Oracle近日推出了最新一代Exadata处理器,并宣布基于Oracle Exadata Cloud Infrastructure X9M设备的计算服务现已在Oracle Cloud Infrastructure中提供。
Oracle表示,运行于Exadata基础设施上的Oracle Autonomous Database Service在性能、吞吐量和容量上有显著提升,而且成本不会相应增长。企业组织可以利用该平台将大量事务型处理、分析和混合数据库工作负载整合到单个云服务中。
该系统配置了AMD最新一代微处理器,具有64个核心,让Exadata Cloud Infrastructure X9M能够扩展到8064个虚拟CPU,较X8M平台增加了2.5倍。此外,还具有高达3.1 PB的未压缩数据库容量,也较之前增加了28%。
Oracle表示,内部网络速度提高了80%,应用服务器客户端带宽增加了一倍,SQL查询延迟低于19微秒,IPOS增加了87%。扫描速率也都提高了80%,达到每秒2.88TB。
Oracle宣称性能最佳
Oracle宣称X9M的I/O延迟低于19微秒,这比竞争对手AWS的RDS高25倍,比微软的Azure SQL高50倍。据Oracle称,X9M最多可容纳64台存储服务器,比单个Azure SQL实例快137倍,比Amazon RDS实例快384倍。
Oracle是在去年9月推出X9M设备的,最初是用于本地部署。随着云服务的推出,“无论客户选择在哪里运行他们的应用,架构上都是相同的,”Oracle数据库和自治服务全球副总裁Steve Zivanic表示。
Oracle产品管理副总裁Ashish Ray说:“将应用迁移到云端可将故障中断降至最低水平、没有停机时间、不需要更高应用和数据模型。”
目前,Oracle正在迅速扩大云服务范围,已经覆盖了全球37个地区,今年计划再增加7个地区。此外,Oracle还拥有11个“Azure Interconnect”区域,让微软客户可以通过Azure访问Oracle数据库服务。
横向和纵向扩展
该服务可进行横向和纵向扩展,让客户能够启用核心以处理更多计算密集型的操作,还可以逐步将服务器添加到集群中以适应更大的数据库。Ray说,每个新增的服务器最多可以添加126个计算核心、1.3TB RAM、以及1个50 Gb的OCI结构链接。每个存储服务器都支持51TB数据库存储,并采用了英特尔24核Ice Lake处理器。Ray说,使用Oracle Application Clusters可实现几乎是线性的可扩展性。
Oracle还特别强调了在价格上的优势,称尽管扫描速度提高了180%,处理核心增加了21倍,但从8XM升级到9XM服务的过程中,客户费用并未增加。Ray表示:“我们对存储服务器、数据库服务器和网络进行深度工程设计,以大幅提升性能。”
其他方面的提升还包括CPU容量增加了40倍,内存增加15倍达到44TB,网络速度提高32倍,达到每秒1.6TB,存储服务器的SQL处理核心、内存和缓存增加了21倍,数据库大小增加了27倍,达到3.27PB。
Exadata软件方面的增强包括通过重启支持区块链表、存储索引和列缓存持久性、软件和固件更新加速、解密和解压缩算法加速等。Ray说:“持久缓存意味着即使关闭存储服务器进行升级,再次重新启动时缓存仍然存在。”
他说,升级至下一代Exadata很简单,“你在X9M上创建一个Data Guard副本,然后切换就可以了。Data Guard在内存深层将二级数据库与生产数据库保持同步,因此数据通过网络实时传送到接收服务器,并提供数据保护,”然后,客户就可以重启采用新的服务了。
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。