微软的 Linux 发行版 CBL-Mariner 已支持 NVMe 多路径
微软的 Linux 发行版 CBL-Mariner 是一款专为微软的云基础架构和边缘产品与服务而设计的内部 Linux 发行版,旨在为这些设备和服务提供一个一致的平台,并增强微软在 Linux 更新方面的能力。CBL-Mariner 是微软对各种 Linux 技术的投资的一部分,例如 SONiC、Azure Sphere OS 和 Windows Subsystem for Linux (WSL)。
CBL-Mariner 的团队于 6 月 15 日发布了最新的更新版本 CBL-Mariner 2.0.20230609,与大多数月度发布一样,该版本带来了一系列的软件包更新。CBL-Mariner 2.0.20230609 更新了 networkd-dispatcher、libssh、mtools、libdrm、curl 等工具。部分核心软件包的更新是为了解决一些安全漏洞。
该版本的一个值得注意的内核变化是添加了 NVMe 多路径的支持,通过启用 CONFIG_NVME_MULTIPATH 配置选项。NVMe 多路径是 NVM Express 规范中关于多路径的内容,它允许在服务器(系统)和存储设备之间存在多个物理路径,这可以提高可靠性和可能的性能优势。虽然 CBL-Mariner 的内核镜像现在已经内置了 NVMe 多路径支持,但它默认是关闭的。要在运行时启用 Linux NVMe 多路径支持,可以使用 \"nvme_core.multipath=Y\" 内核选项。
更多关于 CBL-Mariner 最新版本的变化可以在 GitHub 上查看。
相关链接、相关信息来源:
[1]: https://github.com/microsoft/CBL-Mariner "CBL-Mariner - GitHub"
[2]: https://www.phoronix.com/news/CBL-Mariner-2.0.20230609 "Microsoft's Linux Distro Now Ships With NVMe Multi-Path ... - Phoronix"
[3]: https://gitee.com/mirrors/cbl-mariner "cbl-mariner: CBL-Mariner 是用于 Microsoft 的云基础架构 ..."

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
基于昇思 AI 框架的全模态大模型“紫东·太初2.0”正式发布
今日,人工智能框架生态峰会在上海举办。 峰会现场,昇思MindSpore携手行业用户与伙伴带来人工智能框架的最新进展与系列重磅发布,包括18家AI顶尖企业、学会、高校与科研院所联合发布《共建人工智能框架生态倡议》、昇思MindSpore开源社区理事会成立、上海昇思AI框架&大模型创新中心正式启动及首批22家单位入驻、全模态大模型“紫东·太初2.0”正式发布等。 本次峰会以“一起昇思 无尽创新”为主题,全面聚焦人工智能框架生态发展,推动人工智能产业创新,共吸引来自AI产业界超过500家伙伴、行业客户、高校、研究机构等代表参会,共同探讨AI技术创新与行业融合大背景下的AI框架生态模式与场景应用,围绕大模型与科学智能领域AI框架技术的广泛合作与深度交流。 数智时代,AI作为重要的通用技术之一,具有溢出带动性很强的“头雁”效应,在整个AI技术体系中,AI框架处于“承上启下”的位置,南向使能多样化算力,北向孵化各类创新算法模型,是人工智能应用创新的土壤和源泉。 会上,18家AI头部企业、高校、科研机构、开源社区等共同发布“共建人工智能框架生态,繁荣中国人工智能产业”联合倡议,倡议通过政产...
- 下一篇
了解基于模型的元学习:Learning to Learn优化策略和Meta-Learner LSTM
摘要:本文主要为大家讲解基于模型的元学习中的Learning to Learn优化策略和Meta-Learner LSTM。 本文分享自华为云社区《深度学习应用篇-元学习[16]:基于模型的元学习-Learning to Learn优化策略、Meta-Learner LSTM》,作者:汀丶 。 1.Learning to Learn Learning to Learn by Gradient Descent by Gradient Descent 提出了一种全新的优化策略, 用 LSTM 替代传统优化方法学习一个针对特定任务的优化器。 在机器学习中,通常把优化目标f(θ) 表示成 其中,参数θ的优化方式为 上式是一种针对特定问题类别的、人为设定的更新规则, 常见于深度学习中,主要解决高维、非凸优化问题。 根据 No Free Lunch Theorems for Optimization 理论, [1] 提出了一种基于学习的更新策略代替人为设定的更新策略,即,用一个可学习的梯度更新规则,替代人为设计的梯度更新规则。 其中, optimizer 为g由ϕ参数化; optimizee 为 ...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- Docker安装Oracle12C,快速搭建Oracle学习环境
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- CentOS7安装Docker,走上虚拟化容器引擎之路
- Docker快速安装Oracle11G,搭建oracle11g学习环境
- CentOS7编译安装Cmake3.16.3,解决mysql等软件编译问题
- CentOS7编译安装Gcc9.2.0,解决mysql等软件编译问题
- CentOS8安装Docker,最新的服务器搭配容器使用
- Hadoop3单机部署,实现最简伪集群
- CentOS6,7,8上安装Nginx,支持https2.0的开启
- CentOS8编译安装MySQL8.0.19