IBM借SVC“虚以应变”

  SVC不仅能帮助IT部门更快速地响应客户需求并实现资源的集中管理,还能帮助企业迈向绿色数据中心。

  如今,很多CIO都认识到,虚拟化能够帮助企业提升IT效率,并促进全新IT服务的快速部署。而存储的虚拟化技术,则可以减少对于额外物理存储硬件系统的需求,并最终减少数据中心的总体能耗。

  近日,IBM推出了存储虚拟化软件的最新版本—System Storage SAN卷控制器(SVC)4.3版本,这也是作为IBM全新企业级数据中心模型的重要组成部分。

  SVC是一个基于网络的虚拟化设备,旨在将多个存储系统的存储容量集中在一个SAN中,并能够动态地移动和复制数据。自IBM在2003年5月推出首款代号为“魔法石”的SVC产品以来,在随后的5年间经过不断的升级优化,直到今天的SVC4.3。

  在IBM系统与科技事业部大中华区产品部总经理侯淼看来,SVC能够在整个企业创建整合的虚拟资源池,帮助IT部门更快速地响应客户需求并实现资源的集中管理,从而显著提高IT基础设施的灵活性和响应能力。

  让业务随需而变

  有调查显示,未来5年内,全球70%的数据中心都需要进行改变,数据的海量增长使得数据中心占地成为企业的发展桎梏。为此,IT部门必须建立一种全新的模式,而围绕虚拟化可以实现资源共享,基于服务交付,灵活地应对数据中心的种种复杂性。

  基于虚拟化的基础,IBM推出了全新企业级数据中心(New Enterprise Data Center)的概念。作为NEDC的重要组成部分,在存储的虚拟化方面,SVC为异构存储环境创造了一个虚拟化存储池,通过从一个中央点对整个存储池执行存储管理任务,帮助存储管理员提高生产力。

  更重要的一点是,SVC打破了多年来在存储虚拟化产品采用上,对于厂商的局限性。无论客户目前正在使用来自EMC、HP或日立等某家厂商的存储产品,在IBM SVC的基础上,客户可以任意组合来自不同厂商的存储设备,通过虚拟化的实现,对设备进行灵活且独立的管理和部署。

  据了解,目前很多企业仅仅使用了自己存储资产容量的25%~50%。在这方面,SVC可以将来自多个磁盘阵列的存储容量合并到单一存储资源中,使存储管理员可以从中央点进行管理。此外,SVC允许创建分层的存储架构,帮助使用最为有效的存储系统。

  而在拷贝服务、无中断的数据迁移和灵活的灾难备份以及关键应用的可扩展性上,最新的SVC版本都能提供很好的帮助。

  用户能耗意识增强

  据了解,IBM存储虚拟化系统SVC自2003年进入市场以来,已经向客户交付了超过12000个SVC引擎,SVC装机系统超过4000个。但是侯淼介绍说,中国市场只有200多套。事实上,由于用户所出的阶段不同,他们对于存储虚拟化的认识也不尽相同。

  据IBM全球信息科技服务部大中华区服务产品线经理汤梁介绍,对于科研院所等运算密集型单位,他们对虚拟化的应用主要集中在服务器层面;而对于数据密集型企业,尤其是业务品种比较繁杂、数据种类较多以及存储系统较多的单位,则对存储的虚拟化应用较为广泛。

  其实在中国市场,数据的增长量也不容小视,包括中小企业在内,中国市场去年的数据平均增长量已经超过100%。因此,与已经重点关注能源消耗的国外用户相比,中国企业还在把相当部分的IT投入,用在购买硬件设备以及相关的软件上。

  在操作层面,企业如今已经拥有了很多设备,而要管理好这些设备,以及节省人力资源、电力、制冷等的开销,很多用户已经开始积极地利用各种先进技术,以便将不同的存储系统充分利用起来,虚拟化就是其中的热点之一。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值