作者:IBM Z总经理Ross Mauri
在混合云的世界里,当涉及IT基础架构时,IT主管们都会将其方案选择与可控性放到战略高度上进行考量。而在实施混合云战略时,企业采用云技术面临的最大挑战之一是安全性,安全顾虑常常会导致企业数字化转型的速度减缓。企业最关注的是信任、数据保护、合规性等问题,这正是将IBM Cloud前所未有的安全性赋予企业开发人员的首要原因。
在今年的Think大会(Think 2019)上,IBM很自豪地展示了在全系列IBM Z云产品上取得的进展,以及我们的客户如何充分利用这些解决方案来帮助他们更好地保护数据。
IBM发布了针对IBM Cloud Private(ICP)的多项重要增强功能,以提供集成平台管理和编排功能,通过在IBM Z上运行整个私有云基础架构,提供高度安全的私有云。这些更新包括:
针对IBM Cloud Private on Z的增强功能,计划于2019年3月正式发布,其中,
此外,IBM公布了全新的IBM Cloud Hyper Protect系列云原生服务的进展,这些服务旨在提供高度安全的混合云,包括可将IBM LinuxONE融入IBM全球公有云数据中心的三项服务。借助IBM Cloud目录可以帮助企业开发人员减轻负担—— 只需点击一下按钮,即可拥有业界领先的安全性与弹性,在IBM Cloud中将其应用程序现代化。这包括:
IBM也在与多家客户开展合作,例如与Shuttle公司及其领导的一家投资组合公司DACS(一家全球性的数字资产服务公司)合作,将数字资产的超高安全保护与机构及个人的增值资产服务结合起来;与瑞士软件公司Phoenix-Systems合作,这家公司正在利用Secure Service Containers for IBM Cloud Private(SSC4ICP)创建数字资产托管平台——这一新兴领域对全球最大规模的多家银行至关重要。
另一方面,IBM也通过一项战略举措在与 Solitaire Interglobal(SIL)合作开发一个用例。这家公司利用基于IBM LinuxONE IBM Cloud Hyper Protect服务,以帮助确保其独特的Wenebojo IP获得最高级别的FIPS 140-2商业安全认证,同时又能随着内容聚合的增长加而不断扩展。
这些客户实例表明了IT主管们可以充分利用IBM Z和LinuxONE的安全性这一最大优势,同时帮助企业随时随地(不管是在本地服务器、私有云,还是公有云上)部署和管理混合云并进行开发。有了这些增强功能,IBM Z和LinuxONE可提供高度安全的混合云,帮助客户走上企业级的向云之路。
云之外,还有更多发布。本周,作为Zowe 1.0的一部分,Open Mainframe Project发布了针对Zowe的一些应用更新,这些更新将使该框架更易使用和安全。目前,该项目的测试版本下载次数已超过1700次,其通信工具已拥有700多名用户,在Zowe社区有50多个代码提交者,开发者社区总体上对该项目很感兴趣,认可度很高。推出Zowe 1.0,也是在履行我们对企业开发人员的承诺——将IBM打造成一个现代化的开放平台。
上周,我们还发布了一些基于Zowe架构的单元测试新功能,统称为IBM Z Open Unit Test。此前,测试工具一直是手动的,导致它们很笨重、复杂且难以使用,在这个敏捷性比以往任何时候都更重要的时代,这会减慢开发人员的工作进度。自动化测试应该能给开发人员带来更好的应用开发体验。
在Think大会于本周在洛杉矶进行之时,这些新消息带来的势头令我感到兴奋,欲了解更多信息,请于2月15日前到访莫斯康展览展览中心(Moscone Center)的云技术及基础架构区域(Cloud and Infrastructure Village)。
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。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
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。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。