|
人工智能 自然语言处理 并行计算
大模型面经:任务、clip、diffusion
本文简要介绍了文本生成的常见预训练任务(如MLM、CLM、NSP等),多模态模型中的SOTA模型及CLIP的优势,以及多模态大模型如Stable Diffusion的原理。重点解析了Stable Diffusion的扩散机制与图像生成流程,帮助理解其高效性和广泛应用的原因。
754 5
|
机器学习/深度学习 JSON 并行计算
10分钟微调,让0.6B模型媲美235B模型!免费体验进行中
本方案介绍如何通过模型蒸馏技术,利用大参数模型生成数据并微调小参数模型(如 Qwen3-0.6B),使其在特定任务(如从一句话中提取结构化信息)中达到接近大模型的效果。通过 GPU 云服务器进行高效微调,结合魔搭社区的 ms-swift 框架,用户可快速完成模型训练与部署,显著提升推理速度并降低成本。方案包含详细步骤:数据准备、模型微调、效果验证及部署建议,并提供免费试用资源,助力开发者快速上手实践。
10分钟微调,让0.6B模型媲美235B模型!免费体验进行中
|
机器学习/深度学习 缓存 自然语言处理
深入解析Tiktokenizer:大语言模型中核心分词技术的原理与架构
Tiktokenizer 是一款现代分词工具,旨在高效、智能地将文本转换为机器可处理的离散单元(token)。它不仅超越了传统的空格分割和正则表达式匹配方法,还结合了上下文感知能力,适应复杂语言结构。Tiktokenizer 的核心特性包括自适应 token 分割、高效编码能力和出色的可扩展性,使其适用于从聊天机器人到大规模文本分析等多种应用场景。通过模块化设计,Tiktokenizer 确保了代码的可重用性和维护性,并在分词精度、处理效率和灵活性方面表现出色。此外,它支持多语言处理、表情符号识别和领域特定文本处理,能够应对各种复杂的文本输入需求。
1718 6
深入解析Tiktokenizer:大语言模型中核心分词技术的原理与架构
|
Linux 应用服务中间件 nginx
|
存储 Linux C语言
Linux|如何安装和运行多个 glibc 库
Linux|如何安装和运行多个 glibc 库
5655 5