所有部落格

IT 採購者在大型主機更新前,必須瞭解哪些代辦事項

Sushant Sawant Nick Howell
Senior Director, Product Marketing

2026 年 10 月 20 日


會先寄發通知,說明大多數大型主機儲存空間更新方式。

可能是支援聲明有經過修訂、發布生命週期截止日期、租約即將到期,或者容量報告顯示現有環境跨越臨界值的時間,遠比預期還早超過兩年以上。原本妥善安排在未來預算週期的採購案,現在必須在既定週期內完成。

面對期限壓力,企業往往傾向直接購買現行平台的最新一代產品。這雖然是最快、也最無爭議的選項,既能維持現有營運模式,又最不需要內部解釋。但此舉也可能讓原有的成本、容量和複雜性限制固步自封,導致五年後在面對更龐大的資料量和更短的籌備期時,得再次重蹈覆轍,做出相同決定。

然而,強制性更新日期也營造難得的談判籌碼:預算已核准、變更期間正在協商,應用程式擁有者清楚知道底層基礎架構即將改變。簽約以前,IT 團隊可以利用這個時機,要求廠商能以文件詳細記錄宣稱背後的假設、相依性,以及承諾事項。

大型主機汰換期間的未來規劃

數十年來,大型主機營運領域以外的人士常將該平台視為過時的傳統系統。然而,大型主機應用程式在交易密集型產業中,至今依然根深柢固。

路透社於 2026 年 7 月報導指出,IBM Z 系統每日處理包含銀行業與航空業在內等各產業數以百萬計的交易,並提及 COBOL 在銀行、保險與政府機構的 IBM 大型主機上仍被廣泛使用。當大型主機被定位為權威記錄系統時,其資料對於支援上述業務流程,或者推動流程自動化的 AI 解決方案而言,都很重要。然而,AI 模型和應用程式的可靠程度,完全取決於底層用以支撐輸出結果的資料可靠性。

NIST 的 AI 風險管理框架將有效性、可靠性、當責性、透明度、安全性和彈性列為值得信賴之 AI 的核心特徵,進一步強化瞭解,控管 AI 系統使用資料的必要性。大型主機應用程式在交易密集型產業中依舊舉足輕重,但儲存在 z/OS 上的資料比例、價值則因組織而異,應依據客戶自身的應用程式和資料清查來判定。雖然傳統的做法是擷取、轉換,並在另一平台上儲存空間副本,但當 AI 應用程式必須即時回答客戶問題,或是啟動自動化動作時,這種做法可能會帶來更大風險,因為複製的資料集,只是特定時間點的呈現,使用應用程式可能無法得知資料的新舊程度。

這也是為什麼大型主機的更新升級,值得企業跳脫傳統基礎架構汰換的思維進行審慎評估。這項決策影響層面不僅限於目前工作負載,更關乎組織未來數年在治理、運用權威資料時的長遠策略。

閱讀效能、可用性等詳細條款

每種已發布效能,或可用性資料都反映特定工作負載、組態設定和測試方法。儲存空間效能理事會發布中立廠商的標竿測試規範,會在接受提交結果前先進行獨立審查。SPC-1 模型主要針對隨機、混合查詢和更新活動進行模擬,SPC-2 則針對序列工作負載。即使是標準化結果,也僅適用於受測組態和標竿版本,廠商的比較資料可能會採用不同條件。大型主機採購者應將任何宣傳標題視為起點,進一步要求提供工作負載特性、系統組態、測量方法、基準版本、結果狀態,以及測試期間啟用的各項功能。

舉例來說,行銷文宣上的 IOPS 資料反映出的工作負載,可能與預計採購的系統存在實質落差。因此,請務必評估測試結果實際代表的意義,而非盲目預設所有廠商都採用相同的測試模式。儲存空間效能理事會特別將 SPC-1 的工作負載和 SPC-2 的循序工作負載區隔開來,這足以說明工作負載型態的重要性。SNIA 同樣提醒,一份切合實際的全快閃陣列測試,應將相關資料型態、讀寫比例、預先調校以及啟用的資料減量功能納入考量;否則,測試結果可能會高估實際效能。若缺乏區塊大小、讀寫比例、受測組態、標竿版本和資料減量設定等詳細資訊,將難以把資料套用至目標工作負載。

