日前,国际权威标准性能评估组织SPEC发布了最新的SPECvirt_sc2013性能测试结果,浪潮云海虚拟化InCloud Sphere刷新Intel两路服务器上虚拟化软件性能测试成绩,以4679分打破了已尘封四年之久的世界纪录,成绩霸榜全球第一,较之前的测试最高分提升了39%。
SPEC是由全球几十所知名大学、研究机构、IT企业组成的第三方测试组织,拥有SPEC CPU、SPEC Power、SPEC Cloud、SPEC ML等多项公开的标准化测试规范和模型。
多年来,SPEC测试完全模拟现实使用需求,讲求参测系统整体上的性能和在实际应用中的表现,被金融、电信、证券等关键行业用户作为选择IT系统的权威选型指标之一,测试成绩排名得到了全球企业级客户的高度认可和广泛支持。
SPECvirt_sc2013作为SPEC推出用于评估云数据中心虚拟化性能的标准测试工具,参与厂商众多,包含了几乎所有服务器生产厂商,其测试集合包括数据库、中间件、邮箱、Web Server等多种类型的虚拟机。简单来说,在保证服务质量(QoS)的前提下,于一台服务器上能够部署的虚拟机数量越多,则SPECvirt性能总得分就越高。
本次测试中,浪潮云海虚拟化系统InCloud Sphere实现了在一台NF5280M6服务器上有效运行263台高压力虚拟机,创造了新的虚拟机密度记录。InCloud Sphere之所以能够取得霸榜第一的优势成绩,主要还是归功于以下两个层面的创新:
「攻坚轻量级Hypervisor,高效降低虚拟化资源损耗」众所周知,提高服务器上虚拟机密度的关键因素在于让虚拟化系统将尽可能多的CPU、内存、存储I/O和网络带宽资源留给虚拟机使用,也就是尽可能减少虚拟化本身对资源的损耗。 经过多年的持续优化,InCloud Sphere的Hypervisor层组件在保持稳定可靠的基础上做到代码持续精简,资源损耗显著下降;同时为充分利用新型硬件设备,例如浪潮自研NVMe SSD提供的高性能存储,InCloud Sphere在I/O栈进行了全方位的性能优化,简化了从虚拟磁盘到物理磁盘的数据传输通道,收效显著。
「实现资源精细管理,避免因资源不足而宕机」通常在同一台服务器上同时运行数百台高压力虚拟机,如果物理资源分配不均衡,就会带来虚拟机间无序争夺抢占资源的情况,这极有可能导致某些虚拟机因获得资源不足而宕机。这种状况不仅存在于SPECvirt性能测试中,更是普遍发生于用户的真实生产环境中,十分影响业务稳定性。
为解决此问题,浪潮云海InCloud Sphere开发了资源精细管理模型,将CPU、内存、磁盘I/O、网络带宽等资源进行了细粒度的划分,即根据优先级和历史实际资源占用情况对每台虚拟机进行智能化、精细化、强隔离的资源供给,获得系统总体性能和单台虚拟机资源保障的最优解。
一直以来,InCloud Sphere作为浪潮自主研发、基于 KVM 深度定制的计算虚拟化软件,具备支持资源预留、热添加、GPU 直通、vGPU、USB Over IP、 DRS、裸机管理、独立副本等多种高级特性。
其中内置的自研企业级分布式存储系统InCloud Storage,可针对超融合场景进行大量软硬件调优和稳定性测试,兼顾多种容错和故障冗余机制,做到全面保障用户数据高效与安全存储。
此外,早在今年IPF期间震撼发布的自研SDN模块InCloud SmartFlow,支持网络子网划分、隔离、sFlow、端口镜像、DHCP防护等功能,搭配智能网卡实现SDN控制器的转发卸载,节约CPU资源的同时大幅度提高转发速率,更加支持与浪潮、第三方SDN硬件设备的对接与联动。
重要的一点,浪潮云海InCloud Sphere稳定性和高性能已经经过多行业多场景的实践检验,充分满足企业 、制造业、能源、交通、医疗、金融、电信等行业的业务实践需求。未来定将围绕智算操作系统核心引擎的产品定位,持续打造虚拟化硬核技术实力,推动企业数字化、智能化转型。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。