所有博客文章

IT 买家在大型机更新换代前需要了解的内容

Sushant Sawant Nick Howell
Senior Director, Product Marketing

2026 年 10 月 20 日


大多数大型机存储更新换代都始于一份通知。

支持声明经过修订、生命周期日期正式公布、租赁即将到期,或容量报告显示整个环境达到某项阈值的时间比原计划提前了两年。原本可以安排在未来预算周期中的采购项目,现在却必须在当前周期内完成。

在截止日期压力下,人们往往会本能地选择购买当前所用平台的最新一代产品。这是最快且最容易站得住脚的选择,需要的内部论证最少,也能保留现有运营模式。但它也可能保留相同的成本、容量和复杂性限制,因此五年后,当数据资产规模更大、规划时间更短时,团队仍可能面临同样的决策。

然而,既定的更新换代日期也创造了一个难得的谈判筹码:预算已经获批,变更窗口正在协商,应用程序负责人也知道底层基础设施将会发生变化。在合同签署之前,IT 团队可以利用这一时机,要求供应商以书面形式说明其各项声明背后的假设、依赖关系和承诺。

大型机更新换代期间的前瞻性规划

几十年来,大型机运维领域之外的人一直将这一平台视为旧有系统。然而,大型机应用程序仍深深嵌入交易密集型行业。

路透社在 2026 年 7 月报道称,IBM Z 系统每天处理银行业、航空业等行业的数百万笔交易,并另行指出COBOL 仍广泛用于银行、保险和政府领域的 IBM 大型机。当大型机被指定为记录系统时,其中的数据对于支持或自动化这些业务流程的 AI 解决方案十分重要。但 AI 模型和应用程序的可靠程度取决于用于支撑其输出的数据。

NIST AI 风险管理框架将有效性、可靠性、问责、透明度、安全和韧性列为可信 AI 的核心特征,进一步凸显了理解并治理 AI 系统所用数据的重要性。大型机应用程序在交易密集型行业中仍然十分重要,但 z/OS 上所保存数据的占比和价值因组织而异,应根据客户自身的应用程序和数据清单来确定。传统做法是在另一平台上提取、转换并存储数据副本,但当 AI 应用程序需要实时回答客户问题或发起自动化操作时,这种方法会带来更大风险,因为复制的数据集只是某一时间点的快照,而使用它的应用程序可能并不知道这些数据已经有多旧。

因此,大型机更新换代值得接受比常规基础设施更换更深入的审视:这一决策不仅会影响当前工作负载,还会影响组织未来几年如何治理和使用权威数据。

细读性能和可用性条款

每一个公开发布的性能或可用性指标都对应特定的工作负载、配置和测试方法。Storage Performance Council 会发布与供应商无关的基准规范,并在接受提交结果之前对其进行独立审查。SPC-1 主要模拟随机、混合的查询和更新活动,而 SPC-2 则针对顺序工作负载。即使是标准化结果,也只适用于经过测试的配置和基准版本,而供应商的对比材料可能采用不同条件。大型机买家应将任何醒目的指标视为起点,并进一步要求提供工作负载特征、系统配置、测量方法、基准版本、结果状态以及测试期间启用的功能。

例如,醒目的 IOPS 指标可能对应一种与拟议系统实际工作负载有重大差异的工作负载。与其假设所有供应商都采用相同的测试模式,不如评估该结果究竟代表什么。Storage Performance Council 将 SPC-1 工作负载与 SPC-2 的顺序工作负载区分开来,这说明工作负载特征十分重要。SNIA 同样指出,贴近实际情况的闪存阵列测试应包含相关数据模式、读写混合比例、预处理以及已启用的数据缩减功能,否则结果可能会高估实际性能。如果缺少块大小、读写比例、测试配置、基准版本和数据缩减设置等信息,这一数字就很难用于评估目标工作负载。

在性能方面,供应商往往公布相较上一代产品的提升幅度,而不是绝对指标。这可以体现代际进步,但无法支持供应商之间的直接比较。如果无法验证基础测量数据,评估团队就必须依据特定工作负载的证据来评估性能。可用性声明同样需要接受这种审视,因为配置差异可能带来显著的成本和运维依赖关系。

在可用性方面,高端平台通常会以多个“9”来表示指标。在演示文稿中,这些数字看起来可能很接近,但每增加一个“9”,允许的年度停机时间就会缩短至原来的十分之一。99.9999% 的可用性对应每年约 31.5 秒的停机时间;99.999999% 则对应约 0.32 秒。其实际意义取决于该指标衡量的内容、排除了哪些事件,以及实现该指标所需的配置。Uptime Intelligence 2026 年的分析说明了基础设施中断所涉及的更广泛财务风险:57% 的受访者表示最近一次重大中断造成的损失超过 100,000 美元,而五分之一的受访者表示最近一次造成重大影响的中断损失超过 100 万美元。