談到效能時,廠商公布的數字通常是相較於上一代改進幅度,而非絕對數值。這雖能傳達世代升級的訊息,卻無法作為不同供應商之間直接比較的依據。若無法驗證底層的評估標準,評估團隊就必須改用特定工作負載的佐證資料來建立效能模型。此外,高可用性的宣告同樣需要嚴格審查,因為組態設定的差異可能會引發龐大的成本和營運連帶影響。

在可用性方面,高階平台通常會以一連串的「9」作為指標。雖然這些數字在簡報上看起來大同小異,但每增加一個「9」,每年允許的停機時間就會縮減至十分之一。例如「六成九」相當於每年約 31.5 秒的停機時間;「八個 9」則僅容許每年約 0.32 秒。然而,其真實意義仍取決於該指標的量測內容、扣除了哪些事件,以及達到該目標所需的組態設定。Uptime Intelligence 2026 年度的分析進一步顯示基礎架構中斷可能衍生之廣泛財務風險:有 57% 的受訪者表示,最近一次重大中斷造成的損失超過 10 萬美元;更有五分之一的受訪者指出,最近一次帶來重大影響的中斷損失超過將近 100 萬美元。

這些數字描述的是一組特定組態,截然不同的組態在呈現格式上可能完全一致。有時只要單一陣列就可以達到該數值,不需要額外配置。有時則需要一對複寫陣列,這代表您必須為第二套系統進行採購、供電、冷卻,佔用機房空間,才能達到書面上向您推銷的數字。有時還需要一對複寫陣列加上協調軟體來管理兩者之間的容錯移轉,這在大型主機上通常是指 IBM GDPS,這是一套功能強大的產品,但伴隨著實質授權費用、具體專業技能需求,還有必須在壓力下正確執行的容錯移轉事件。

設計目標不等同於擔保

細讀規格表而非只看比較圖表,您會發現可用性資料前常帶有專為… 而設計等字樣。這種詞彙描述的僅是一種工程構想:亦即系統是如何構建、在運作期間應達何種目標,但完全不具備任何約束力。

保證這類合約通常會由廠商承諾達成的明確數值,載明尚未符合適用條款時的補償方案。然而,其實際價值仍取決於適用資格、排除條款、準據法和管轄法院。由於強制執行力取決於最終合約和管轄權,因此一般的產業統計資料,絕無法取代對具體合約條款的法律審查。若行銷宣傳的保證缺乏明確記錄的涵蓋範圍、補償方案,能提供的實際保障,恐怕和先前的設計目標相差無幾。因此,評估和商業計畫書中所採用的資料,背後承擔的法律義務可能遠比表面上看起來要少。

保證的涵蓋範圍也可能因工作負載、通訊協定、組態和註冊條件而異。若想確定保障是否適用於大型主機工作負載,唯一可靠的方法就是詳讀相關條款,取得建議組態的書面確認。除非合約中已包含相關資格準則、排除條款和補償方案,否則對照表中的比率或可用資料,都不能當成保障範圍的憑據。

這項檢驗標準適用於該領域的每一間廠商,包括發布本文的廠商在內。我們也竭誠歡迎您以同樣標準,檢視 Hitachi Vantara 的解決方案。

預測有效容量風險

若底層條件公開透明,效能資料和可用性承諾便能在評估期間經有效檢視。然而,有效容量的風險則更難察覺,因為不足之處通常要到部署數年後才會顯現。

有效容量是將原始容量乘以預估的資料減量比率,資料減量的運作原理則是找出重複的資料。至於能縮減多少重複資料,完全取決於資料特性,以及採用的減量方法。

SNIA 指出,資料特性、存取模式、操作政策以及特定的減量技術,都是影響空間節省成效的關鍵因素;同時也指出,預測重複資料刪除的難度明顯高於預測壓縮。這些證據顯示,市面上並不存在一套通用大型主機對開放系統比率。切合實際的作法是,應從客戶的 DB2、VSAM、系統和虛擬化資料的代表性樣本中進行容量估算,啟用建議的壓縮、重複資料刪除設定,而非直接沿用來自其他工作負載的通用比率。否則,開放系統的假設極可能會高估特定大型主機環境所能容納的實際容量。

