银行分行资源整合云化面临的挑战
近年来,随着资源池化、自动化技术的不断发展,金融机构在大量使用虚拟化技术基础之上,纷纷在数据中心展开了资源整合云化的实践,从开发测试环境到生产环境,从应用层云化到数据库层云化,从资源级管理发放到应用级管理发放,金融机构在数据中心IaaS云平台领域的建设呈现出蓬勃发展的势头。另一方面,金融机构众多分支机构、业务中心、营运中心的IT基础设施却仍然以传统架构进行部署,业界缺乏较为成熟的云化整合解决方案。
以银行为例,各个分行、业务中心/营运中心IT机房分散在驻地,承载本地特色业务,一直以来都存在着设备数量众多、品牌较杂,设备生命周期长短不一,导致运行维护服务水平不高;另一方面,由于分行科技人员知识和技能结构相比总行有一些差距,系统方案、业务上线和应用的高可用性一直无法达到较好水平,影响到了分行IT资源运行和运营效率的提升。
华为超融合架构
超融合架构是基于分布式存储技术上的资源池化架构,与传统架构相比,有如下特点:
|
传统架构 |
超融合架构 |
部署方式 |
存储、计算和网络分离 |
存储、计算和网络融合 |
硬件模式 |
专用硬件 |
通用硬件 |
服务方式 |
单独部署、独立管理 |
统一部署、集中管理 |
灾备模式 |
HA |
全对等 |
扩展方式 |
规划 |
按需 |
运营成本 |
高 |
低 |
由于超融合架构涉及虚拟化、分布式存储、资源管理和服务器等多种工程技术,从简化交付、运维和运营角度出发,一体化解决方案相比纯软件解决方案在可靠性保障、故障定位和修复方面、总体拥有成本(TCO)方面优势明显。
从实际部署形态上看,一体化超融合解决方案主要有三种硬件形态,如下图所示:
其中高密形态在网络适配、空间占用方面具有比较好的表现,华为超融合系列架构涵盖了上述三种硬件形态,对比如下:
超融合架构的出现比较好地满足了分行设备型号复杂、分行技术人员对云化技术掌握有限、快速交付、高效运维的要求。
华为超融合架构服务光大银行二级资源池
面对分行IT基础设施现状和需求,华为超融合架构为光大银行全国38家分行资源整合云化提供了高效、可靠、安全的资源池解决方案框架,构建了统一管理、标准化的资源池基础设施。
在本次项目中,华为提供了基于FusionCube6000高密超融合架构资源池解决方案,结合光大银行的需求,进一步梳理和优化实施、运行和运维流程,取得了较好的效果。主要表现在:
分行IT资源架构标准化提升
通过实施超融合解决方案,实现了分行IT架构从传统部署模式向云化部署的转型,方案以全X86硬件平台替代了复杂的FC SAN,每个分行部署4-6个超融合节点,承载60-90个虚拟机应用。以黑龙江分行为例,过去分行各种型号服务器、存储数量超过50个,实施完毕后全部迁移到6个超融合节点上,大大提升了设备的资源使用效率,减少了设备空间占用,简化了分行IT人员运维运营的复杂性。
分行应用高可用水平提升
通过虚拟机HA和分布式存储技术,分行IT应用在本地实现了计算高可用能力,单个节点、SSD卡、硬盘、网卡故障都不会影响计算和存储对外提供服务的能力,这对于过去单机运行时出现的宕机问题在该领域得到了较好的解决。同时也在规划通过增加超融合节点,实现分行之间互为容灾的方案,进一步提升了分行应用的连续性。
快速构建分行资源云化
在实际项目交付过程中,华为优化了供应链和生产流程,实现分行配置预安装,设备到达分行后实现插电即用,1天完成基础资源配置,并利用P2V工具,快速实现分行现有应用向超融合架构的迁移。此外,华为在光大总行部署二级资源池管理平台,通过分权分域等权限控制,总行可以对分行资源实现统一监控和管理,分行自主实现基础资源的维护和发放,大大提升了分行IT运行的可视化和自动化水平。
分行IT服务和运营水平提升
由于采用超融合架构,分行设备品牌和型号得到最大化的统一,对于超融合架构的运维支持服务,华为提供从服务器、存储、网络、虚拟化、云管平台的端到端、全国覆盖的服务体系,确保故障处理流程的标准化和快速响应。此外,在交付完毕后针对每个分行都进行了云化赋能培训、运维和运营手册、常见问题处理流程等,进一步提升了分行IT服务和运营水平。
结束语
超融合架构作为高效、集约、可靠的资源云化解决方案,随着金融机构越来越多地在分行、业务中心、甚至数据中心的应用和实践,正在成为资源云化解决方案的最佳选择。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。