2020年,注定是不平凡的一年,云计算开源领域迎来一个重要的里程碑-OpenStack开源社区成立十周年。回顾过去的十年,云计算技术及市场迅猛发展,从实验室中的第一台云主机,到各行各业都在进行云化迁移,云计算已经作为推动人类社会发展的重要力量之一。而今年,在全球抗疫的大背景下,云计算更是作为抗疫力量的基石,为打赢这场全人类共同面对的战争,起到了不可或缺的作用。
在这具有特殊意义的一年,OpenStack社区也迎来它的年度重要活动OpenInfra Days China 2020。作为中国开源领域的技术盛会之一,本次大会聚焦“智能开源基础设施”,围绕对硬件加速器集成与多架构的支持,各类开源组件间的集成(如OSF各项目与容器基础设施的集成),硬件自动化与大规模扩展,将“云”扩展到边缘计算节点以实现5G和物联网(IoT),以及计算网络与存储等应用场景就基础设施的技术演进展开讨论和展望。
本次大会上,烽火通信云计算研发中心云产品总架构师王昊从自身产品研发和行业积累经验出发,以面向未来发展的视角,在大会上分享了主题为“更灵活,更可靠,更安全:面向边缘与中心融合架构的云基础设施平台设计与实现”的技术演讲,向与会者介绍了烽火云对于下一代融合架构的云基础设施平台发展的思考。
1、为什么需要融合架构?
随着烽火云在不同行业领域的应用和发展,面对不同的云计算行业技术标准和客户需求,在快速满足客户的同时,也面临一些长期以来客户存在的痛点问题,由于中心云和边缘云发展先后程度不一,导致客户在不同数据中心内存在多种云产品架构不统一,产品化程度不一致,存在不同短板的问题。随着云计算产业突飞猛进的发展,这些问题逐渐制约了云基础设施向未来进一步迈进。烽火秉持为客户打造“好用云,用好云”的发展愿景,一直在不断思考如何能彻底突破和解决这些问题,使云产品向下一代更灵活,更可靠,更安全的演进。
2、融合架构想怎么做:更安全,更可靠,更灵活
融合架构的核心思想就是一个以安全,可靠,灵活为特征的基础云平台,通过这个“基座”灵活的支撑上方的私有云和边缘云场景下的云基础设施平台。
其核心特色为:
为了实现这一基座目标,需要在整个云产品架构层面上进行重构优化,对全产品族进行类微服务化设计,充分吸收边缘云的平台架构优势,抽取共性组件,灵活组合应对中心云/边缘云的不同场景。
3、融合架构要做什么:关键技术实现
为了实现融合架构这一目标,需要在以下几点关键技术进行实现:
灵活部署:
通过灵活的部署服务,将支持面向边缘云场景的轻型组合和面向中心云场景的重型组合。
安全合规:
安全合规是整个云基础设施的核心技术领域之一,随着等保2.0规范的发布和实施,云上安全越来越成为行业关注的焦点。在融合架构中,整个云平台的安全能力在平台设计和开发中就进行分层构建,形成“分层安全,统一管理”的安全设计思路。
系统可靠性:
可靠性是影响融合云平台生死存亡的核心能力,无论是云资源高可靠保护还是云平台自身高可靠加固,都将作为整个基座的关键能力之一。
智能运维:
随着AI技术的快速发展,其对云基础设施平台也带来了深刻的技术变革影响,智能运维技术方兴未艾,融合云平台也在积极探索和考虑这一关键技术,将为全产品族提供统一的监控告警,数据采集,数据分析,故障预测,根因分析等一系列革新的运维能力。
光阴如梭,转眼已是十年,初心不变,未来可期。基于融合架构的云基础设施平台将成为下一代烽火云的前进引擎,以更灵活,更可靠,更安全为目标持续让客户享受到云计算技术带来的价值和变革,助力企业和社会不断前进,为我国云计算发展贡献烽火的一份力量!
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。