受支援容量係受限於特定產品與通訊協定之規格上限,絕非全產業通用之常數。鑑於目前並無可靠且獨立的跨廠商資料集,得以證明在相同規格的硬體下,大型主機會普遍遭遇效能或容量瓶頸。因此,最審慎之作法乃是針對目前所考量之確切大型主機與開放系統組態,橫向比對各廠商目前的互通對照表、受支援組態文件和書面提案。倘若發布限制有所出入,商業計畫書則應採用針對特定工作負載的較低限制,而非套用整個平台的宣傳上限。

硬體外觀或許完全相同,支援的工作負載上限可能仍存在差異。此項差異務必須透過廠商針對建議組態提供的最新文件,方可進行驗證。

若有份五年期大型主機升級計畫是根據平台的宣傳上限進行容量評估,而非依據建議工作負載的受支援上限及實際測得的減量成效,那麼容量不足的問題在評估期間可能不會浮現。這類問題通常會在日後才顯現,當資料耗盡剩餘空間,團隊就必須擴充容量、部署另一套系統,或者被迫提前進行升級。

確切時間點因組織而異。然而,原本就能在最初的商業計畫書中加,以便控管風險,關鍵就在於避免採用未經測試的假設。

評估供應商的更佳方法

解決這個問題的方法並非繪製更複雜的比較圖表,而是建立更嚴謹的實證標準:開始評定每家廠商是否願意以文件載明各項宣傳標題背後的條件、相依性、排除條款及補償方案。

此舉能徹底解決上述一再發生的弱點,評估團隊也不必單獨去驗證供應商的每一項產品主張。相反地,您應該提出以下疑問:

  1. 產生該 IOPS 資料的區塊大小、讀寫比例、工作負載特性以及系統組態為何?測試時是否啟用資料縮減功能?
  2. 可用性資料描述的是何種組態,會預設哪些額外硬體、軟體、授權或營運能力?
  3. 該可用性資料究竟是設計目標還是合約承諾?若未達成目標,有何適用的補償方案?此外,客戶又需要符合哪些資格評估才能提出索賠?
  4. 此類保證涵蓋何種工作負載與組態?排除條款應明列何處?
  5. 在相同硬體上,大型主機和開放系統工作負載的最大支援容量分別為何?
  6. 還未套用任何預設資料縮減比率前,實際可用的原始容量為何?
  7. 通過審核的分析與 AI 服務,是可以直接就地存取權威資料來源,還是每個應用都需要單獨擷取外部複本?
  8. 未來升級至下一代控制器時,是否需要執行完整的資料移轉?供應商對此問題的答覆是一項書面承諾,還是僅為目前的設計描述?
  9. 相關準據法條款、資格要求、排除條款及補償方案具體記載於何處?

