西部数据发布针对现代数据中心优化的冷数据存储硬盘

简介:
  全球领先的现代化数据中心存储领导者西部数据®发布了旗下创新的WD Ae™ 硬盘产品线。针对在网络规模数据中心新兴的归档分层存储,该系列产品为此归档存储独特运营特点进行了特殊设计。WD Ae硬盘基于为实现最优总拥有成本(TCO)的平台设计,其最低功耗性能与Progressive Capacity ™ (渐进式扩充容量模式) 为大规模云架构存储开创了全新的存储分层。

“现代化数据中心客户给我们提出了专为持续扩展的冷数据储存而设计的硬盘解决方案需求。”西部数据存储技术事业部高级副总裁兼总经理Matt Rutledge说道,“现在我们的产品线已发展到第三代,已有超过700PB数据部署。西部数据正在将WD Ae硬盘带到更广阔的市场,作为西部数据存储系列的另一个关键成员,展示着其功能与产品特点为快速变化的存储市场而优化。”

数据创建的规模正不断膨胀,人们从这些数据中获取、保存并提取价值的需要也相应急速增加,这状况为大规模数据中心实体造成了全新独特的挑战。就大规模数据存储而言,长期及可靠的数据管理正变得日益重要。针对高性价比存储的传统工具与技术部署在大规模数据中心上并不高效。因此,全新方式的存储架构及其相关的组件技术正开始展现在人们视野中。

“云服务供应商需要存储并管理大量快速增长的非活跃数据,但同时用户却可能需要在任何时候访问这些数据。”IDC硬盘研究部门副总裁John Rydning说道,“西部数据全新的WD Ae正是针对这些存储使用方式设计的硬盘产品线,为用户定义了一个全新及主动的归档企业存储细分市场,也因此为硬盘行业开创了新的硬盘存储商机。”

西部数据重点关注冷数据的特性,用多代归档存储产品引领着冷存储及归档存储市场,积极开发产品方案来为用户提供高性价比、低功耗、高存储密度与高应用强度的最佳组合。WD Ae硬盘是一款量身定制的归档存储硬盘,在大容量机械结构中拥有超高磁录密度,提供更低的能耗与渐进式扩充容量模式。

WD Ae硬盘系列的其他特性包括:5盘片高密度设计实现能耗、性能、容量与成本的最佳平衡;容量超过6TB;SATA 6Gb/s接口;60TB/年与50万小时平均故障间隔时间(MTBF)的可靠工作性能。

WD Ae渐进式扩充容量

随着技术与制造工艺的日趋成熟,容量的进一步提升已经可以实现。西部数据创新的渐进式扩充容量可以使这些更高容量的型号利用该优势实现最大的容量:如6.1TB、6.2TB或6.3TB。这些看似较小的容量提升可在产品全寿命期实现更高的容量。对于大规模现代化应用来说,每一点可用容量的提升都会给数据中心带来更高的价值,实现每硬盘和每单位空间容量的增加并减少架构的日常开支。

热数据 相对 冷数据 - 数据存储温度之连续性

大多数网络上大约20-30%的数据是活跃的,通常我们称之为“热数据”,但是大部分约70-80%的数据是不活跃的或者称之为“冷数据”,意味着这些数据并不是经常变更也不会频繁地被访问。面对PB或EB级数据存储的挑战,公有云与私有云生态系统正在致力于创建全新的存储方式来处理“数据温度”的变化程度。冷数据分层以非常类似于过去十年间出现的第0层 (TIER 0) 出现并按这种方式应对关键性能需求。现在,存储行业正在数据温度范围的相反末端之上带来新的分层,通常被称之为第三层存储(TIER 3)。

冷存储就是这样的一种实践,它以全新的分层方式来储存一些长时间非频繁访问的重要数据,并包括拥有永久价值的结构化、非结构化、半结构化数据,但这些数据被获取的确切时间并不确定。这样一来,与热数据需要获取的频度相比,冷数据获取次数相对地轻松。

最终,借助专门设计且成本优化的冷数据存储架构与设备,IT部门可以提供大幅改进的按需求归档及按需要存取的冷数据或归档数据。这种方式的储存能力远超越庞大的磁带库所能及,同时能在使用广泛应用的标准硬盘存储解决方案的基础上实现最优的应用价值与存储成本的大幅节约。

