至顶网服务器频道 11月23日 新闻消息: 亚马逊网络服务(AWS)有意换掉旗下的云管理程序,消息传出后,Xen项目告诉全世界自己拥有嵌入式应用程序的美好未来。
公开发布的Xen项目11月咨询理事会会议纪要提到The Register网站报道了亚马逊网络服务公司的文件显示,云计算巨头AWS计划在所有新实例类型上使用定制KVM而不是Xen。从会议记录里可以看到,AWS的Chris Schlae发言,他解释了AWS公司的意向以及Register的有关消息里"什么是真的,什么不是"。
Register发布了两条有关消息,第二条消息引用了AWS的文件并保存了副本,以供后续消息使用。第一条消息发布后,Register曾向AWS发电邮询问AWS的云管理程序策略。但在整整12天里电邮件未获回复,如果Register的报告不正确,AWS有足够的时间要求作出更正。
我们就AWS可能想淡化该事情请Xen项目评论。Linux基金会代表Xen项目向我们发来以下内容:
AWS是Xen项目的活跃成员,也是Xen项目理事会的活跃成员。我们希望他们能够继续参与并主动作出更多有目共睹的贡献。
不幸的是,Schlaeger要求会议记录不公布他在会议上的发言內容,所以我们不知道他是如何向理事会解释AWS的意向的。
但Xen项目顾问理事会随后的邮件列表显示了理事会将如何回应AWS打算做的事情。
Xen项目看起来将会强调Xen在多云服务器和服务器虚拟化以外任务的角色。已经成为云和服务器厂商的主要产品,而现在Xen项目还在进军嵌入式、安全和汽车领域。
此博文(https://blog.xenproject.org/2017/11/21/xen-project-membership-spotlight- citrix /)是关于新的系列产品发布情况的,博文提到,"Xen项目管理程序是服务器和云供应商的主要技术,并正在嵌入式、安全和汽车等领域展示出好势头。"
博文接着援引思杰(Citrix)高级技术总监James Bulpin的话给出了Xen的优点。 Bulpin最后表示:
Xen是一个可重用技术组件,我很高兴地看到Xen在新领域里成长,例如边缘计算、汽车、航空和航天等新使用案例。 Xen具灵活性、小巧体积和独立于操作系统等特征,Xen非常适合上述不断发展的领域。
思杰公司XenServer产品管理和合作伙伴工程总监David Cottingham告诉记者,"我们没有收到XenDesktop / XenApp / XenMobile客户有关最近AWS之事的询问。"
他表示,"我们对AWS公布的消息的看法是,他们打造了一种新产品,这与他们为特定类型的工作负载而创建自己的定制芯片的举措是一致的。在基准测试方面,我掌握的资料里没有资料说KVM的性能比AWS用的Xen通用核心任务VM的性能更好。"
Cottingham 表示," AWS并没有表示他们计划停止在Xen上的投资,AWS也没说要用自己的KVM衍生产品替换所有现有的Xen产品,这一点很重要。基于KVM分支的新实例类型是全新的。"
不过AWS确实表示所有未来新的实例类型都将使用KVM。而且,由于AWS的KVM是为了在NVMe服务器上运行而创建的,这些盒子以后肯定会涵盖整个产品线,这样看来, Xen的未来在全球最大云计算商那及其他方方面面看起来都颇为严峻。
Gartner基础架构软件的研究副总裁Michael Warrilow认同这一观点。
他表示,"甲骨文已经走KVM路线了。Xen圈住了甲骨文和亚马逊的话,还是可行的。"
Warrilow表示,"而现在,我认为Xen被逼上绝境了。"
Xen至少在云和服务器虚拟化方面被逼上了绝境。但即将上线的边缘设备达数十亿,管理程序的寿命可能还是很长的,管理程序的未来也可能是美好的。
好文章,需要你的鼓励
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。