这些指标对应的是特定配置,但截然不同的配置在页面上的呈现形式却可能完全相同。有时只需单个阵列即可达到该指标,不需要任何其他组件;有时则需要一对复制系统,这意味着必须采购第二套系统,并为其提供电力、冷却和机房空间,才能达到页面上宣传的指标。有时还需要一对复制系统加上用于管理两者之间故障转移的编排软件;在大型机环境中,这通常意味着 IBM GDPS。它是一款功能强大的产品,但也意味着实际的许可成本、明确的技能要求,以及必须在压力情况下正确执行的故障转移流程。

设计目标并不等同于保证

查看规格表而不是对比图表时,您会发现可用性指标前通常会出现“针对……设计”这样的表述。这描述的是工程设计目标,即系统如何构建以及预期在实际运行中达到什么水平,但并不构成任何义务。

一项保证通常意味着供应商承诺达到某个明确指标,并规定在未满足适用条款时可采取的补救措施。其实际价值还取决于资格要求、排除条款、适用条款和适用法律。由于能否执行取决于实际合同和司法管辖区,因此任何一般性的行业统计数据都无法替代对拟议条款的法律审查。如果一项醒目的保证没有清楚记录其适用范围和补救措施,它在实际中提供的保护可能并不比设计目标多多少。因此,评估和商业论证中采用的数字,所代表的义务可能低于表面看起来的程度。

保证的适用范围也可能因工作负载、协议、配置和参与条件而异。要可靠地判断某项保护是否适用于大型机工作负载,唯一的方法是阅读适用条款,并针对拟议配置取得书面确认。除非同时列明相关资格标准、排除条款和补救措施,否则对比表中的比率或可用性指标不能证明该保证适用。

这一检验标准适用于该类别中的每一家供应商,包括发布本文的供应商。也应以同样的方式审视 Hitachi Vantara。

预测有效容量风险

如果相关前提条件得到披露,性能指标和可用性承诺可以在评估期间加以审查。但有效容量风险更难发现,因为容量缺口可能要到部署数年后才会显现。

有效容量等于原始容量乘以假定的数据缩减比率,而数据缩减通过识别冗余来实现。能够缩减多少,完全取决于数据本身的特征以及所采用的缩减方法。

SNIA 指出,数据特征、访问模式、运维政策以及具体的数据缩减技术都会影响空间节省效果;同时还指出,预测重复数据删除效果明显比预测压缩效果更困难。这些证据并不支持在大型机与开放系统之间采用一个通用比率。实际做法应当是基于客户 DB2、VSAM、系统数据和虚拟化数据的代表性样本进行容量规划,并启用拟议的压缩和重复数据删除设置,而不是从其他工作负载直接套用一个通用比率。否则,基于开放系统的假设可能会高估某个特定大型机环境实际能够容纳的数据量。

支持容量是特定于产品和协议的限制,并不是全行业通用的固定值。目前没有发现可信、独立的跨供应商数据集能够证明,在其他条件相同的硬件上,大型机普遍存在某种容量折损。因此,较为稳妥的方法是针对正在考虑的具体大型机和开放系统配置,比较各供应商当前的互操作性矩阵、受支持配置文档以及书面方案。如果公布的上限不同,商业论证应采用较低的特定工作负载上限,而不是平台宣传指标。

硬件看起来可能完全相同,但所支持的工作负载上限仍可能不同。这一点必须根据供应商针对拟议配置提供的最新文档加以验证。

如果一项五年期大型机更新换代计划是按照平台宣传指标来确定容量,而不是根据拟议工作负载的受支持上限和实测数据缩减表现,那么容量缺口在评估阶段可能不会显现。它可能在日后才暴露出来:随着增长消耗掉剩余余量,团队不得不增加容量、部署另一套系统,或者比原计划更早进行更新换代。

具体何时出现问题因组织而异;真正可以控制的风险,是最初的商业论证采用了未经测试的假设。

更好的供应商评估方式

解决这一问题的方法不是制作更复杂的对比图表,而是采用更严格的证据标准:开始评估每家供应商是否愿意以书面形式说明宣传指标背后的条件、依赖关系、排除条款和补救措施。

这样可以解决上述反复出现的问题,而无需评估团队独立验证供应商的每一项声明。相反,可以提出以下问题:

  1. 该 IOPS 指标是在什么块大小、读写混合比例、工作负载特征和系统配置下得出的?是否启用了数据缩减?
  2. 该可用性指标对应什么配置?它假定还需要哪些额外的硬件、软件、许可或运维能力?
  3. 该可用性指标是设计目标还是合同承诺?如果未达到该指标,适用什么补救措施?需要进行什么资格评估?
  4. 每项保证涵盖哪些工作负载和配置?相关排除条款记录在何处?
  5. 在同一硬件上,大型机和开放系统工作负载各自支持的最大容量是多少?
  6. 是多少?在应用任何假定的数据缩减比率之前,可用原始容量是多少?
  7. 经批准的分析和 AI 服务能否就地访问权威数据,还是每个用例都需要再提取一份数据副本?
  8. 下一代控制器是否需要进行完整的数据迁移?这一答复属于书面承诺,还是仅仅是当前设计的说明?
  9. 处?适用条款、资格要求、排除条款和补救措施记录在何处?