  
作者:佚名
来源:51CTO
目录
相关文章
|
4月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心的能源效率
【8月更文挑战第30天】 在信息技术不断进步的今天,数据中心作为支撑云计算、大数据分析和人工智能等技术的核心基础设施,其能源效率已成为衡量运营成本和环境可持续性的关键指标。本文旨在探讨如何通过机器学习技术对数据中心进行能源效率优化。首先,文中介绍了数据中心能耗的主要组成部分及其影响因素。其次,详细阐述了机器学习模型在预测和管理数据中心能源消耗方面的应用,并通过案例分析展示了机器学习算法在实际环境中的效果。最后,文章讨论了机器学习优化策略实施的潜在挑战与未来发展方向。
|
4月前
|
机器学习/深度学习 存储 监控
利用机器学习技术优化数据中心能效
【7月更文挑战第36天】在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着能源成本的不断上升以及环境保护意识的增强,开发智能化、自动化的解决方案以降低能耗和提高能源利用率变得尤为重要。本文探讨了如何应用机器学习技术对数据中心的能源消耗进行建模、预测和优化,提出了一个基于机器学习的框架来动态调整资源分配和工作负载管理,以达到节能的目的。通过实验验证,该框架能够有效减少数据中心的能耗,同时保持服务质量。
|
6月前
|
机器学习/深度学习 运维 数据挖掘
智能化运维:利用机器学习优化数据中心
【6月更文挑战第28天】本文将探讨如何通过机器学习技术来优化数据中心的运维工作。我们将首先介绍机器学习的基本原理,然后详细讨论其在数据中心运维中的应用,包括故障预测、性能优化和自动化运维等。最后,我们将通过一个实际案例来展示机器学习在数据中心运维中的实际效果。
|
7月前
|
机器学习/深度学习 存储 监控
利用机器学习优化数据中心能效的策略
【5月更文挑战第29天】 在信息技术迅猛发展的今天,数据中心作为信息处理和存储的核心设施,其能源消耗已成为关注焦点。传统的数据中心管理方法难以应对复杂多变的能耗问题,而机器学习提供了一种高效的解决方案。本文通过分析数据中心能耗特点,提出了一套基于机器学习的数据中心能效优化策略。通过构建预测模型,动态调整资源分配,实现能耗与性能之间的最优平衡。实验证明,该策略能有效降低能耗,提升数据中心的运行效率。
|
7月前
|
机器学习/深度学习 算法 数据挖掘
利用机器学习优化数据中心能效
【5月更文挑战第30天】 在数据中心管理和运营过程中,能效优化是一项持续的挑战。随着能源成本的不断上升以及环保意识的增强,开发高效能的数据中心变得更加重要。本文将探讨如何利用机器学习技术来优化数据中心的能源使用效率,减少能耗同时保持系统性能。通过分析历史数据和实时监控信息,机器学习模型可以预测数据中心的负载变化,并动态调整资源分配以实现最佳的能效比。文中还将讨论实施机器学习驱动的能效优化策略时可能遇到的挑战及解决方案。
|
7月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
7月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心能效的策略
【5月更文挑战第31天】在信息技术不断进步的今天,数据中心作为计算和存储的核心,其能源效率问题日益凸显。传统的能效管理方法已无法满足当前复杂多变的需求。本文提出了一种基于机器学习技术的数据中心能效优化策略,通过智能算法实时监控和调整数据中心的运行状态,以达到降低能耗、提高资源利用率的目的。该策略不仅考虑了服务器负载和冷却系统的效率,还兼顾了可再生能源的使用情况,为绿色计算提供了新的视角。
|
7月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】在数据中心的运营成本中,冷却系统占据了相当一部分。为了提高能效和降低成本,本文提出了一种基于机器学习的方法来优化数据中心的冷却系统。通过对大量历史数据的分析和挖掘,我们设计了一个预测模型,用于实时监控和调整数据中心的温度。实验结果表明,该方法可以有效降低能耗,提高数据中心的运行效率。
|
7月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心能效的策略
【5月更文挑战第30天】在信息技术不断进步的今天,数据中心作为核心基础设施之一,其能效管理已成为技术创新和成本控制的焦点。本文通过分析当前数据中心能耗问题,提出了一种基于机器学习的优化策略,旨在实现数据中心能源使用的最大化效率和最小化开销。我们采用预测算法对工作负载进行实时分析,动态调整资源分配,并通过仿真实验验证了该方法的有效性。结果表明,应用机器学习技术可以显著降低数据中心的能耗,同时保持服务质量。
|
7月前
|
机器学习/深度学习 资源调度 监控
利用机器学习技术优化数据中心能效
【5月更文挑战第30天】在数据中心管理和运营中,能源效率的优化是降低运营成本和减少环境影响的关键。本文旨在探讨如何应用机器学习技术来提升数据中心的能源效率。通过对现有数据中心运行数据的深入分析,开发预测性维护模型,以及实施智能资源调度策略,我们可以显著提高数据中心的能效。本研究提出了一种集成机器学习算法的框架,该框架能够实时监控并调整数据中心的能源消耗,确保以最佳性能运行。