《奇点临近》一书对技术进化有这样的描述,“技术正以指数级速度扩充其能力,创新者也在寻求成倍改进的能力。”“创新是乘法而不是加法。技术将继续加速发展,并将在第五纪元完成控制自己的前进步伐。”技术如何控制自己的步伐我们不得而知,现阶段,我们看到越来越多的企业在利用新技术,不断自我进化,并服务于客户。
作为中国移动的重要分支,浙江移动一直以“追求客户满意”为宗旨。为了更好地服务用户,浙江移动2015年便搭建了微服务运行监控平台,只是随着新技术的发展,该平台在一些方面稍显滞后,如缺乏内部核心指标的监控、异常分类及跟踪能力不足、调用链代码对应用有侵入、缺乏实时调控管理手段等问题,平台的升级改造被提上日程。
亚信科技作为浙江移动多年的合作伙伴,对该平台优缺点有很深的了解,在接到优化需求后,项目组在原有系统基础上,基于容器技术提出了一套完整的升级改造方案,通过修改探针埋点等方式减小了上线过程对业务的影响。而升级后,浙江移动用户最直接的感受是——真正体验到了7×24小时的全天候无间断服务,而不像以前经常因为系统升级而造成业务无法办理。
该项目赢得了浙江移动的高度认可,项目负责人陈航、褚小川表示:“新平台修复了运营中的老问题,将业务影响压到最低,新增了实例运行状态监控,输出的指标数据为运维人员提供了更多监控手段,极大缩短了问题定位的时间,同时优化了调用链数据的处理流程,能在“分钟级”展现用户服务调用情况,详细体现每一笔请求的业务调用关系,降低了故障排查的复杂度。”
而此前,浙江移动“微服务运行监控平台”的不足主要体现在:
首先,缺乏内部核心指标的监控:如线程、数据库连接、GC、网络连接、CPU、内存等;
其次,调用链代码侵入: Log4x通过硬编码埋点,对应用有侵入,影响应用以及整个调用链的性能;
第三,异常分类不足:无法对业务异常进行分析、分类,异常实例跟踪能力不足,不能通过异常信息定位问题;
第四,监控支撑处理能力不足:随着接入系统越来越多,原监控系统扩展能力不足。同时,缺少实时调控管理手段,监控指标出现告警时,无法快速介入;
最后,无法展示服务依赖关系:难以理清服务间的相互依赖程度,以及某服务出现异常时造成的影响范围。
浙江移动希望借助平台升级改造来消除以上不足,但前提是不能影响业务的正常运行,其难度比得上“开着飞机修飞机”,任何改动都牵一发动全身。
亚信科技:以最小代价实现最佳改造
于是, “如何以最小代价完成全面而系统的改造”就摆在了浙江移动合作伙伴——亚信科技这一头儿,在结合实践创新的基础上,以下方案浮出水面:
采用无侵入式探针埋点对目标系统进行数据采集,无业务改造量,运行数据通过后期清洗、聚合计算,会形成各类统计指标,并可视化展现在监控首页;
用统计指标说话,通过统计接口、集群、中心的调用情况,作为扩缩容依据;通过成功和失败次数统计,了解系统健康情况,作为系统优化基础;通过耗时统计,了解系统性能,作为系统调优的基础;
优化调用链,可展现请求的整个调用过程,每个调用环节的延时,轻松排查分布式系统下的异常,并定位问题所在;
对异常进行统计、分类,便于快速定位异常,实现高效运维;
展示服务的正反向依赖关系,任何新需求开发上线,都可以清晰地评估其影响范围;
监控能力可无限扩容,在对接配置中心后,可在线扩容升级。
亚信科技薛浩表示,“我们以最小代价,完成了对分布式系统架构的全面监控,收集监控数据的耗时几乎可以忽略不计。我们通过关键节点数据的收集,分析业务健康状态,并通过获取系统日志、系统堆栈信息、GC信息、运行参数等一系列运维手段,实现故障排查和系统保障。能够秒级响应10亿级用户访问量,并能快速无感知的定制客户需要收集的数据。”
截至目前,全新微服务运行监控平台的调用链可覆盖浙江移动26个业务中心,即全省95%的业务量,所有的远程调用都纳入了监控范围。虽然成绩显而易见,但薛浩认为,“技术的更迭永无止境,正如逆水行舟不进则退,不断迭代、让技术始终保持先进性,是我们的坚定追求。”
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。