亚马逊日前为AWS应用程序和数据推出自己的备份服务,此举将不可避免地影响到云计算服务备份独立供应商的利益。
AWS Backup(AWS备份服务)为亚马逊的DynamoDB、弹性块存储(EBS)、弹性文件系统(Amazon EFS)、Amazon Relational提供存储卷、数据库和文件系统数据库服务(Amazon RDS)和AWS Storage Gateway保护,未来还计划支持其他服务。
客户也可以将AWS Backup整合到公司自己的Storage Gateway,用于备份本地应用程序数据。
AWS存储暨自动化管理服务副总裁Bill Vass谈到亚马逊计划从备份业务挖走的客户类型:有些客户只是修修补补充,他们也就是将各种AWS服务做些微调和调整,整到所需的架构中,而其他构建商也是基于同样的功能范围和深度被吸引到AWS,但却愿意用一些服务粒度交换到更高的抽象层起点,因此可以更快地构建。我们是为第二类构建商设计了AWS Backup,这些构建商告诉我们他们想在一个地方进行备份而不是必须跨过多个单独的服务进行备份。
AWS备份基于快照,可在美国东部、美国西部和欧洲地区使用。AWS备份通过AWS管理控制台设置和管理,用户可以通过AWS管理控制台从单个位置配置和审核AWS资源备份、自动执行备份计划、设置保留策略以及监控最近的备份和还原。
服务费用(https://aws.amazon.com/backup/pricing/)基于每月备份数据量用到的备份空间大小。首个备份为完整备份,后面的备份为增量备份,需要的空间更少,因此费用更低些。另外还有单独的恢复费用。
备份和恢复价格根据热和冷(存档)存储而不同,现在的服务设置仅提供EFS文件系统备份冷存储。
美国东部地区的样品价格如下:
|
AWS服务 |
暖存储$/月 |
冷存储$/月 |
|
|
Backup备份 |
EFS |
0.05 |
0.01/GB |
|
EBS |
0.05 |
n/a不适用 |
|
|
RDS Database |
0.095 |
n/a不适用 |
|
|
DynamoDB Table |
0.10 |
n/a不适用 |
|
|
Storage Gateway |
0.05 |
n/a不适用 |
|
|
Restore恢复 |
EFS |
0.02/GB |
0.03/GB |
|
EBS |
Free免费 |
n/a不适用 |
|
|
RDS Database |
Free免费 |
n/a不适用 |
|
|
DynamoDB Table |
0.05/GB |
n/a |
|
|
Storage Gateway |
Free |
n/a |
基于Amazon EFS备份存储的AWS收费示例:一个月15天里400GB,其他15天里800GB,外加10个备份,每个1GB,每个月的AWS备份费用总额合30.20美元。
坊间有许多独立备份供应商开发了AWS云内备份服务。其中一个供应商是Spanning(https://www.theregister.co.uk/2018/10/01/kaseya_buys_spanning/),另外还有如Acronis、Commvault、Druva和Veeam等。
一位与某主要独立AWS备份供应商关系密切的消息人士表示,亚马逊的举动令人失望,因为AWS和该备份供应商之间应该是商业合作伙伴关系。
备份供应商称他们并不十分担心亚马逊的举动,不过亚马逊的营销力量很强,整个服务除了方便其实并无可取之处:如果用户在设置其他亚马逊服务时可以选择AWS备份服务,那么该服务将具有强大的吸引力。
而我们采访过的一位独立供应商内部人员则很快指出,举个例子,用了AWS Backup后用户无法将工作负载从AWS推送到Azure,而用了该供应商和其他独立供应商的服务却可以这样做。
该备用供应商内部人员承认AWS便利性将是一个极大的因素,但警告客户要注意锁定问题,而在新兴的多云世界里更需注意锁定问题。
客户和渠道类商家也应该针对AWS Backup的大量功能和成本做出比较及生成比较表格。
但无论独立备用供应商如何做,AWS Backup的便利性对客户肯定有强烈的吸引力。我们预计亚马逊将占据亚马逊云中备份全部潜在市场的很大一块。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。