采用最新闪存驱动技术 戴尔再次大幅降低企业级闪存存储成本

   引言:中国北京,2015年7月21日──戴尔公司近期宣布其成为业内首家采用最新、最高密度、最低成本高性能企业闪存驱动器的存储阵列提供商,帮助各种规模的企业大幅降低与存储和管理宝贵的数据和IT应用相关的成本。


戴尔存储副总裁兼总经理Alan Atkinson在位于美国得克萨斯州奥斯汀的戴尔实验室视察基于TLC 3D NAND技术研发的全新闪存驱动器。戴尔闪存优化级软件能够让戴尔存储用户用超低价格体验全球独一无二的、高性能前沿闪存技术。

①戴尔的现代化存储阵列架构以及最新闪存驱动器技术,使其全闪存阵列每GB成本达到业内最低。

②与15K硬盘驱动器相比,采用最新企业闪存驱动器的戴尔存储阵列在每GB同等价格的条件下,性能却提高了24倍。

③戴尔SC系列存储阵列闪存密度提高了一倍,每个戴尔存储2U阵列提供高达90TB的原始闪存容量,使客户能够在空间大小相同的情况下,支持双倍数据。

通过戴尔现代化、虚拟化的存储阵列架构和独特的智能数据存放技术,基于三阶储存单元(TLC) 3D NAND技术,戴尔存储SC系列阵列的客户可以采用新的主流读取密集型(RI)SSD。这些技术与之前的闪存和硬盘选项相结合,让客户受益于整个存储分段上性价比更高的闪存和更高的存储密度,以满足从高端到入门级客户的全方位需求。

例如,戴尔现在可以提供戴尔存储SC4020全闪存解决方案,每GB定价低至1.66美元,每GB典型混合闪存配置的成本低至0.58美元,让企业以更低的存储成本更快速地访问关键数据。即使是在采用数据缩减技术之前,全新戴尔存储全闪存配置仍旧比进行数据缩减之后的主要竞争对手的解决方案提供更低的每GB价格。


Dell Storage SC4020

IDC存储系统部研究总监Eric Burgener表示:“戴尔独有的智能数据存放战略,让不同类型的闪存——SLC, MLC和TLC——能够在多层架构中高效地部署,而多层架构比单层闪存阵列的经济效益更高。戴尔宣布基于TLC 3D NAND技术的闪存驱动器使其存储密度达到每个机架单元45TB,把每GB企业闪存存储的成本降低到15K RPM硬盘的水平,而且性能大幅提升。长久以来,成本一直是数据中心采用闪存的最大障碍,而戴尔最新发布的每GB成本更低的全闪存配置,使得更多的企业工作负载可以使用闪存技术。”

戴尔如今已实现了在闪存采用方面的大幅增长,戴尔存储SC系列全闪存和混合闪存在2015年第一季度的收入同比增长89%。根据SSG-NOW在2015年1月进行的一项针对全球580名IT行业领导者的独立调查报告显示,在部署企业级闪存/SSD方面,企业首席信息官及IT主管们已经把戴尔作为首选厂商。

戴尔存储副总裁兼总经理Alan Atkinson表示:“作为业界首家宣布支持最新闪存技术的存储阵列提供商,戴尔将继续重新定义企业存储的经济性,并降低采用闪存的成本门槛。通过这些改进,我们可以大幅降低高性能、闪存优化阵列的成本,同时提升低价、通用阵列的性能。客户可以通过购买或更新现有阵列,以无与伦比的低成本享受到企业级闪存的高性能和高密度。”

戴尔现代化、虚拟化的存储阵列架构通过创造性的手段,能够根据工作负载目标和使用模式在相同的阵列中智能地利用多种闪存,催生了一系列既具有高速度又经济实惠的戴尔存储闪存优化阵列,包括全闪存和混合闪存配置。由于成本一直是闪存普及的主要障碍,所以戴尔一直致力于高效驱动器的优化,坚持不懈地降低企业闪存的总体成本。

戴尔存储阵列全面降低闪存的各项成本并提高其密度

通过戴尔专利认证的Data Progression智能数据存放技术,以及新版Dell Storage Center 6.6阵列软件,戴尔存储SC系列阵列可以采用并优化基于TLC 3D NAND的全新Mainstream RI闪存驱动器。Mainstream RI驱动器是业内每GB成本最低、密度最高的企业闪存驱动器,让戴尔的SSD价格大约相当于高端15K硬盘的每GB价格,而性能上比后者提升了24倍,密度上提高了6倍,并且延迟和能耗更低。

戴尔Data Progression软件让戴尔及其客户能够利用Mainstream RI闪存驱动器的优势来打造价格更低的高性能解决方案。在闪存优化解决方案中,如今戴尔提供的阵列整合了最新驱动器及性能更高的写入密集型(WI)闪存驱动器。通过这种方式,成本更低的Mainstream RI驱动器被部署为“只读”第二层,而数据写入位于最高性能的闪存驱动器,降低了戴尔企业闪存阵列解决方案的总体成本,同时又保持了高性能。


Dell Compellent SC8000

因此,戴尔进一步降低了企业采用闪存的成本门槛,包括混合闪存或全闪存阵列配置的戴尔存储SC8000、SC4020和SCv2000系列,大幅提高了低价通用阵列的性能,并大幅降低了高性能闪存优化阵列的成本。

Dell Storage SCv2000

通过容量最高可达3.8TB的全新驱动器,闪存对任何规模的企业而言,都变得更加实用。戴尔存储SC4020可以在2U机架空间内提供完整的90TB阵列。此外,戴尔存储SC8000阵列可以多支持62%的闪存,使得一个阵列中的原始闪存容量总计可达3PB。

关注戴尔全球大会2015

欢迎大家加入于10月20日-22日举办的戴尔全球大会2015。作为戴尔公司的年度盛事,戴尔全球大会将聚集全球顶尖的技术专家与商业精英,互相交流、探讨如何共创美好未来。欲了解更多信息,敬请访问www.dellworld.com,并欢迎关注Twitter热门话题#DellWorld。



作者:佚名
来源:51CTO
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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