這些問題並非要您預設任何立場。其核心目的,只是要求供應商在您面前提交正式的書面說明,尤其在他們最想贏得合約的關鍵時刻,往往也是他們配合動機最強烈的時候。

對大型主機 IT 團隊而言,實務評估的具體樣貌

這些問題並非要您預設立場去證明什麼,只是要求廠商在最積極、最有關鍵動機的時期,向您提出具體的書面說明。

  • 銀行月底結算。零售銀行全天運作客戶資訊控制系統(CICS)交易處理,並於夜間執行 DB2 批次對帳。儲存方案以極高的 IOPS 資料為賣點,但真正攸關重大的是混合讀寫特性,接著是長時間的循序批次作業。如果廠商無法說明測試的區塊大小、讀寫比例和組態,團隊就無法得知該陣列究竟能保護批次作業時間窗口,或只是在對快取友善的基準測試中表現良好。
  • 區域事件後的理賠處理。風暴過後,i保險公司往往面臨理賠量激增的挑戰,而其保單管理、審核與付款系統皆高度依賴大型主機。在年度可用性百分比中,幾秒鐘的儲存中斷看似微不足道,卻可能導致面向客戶的工作流程完全停擺,並產生需要耗時數天才能消化處理的異常佇列。在此情境下,團隊必須明確瞭解該可用性指標是適用於單一陣列、一對複寫陣列,還是包含協調管理在一對複寫陣列,以及在高壓環境下進行容錯移轉時,需要搭配何種操作程序手冊。
  • 法規報告與稽核因應。政府團隊可能需要證明權威記錄源自何處、誰存取這些記錄,以及報告是否使用最新資料。如果每次分析請求都會產生擷取複本,團隊就必須額外控管一個同步點、存取控制受攻擊面和稽核追蹤。在應用程式架構與安全性模型支援的情況下,對 z/OS 資料進行受控的就地存取,可減少法遵團隊必須管理、維護副本數量。
  • AI 輔助營運。CICS 團隊可能希望利用 AI 來摘要區域健全狀況、標記高風險的交易變更、分析回應時間模式,並協助資淺人員更快找到對應的操作手冊。這些應用情境仰賴來自 CICS、DB2、VSAM、日誌檔案(Log)和組態資料,經過控管的最新運作環境資料,而非未經查證的擷取資料。NIST 建議企業在整體生命週期中,針對 AI 風險進行治理、描繪、衡量與管理,這涵蓋有效性、可靠性、問責性、透明度、安全性和韌性。至於擬議的儲存空間與應用程式架構,是否能在不影響線上生產環境預期表現的情況下,提供對本地資料的受控存取,這取決於具體部署狀況,應結合客戶的安全控制、工作負載隔離、延遲目標和復原程序來進行驗證。
  • 醫療保健產業的容量規劃。醫療保險業者可能會根據報價中看似合理的有效容量假設來評估設備汰換規模,隨後卻發現其 DB2 表格空間、VSAM 叢集和壓縮的理賠歷程記錄縮減情況,與用於建立該假設的樣本工作負載有所不同。業務風險並非通用的大型主機比率;而是在測量具代表性的客戶資料、以書面確認支援的工作負載上限之前,就已經承諾資本支出計畫。

上述情境應於簽署採購訂單前提出。其核心目的不在於預測未來所有工作負載的變動,而是確保組織在仍具備主導權並能做出最佳抉擇時,將技術假設、商業承諾及營運相依性整合至同一次討論中。

把設備汰換當作一場協商談判

最有效的評估策略,絕非將設備汰換單純視為一對一的同規格替換。請將它視為一場針對您的大型主機環境,在未來五至七年內營運模式的關鍵談判。所有效能宣稱、可用性資料、容量假設、AI 存取、移轉路徑與保證條款,皆應從簡報投影片落實為書面條文。在下次與廠商議價前,請從提案中抽出一項工作負載、一項可用性宣告、一項容量假設及一項保證條款,要求廠商書面列出每項背後的先決條件。若無法以書面明確交代,即代表該方案尚不足以支撐業務評估需求。

用這些問題來檢驗您即將進行汰換的現有廠商,答案可能自上次採購週期以來就已經改變。用這些問題來檢驗每一家爭取取代現有廠商的投標廠商。甚至在相同的條件下,也用這些問題來檢驗 Hitachi Vantara。

能夠以書面記錄條件、承諾、限制、補救措施和生命週期影響的廠商,為您提供可進行治理的依據。無法做到的廠商,則是要求您替他們承擔風險。

探索 Hitachi Vantara 解決方案如何將大型主機儲存空間資料轉化為營運洞察力。


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.