华为服务器虚拟化和存储虚拟化中标,企业服务器与存储虚拟化

陈吴

摘要 信息化时代的发展使行业获得了较大的进步,企业发展需要与时代共同进步。对于企业的运作来讲,其中会产生大量的资料与数据,而企业数据资料的存储问题对其来讲一直都是比较重要的问题之一,新时期有人提出网络虚拟化存储数据,建立运输局资料存储库,减少实体数据设备,虽然这一观念非常具有价值,但是在实际发展之中却存在很大问题,所以需要对相关内容进行更深入的研究,借此使其可以获得更大的进步,为其实际发展提供更大的动力。

【关键词】企业服务器 存储虚拟化 虚拟化数据存储

虚拟化数据存储与企业服务器虚拟化技术在发展之中,发展情况与前景预估不符的重要原因是因为虚拟化数据存储云端装置的安全性并不是非常好,而且因为企业发展运行机密内容并不想被外界获知,所以也使这一发展受到了一定的影响,而且在一定程度上的服务器虚拟化与数据存储虚拟化故障会为企业的发展带来巨大的损失。

1 存储虚拟化

存储虚拟化指的是硬件资源的抽象,表示其虚拟的形式,虚拟化可以与物理系统相分离,数据驱动的具体工作可以使人随意进行存储资源的点播。虚拟化会涉及到很多的物理存储资源,其不仅可以实现存储工作,还可以执行并区分逻辑方式进行集中管理多个虚拟机,而虚拟化还可以通过磁盘显示为带应用方式。

从现阶段的实际情况来讲,相关研究人员认为,通过虚拟化技术进行存储工作可以有效地体现其效率,并且使其更便于管理,而且还可以有效地降低成本。虽然各个厂商都在大力的推广虚拟化存储,但实际情况与预设情况却有很大的差异、造成存储虚拟化进展缓慢的原因主要有三个方面。首先是存储系统的标准化建设相对来讲比较缓慢,从当前的实际情况来讲,相关的厂商要想进行虚拟化产品的整合依旧存在一定的困难。其次是存储虚拟化产品在近年来的价格一直都处于不断提高的过程中,所以更重视高端用户的需求。IT虚拟技术相对来讲普遍较低,存储厂商与虚拟化保持着观望的态度。最后是因為厂商之间不能实现相互合作,只是依靠单兵作战。从事实可知,其现阶段更重视存储自身,对于虚拟存储解决方案与其他IT组件的重视程度并不是非常高。

2 服务器虚拟化对中小企业的作用

因为虚拟化的发展已经使数据中心出现了非常大的变化,虚拟化代表使用的硬件会减少,可以降低成本并提提供IT效应与虚拟化技术,相关技术与其优点会逐渐渗透到数据中心中的其他领域之中。从现阶段的实际情况来讲,服务器虚拟化与存储虚拟化已经逐渐成为主流的数据中心,其对于中小企业的发展也会产生更大的作用。

数据管理是一项挑战,不同规模的增长都必须更加积极的面对相关内容,但是从中小型企业的实际情况来讲,管理相关数据增长的问题就成为其中更重要的内容。中小企业需要面对数据增长问题,相关问题与大中型企业的发展基本相同,但是在IT预算与人力资源等方面则会少很多,存储虚拟化可以帮助相关企业降低存储容量与成本,并且可以降低在数据管理中的工作,使其提资源可以得到更加合理的应用。

从存储虚拟化格局改变的角度来讲,存储虚拟化会重新展开服务器虚拟化道路。从之前一段时间的情况来讲,服务器虚拟化的焦点问题在于虚拟机管理工作。而现阶段虚拟机管理器已经转变成商品,使客户可以更好的提高灵敏度并且可以有效地节约成本。通过对未来情况分析可知,在未来的一段时间,存储虚拟化也会进入到成熟期,虽然服务器虚拟化已经逐渐成为主流,但是存储虚拟化性教育主流还有一定的发展时间。从现阶段的实际情况来讲,证明这一技术是比较有效的。在未来的一段时间,管理性会更加重要,例如怎样更加有效的利用现有的硬件基础等。

3 发展趋势

从现阶段的实际情况来讲,存储虚拟化最热门的技术就是重复数据删除与云存储这两项。因为数据的增长速度不断地生,很多企业都在不断的寻找可以降低自身存储成本的方式,存储虚拟化是相关技术的发展关键,因为通过这一技术可以降低相关技术的应用困难。存储虚拟化可以自动的判断数据适合哪些存储类型,而且可以在不受干扰的情况下判别流程,按照预定的正常的迁移数据。

而类似于异质虚拟存储环境下同质数据保护服务等新技术,同样具有较好的应用价值。存储虚拟化可以在IT行业中广泛应用并获得最佳时间。虚拟化SAN会逐渐转变为存储环境部署与管理实施的标准。

中小企业预计可以获得更多的存储虚拟化解决方案,还可以获得更多的新协议的支持,例如光纤通道以太网,在IP上提供高性能服务。

非常多的人关注虚拟化的部署情况,是从注意、网络还出存储的角度展开,相关的展开角度都有属于自身的优缺点,很多人重视的是让存储虚拟化合并存储系统,将相关的系统合并到公共的存储池之中,并通过共同的管理与保护。存储虚拟化的目标是可以向不同的厂商选择存储阵列的能力,为客户提供各种企业级功能。

4 结论

我国在服务器虚拟化与数据云端存储方面还有很大的进步空间,相关问题需要有完善的技术为其提供支持。而且其要想获得获得更好的发展,还需要从多方面辅助其不断建设成型,使其可以获得更好的发展。就当前其发展的世界情况来讲,含有很多问题没有解决,而且在推广与使用方面也遇到了较大的问题,所以在之后的建设工作中,需要从相关方面展开,进一步的加强相关建设的效果,使其可以获得更大的进步。从我国相关情况来讲,还有很大的进步空间,所以需要通过更加有效地方式,解决相关问题,为其进步提供更大的帮助。

参考文献

[1]骆成蹊.采用NAS架构优化VMware服务器虚拟化环境的存储管理[J].电子科学技术,2017,04 (03):41-45.

[2]杨璐涛,廖英豪,基于华为FusionCompute部署服务器虚拟化

以深圳市盐田区为例[J].电子技术与软件工程,2017,11 (02):20.

[3]李跃宇,基于摩尔定律和工序能力的企业服务器设备价值评估方法研究[J].价值工程,2015,34 (17):13-15.

  • 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
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