提出这些问题并不要求您事先知道正确答案。它们只要求供应商在最有动力配合的这一阶段,当着您的面,以书面形式给出具体答案。

大型机 IT 团队在实际工作中如何开展评估

将这些问题纳入大型机团队的日常工作后,它们就不再只是采购流程中的例行要求,而会成为运维风险控制措施:

  • 银行月末结账。一家零售银行全天运行客户信息控制系统 (CICS) 事务处理,并在夜间执行 DB2 批处理对账。存储方案以高 IOPS 指标为卖点,但真正重要的工作负载是混合读写模式以及随后长时间运行的顺序批处理作业。如果供应商无法说明测试所采用的块大小、读写混合比例和配置,团队就无法判断该阵列究竟能否保障批处理窗口,还是只是在有利于缓存的基准测试中表现出色。
  • 区域性事件后的理赔处理。暴风雨过后,一家保险公司可能面临理赔申请激增,而保单管理、核赔和支付系统会同时依赖大型机。几秒钟的存储中断放在年度可用性百分比中看似无关紧要,却可能使面向客户的工作流程陷入停滞,并产生需要数天才能处理完毕的异常队列。在这种情况下,团队需要明确该可用性指标究竟适用于单个阵列、一对复制系统,还是一对复制系统加编排软件,以及在压力情况下发生故障转移时需要遵循什么运维操作手册。
  • 监管报告与审计响应。一个政务团队可能需要证明权威记录来自何处、由谁访问,以及报告是否使用了最新数据。如果每次分析请求都会创建一份提取副本,团队就必须额外治理一个同步点、一个访问控制面和一条审计跟踪记录。在应用程序架构和安全模型支持的情况下,对 z/OS 数据进行受控的就地访问,可以减少合规团队需要管理和保护的数据副本数量。
  • AI 辅助运营。CICS 团队可能希望使用 AI 汇总区域运行状况、标记存在风险的事务变更、分析响应时间模式,并帮助新员工更快找到正确的操作手册。这些用例依赖来自 CICS、DB2、VSAM、日志和配置数据的最新、受治理的运维上下文,而不是未经验证的提取数据。NIST 建议组织在整个生命周期中治理、映射、衡量和管理 AI 风险,其中包括有效性、可靠性、问责、透明度、安全和韧性。拟议的存储和应用程序架构能否在不影响生产要求的情况下提供对原位数据的受控访问,取决于具体部署,并应结合客户的安全控制、工作负载隔离、延迟目标和恢复流程进行验证。
  • 医疗保健行业的容量规划。医疗保健支付方可能依据报价中看似合理的有效容量假设来确定更新换代规模,却随后发现,其 DB2 表空间、VSAM 集群和压缩后的理赔历史数据,与用于得出这一假设的样本工作负载具有不同的数据缩减表现。真正的业务风险并不是是否存在一个通用的大型机比率,而是在衡量具有代表性的客户数据,并以书面形式确认受支持的工作负载上限之前,就已经确定资本计划。

这些情况应在采购订单签署之前被明确提出。目的并不是预测未来每一次工作负载变化,而是在组织仍然拥有谈判筹码、可以作出更好选择时,将技术假设、商业承诺和运维依赖关系放在同一场讨论中。

将更新换代视为一场谈判

最有力的评估策略,不是把更新换代视为一次同类替换,而是把它视为围绕未来五到七年大型机环境运营模式的一场谈判。性能声明、可用性指标、容量假设、AI 访问方式、迁移路径和保证条款,都应从演示文稿转移到书面记录中。在下一次供应商会议之前,从方案中选择一个工作负载、一项可用性声明、一项容量假设和一项保证条款,要求供应商以书面形式说明其背后的条件。如果某个答案无法以书面形式清楚说明,就还不足以支持商业论证。

向您正在进行更新换代的现有供应商提出这些问题,因为自上一个采购周期以来,他们的答案可能已经发生变化。也向所有竞标替换该供应商的厂商提出同样的问题。甚至应以完全相同的标准审视 Hitachi Vantara。

能够以书面形式说明条件、承诺、限制、补救措施和生命周期影响的供应商,提供的是您可以治理和管理的依据。无法做到这一点的供应商,则是在要求您替其承担风险。

了解 Hitachi Vantara 解决方案如何将您的大型机存储数据转化为运维洞察。


Sushant Sawant

Nick Howell

Nick Howell is an enterprise infrastructure veteran with deep experience across storage, virtualization, hybrid cloud, containerized apps, and AI inference. He has spent his career working alongside engineering teams, partners, and customers to turn complex infrastructure into clear, practical architecture decisions. He enjoys writing about where data infrastructure is headed and what it will mean for the teams running it.