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
|
1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的能源效率
【2月更文挑战第27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。随着人工智能技术的进步,特别是机器学习(ML)算法的发展,出现了新的机会来优化数据中心的能源消耗。本文探讨了如何通过应用机器学习模型对数据中心的能源使用进行实时监控和预测,进而实施节能策略。文中详细分析了不同类型的机器学习算法,并提出了一套基于预测分析的动态能源管理框架。通过仿真实验验证了所提出方法的有效性,结果表明,与传统管理手段相比,该框架能够显著提高数据中心的能源效率,降低运营成本。
37 3
|
1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冷却系统
【2月更文挑战第23天】 在数据中心的运营成本中,冷却系统占据了一大块。传统的冷却管理通常依赖于简单的规则或手动调整,无法适应复杂多变的热负荷和环境条件。本文提出了一种基于机器学习的方法来动态优化数据中心的冷却系统。我们设计了一个预测模型来估计未来的热负荷,并结合实时数据,通过优化算法调整冷却设备的工作状态,以降低能源消耗并保持适宜的运行温度。实验结果表明,该方法能够有效减少能耗,同时保证数据中心的冷却效率。
16 0
|
1月前
|
机器学习/深度学习 传感器 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第15天】 在数据中心运营效率的众多挑战中,冷却系统的优化是一个关键因素。本文将探讨如何应用机器学习技术来改善数据中心的冷却性能,减少能源消耗,并提高整体的可持续性。通过分析历史温度数据、服务器负载以及环境参数,构建预测模型来动态调整冷却需求,实现智能化管理。本研究展示了一种创新方法,不仅提升了数据中心运行效率,也为其他工业冷却系统提供了可借鉴的解决方案。
16 1
|
25天前
|
机器学习/深度学习 传感器 监控
利用机器学习优化数据中心能效
在数据中心管理和运营中,能效优化是减少能源消耗、降低运营成本的关键。本文探讨了应用机器学习技术对数据中心的能效进行实时监控和优化的方法。通过分析历史数据和实时参数,构建预测模型来指导冷却系统的调整,实现智能化能源管理。结果表明,该方法可以显著提升数据中心的能源使用效率,为绿色计算提供技术支持。
12 2
|
28天前
|
机器学习/深度学习 资源调度 算法
利用机器学习优化数据中心能效的策略
【2月更文挑战第31天】 在云计算和大数据的时代,数据中心作为核心基础设施,其能效管理已成为技术创新的前沿话题。本文旨在探讨通过机器学习技术优化数据中心能效的可能性与实践策略。通过对现有数据中心运行模式的分析,结合机器学习在能源消耗预测、资源调度和故障检测等方面的应用案例,我们展示了如何实现智能化的能源管理,以及这些技术如何帮助降低运营成本并减少环境影响。文中不仅详细阐述了机器学习模型的构建过程,还讨论了实施中的挑战及未来发展方向。
|
28天前
|
机器学习/深度学习 资源调度 数据挖掘
利用机器学习优化数据中心的能效
【2月更文挑战第30天】在本文中,我们探讨了如何通过应用机器学习技术来优化数据中心的能源效率。传统的数据中心管理方法往往依赖人工经验和定期维护,而机器学习提供了一种自动化和智能化的解决方案。文中首先介绍了数据中心能耗的主要来源,随后详细阐述了机器学习模型在预测和管理数据中心资源中的应用。通过对历史数据的学习和模式识别,机器学习不仅能够准确预测未来的负载变化,还能实时调整硬件配置以最小化能耗。最后,文章展示了一个基于机器学习的能效管理系统原型,并通过实验数据分析验证了该系统的有效性。
|
30天前
|
机器学习/深度学习 传感器 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第29天】 在本文中,我们探讨了如何应用机器学习技术来改善数据中心的能源效率,特别是针对冷却系统的优化。传统的数据中心冷却方法常常采用静态的、预设的策略,忽视了环境变化和负载波动的影响。通过集成机器学习模型,我们能够实时分析数据中心的操作状况,并动态调整冷却策略,以实现节能和性能的双重提升。文中详细介绍了所采用的算法框架、实验设置以及与传统方法的性能比较。
|
30天前
|
机器学习/深度学习 算法 调度
利用机器学习优化数据中心能效
【2月更文挑战第28天】 在本文中,我们将探讨如何应用机器学习技术来提高数据中心的能效。通过分析历史能耗数据和环境参数,构建预测模型,并基于这些模型实施动态能源管理策略。我们展示了一种自适应算法,该算法能够根据实时工作负载和外部温度变化自动调整冷却系统,以最小化能源消耗。实验结果表明,采用机器学习方法可以显著降低数据中心的PUE(功率使用效率)值,进而减少运营成本,并对环境可持续性产生正面影响。
|
1月前
|
机器学习/深度学习 传感器 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第27天】在数据中心的运行成本中,冷却系统占据了一大块。随着能源价格的上涨和环保意识的提高,如何降低冷却系统的能耗成为了一个重要问题。本文将探讨如何利用机器学习技术优化数据中心的冷却系统,以实现能源效率的最大化。我们将介绍相关的算法和技术,并通过实验验证其有效性。
|
1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的能源效率
【2月更文挑战第27天】 在数据中心管理和运营的众多挑战中,能源效率优化是一项持续的关键课题。随着人工智能技术的不断进步,特别是机器学习(ML)方法的应用,为精确预测和动态调整数据中心的能源消耗提供了新的可能性。本文将探讨如何通过机器学习模型来分析历史能耗数据,实现对冷却系统、服务器利用率和其他关键因素的智能调控,从而达到降低整体能耗的目的。我们还将讨论这些技术实施过程中可能遇到的挑战以及潜在的解决方案。