Azure NetApp Files SDK 13.4.0版本发布:新增冷存储访问策略与密钥管理功能
项目概述
Azure NetApp Files是微软Azure云平台上提供的高性能企业级文件存储服务,它基于NetApp的ONTAP技术构建,为云环境提供高性能、高可靠性的文件存储解决方案。Azure SDK for Python中的azure-mgmt-netapp模块是用于管理Azure NetApp Files资源的官方Python客户端库。
版本13.4.0主要更新
最新发布的13.4.0版本为Azure NetApp Files管理带来了几项重要功能增强,主要集中在冷存储访问策略和密钥管理方面。
冷存储访问策略支持
新版本引入了cool_access_tiering_policy属性,该属性可以在以下三个资源模型中配置:
Volume模型:用于创建新卷时指定冷存储访问策略VolumePatch模型:用于更新现有卷的冷存储策略VolumeGroupVolumeProperties模型:用于卷组中的卷配置
同时新增了CoolAccessTieringPolicy枚举类型,用于定义可用的冷存储访问策略选项。这一功能使得用户能够更精细地控制冷数据的访问策略,优化存储成本。
密钥管理增强
13.4.0版本显著增强了密钥管理功能,主要包括:
- 密钥保管库变更支持:新增了
begin_change_key_vault方法,允许用户更改用于加密的密钥保管库。 - 密钥状态查询:通过
begin_get_change_key_vault_information方法可以获取密钥保管库变更的状态信息。 - 加密转换功能:新增了
begin_transition_to_cmk方法,支持将加密方式转换为客户管理的密钥(CMK)。
这些功能通过以下新增模型实现:
ChangeKeyVault:表示密钥保管库变更请求EncryptionTransitionRequest:表示加密转换请求GetKeyVaultStatusResponse:包含密钥保管库状态信息KeyVaultPrivateEndpoint:表示密钥保管库的私有终结点配置
技术意义与应用场景
冷存储策略的业务价值
冷存储访问策略的引入使得企业能够:
- 根据数据访问频率自动调整存储层级
- 在不影响性能的前提下降低冷数据存储成本
- 通过策略自动化管理数据生命周期
典型应用场景包括:
- 长期归档但偶尔需要访问的数据
- 合规性要求的长期数据保留
- 备份数据的存储优化
密钥管理增强的安全意义
新的密钥管理功能提供了:
- 更灵活的密钥轮换能力,满足合规要求
- 加密方式的平滑迁移路径
- 密钥状态的透明可视化管理
这对于金融、医疗等对数据安全要求严格的行业尤为重要,可以帮助企业:
- 实现定期的密钥轮换策略
- 响应安全事件时的快速密钥更换
- 从平台管理密钥过渡到客户自管理密钥
开发者使用建议
对于需要使用这些新功能的开发者,建议:
-
冷存储策略配置:在创建或更新卷时,根据业务需求选择合适的
CoolAccessTieringPolicy值,平衡性能与成本。 -
密钥管理操作:
- 使用
begin_change_key_vault进行密钥保管库变更时,注意规划好维护窗口 - 通过
begin_get_change_key_vault_information监控变更状态 - 迁移到CMK前,确保已正确设置密钥保管库和访问策略
- 使用
-
错误处理:这些新操作都是长时间运行的操作(LRO),需要妥善处理可能的错误和超时情况。
总结
Azure NetApp Files SDK 13.4.0版本的发布,通过新增冷存储访问策略和增强密钥管理功能,为企业用户提供了更灵活的存储成本优化方案和更强的数据安全保障。这些功能特别适合需要精细控制存储成本同时满足严格安全合规要求的企业应用场景。开发者可以借助这些新功能构建更高效、更安全的云存储解决方案。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0186
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0112
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java03
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08