Veeam发布了一款备份软件一体机,旨在简化其数据平台备份和网络弹性产品在物理或虚拟服务器上的部署、安装和运行,支持本地和云端环境。
这款Veeam软件一体机以预配置的可启动ISO镜像或虚拟一体机形式交付,运行在经过加固的、由Veeam管理的基于Linux的"精简操作系统"(JeOS)上。该系统针对安全最佳实践进行了优化,可自动维护,消除了大部分补丁和配置任务。它与x86服务器硬件无关,意味着不会被硬件供应商锁定,Veeam表示这比购买硬件软件组合一体机成本更低。
Veeam首席执行官Anand Eswaran表示:"无论您是在部署新的数据弹性策略还是将保护扩展到新位置,我们预加固的基于Linux的解决方案都能提供即时保护,减少持续的管理难题,同时不会在安全性或灵活性方面妥协。与需要深度设置专业知识的刚性替代方案不同,新的Veeam软件一体机开箱即用。"
该公司表示"它在部署后立即提供强大的网络弹性",具备即时恢复到Microsoft Azure的功能,Veeam声称这是行业首创。它具有内置的不可变性和零信任控制来防范勒索软件攻击,提供带SAML单点登录的Web用户界面。
备份数据可以使用本地驱动器存储在一体机中,也可以存储在网络附加存储、重复数据删除备份目标设备(如Dell PowerProtect和ExaGrid)、ObjectFirst Ootbi一体机,或通过Veeam Cloud Connect等方式存储在公有云中。
Veeam软件一体机适用于需要"快速、安全备份解决方案而无基础设施困扰"的IT团队在新部署和边缘站点中使用。
Veeam软件一体机现已在全球范围内作为早期版本发布,支持Veeam数据平台基础版和高级版,预计第四季度支持高级版。新客户可享受30天免费试用。
其他数据保护供应商如Acronis Cyber Protect也提供可启动一体机。Veeam此前曾与Scality合作提供Veeam备份软件+Scality ARTESCA对象存储组合一体机。市场上有许多备份目标一体机接收来自Assigra、Atempo、Cohesity、Commvault、HYCU、Rubrik等供应商的源数据保护软件的备份数据,但这些是目标一体机而非源备份数据一体机。
JeOS是一个基础操作系统,只包含支持特定应用程序所需的部分,在本例中是Veeam备份和恢复。通常,JeOS一体机比完整操作系统环境更小、更快、更安全。通过将JeOS和应用程序配置在一个包中,可以避免完整操作系统可能出现的许多安装问题。
Q&A
Q1:Veeam软件一体机有什么特点?
A:Veeam软件一体机以预配置的可启动ISO镜像形式交付,运行在经过加固的Linux精简操作系统上,具备自动维护功能,消除大部分补丁和配置任务,与x86服务器硬件无关,成本比硬件软件组合一体机更低。
Q2:这款产品如何防范网络安全威胁?
A:该产品具有内置的不可变性和零信任控制来防范勒索软件攻击,运行在经过加固、针对安全最佳实践优化的Linux系统上,并提供带SAML单点登录的Web用户界面,在部署后立即提供强大的网络弹性。
Q3:Veeam软件一体机适合什么场景使用?
A:该产品适用于需要快速、安全备份解决方案而无基础设施困扰的IT团队,特别是在新部署和边缘站点中使用,支持物理或虚拟服务器的本地和云端环境部署。
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。