2020年12月29-30日,中国电子技术标准化研究院举办的“第十届中国云计算标准和应用大会”在北京举办,来自政府管理机构、开源社区、行业领先企业的权威专家齐聚一堂,围绕我国云计算标准、技术和产业发展的新模式、新业态、新场景以及成效经验等话题进行了深入探讨交流。
曙光云受邀参加本次大会,并凭借安全可信城市云在云计算技术创新、业务实践及用户赋能等方面的杰出贡献,荣获大会“2020年云计算最佳实践奖”。
据悉,曙光安全可信城市云作为行业内首个“全国产云”,全面兼容各类主流架构国产处理器,具备从底层处理器到上层应用的完整技术产品栈,具有安全可信、全栈服务、无忧交付、生态丰富4大核心特点。截至目前,曙光安全可信城市云已在天津、无锡、成都、抚州等政务云平台应用实践。已为政府多个部门提供了全国产的政务外网和互联网端的计算、存储、安全等云服务资源,加速了政务数字化进程,树立了政务云新典范。
实践中诠释曙光云“S.A.F.E.”价值
曙光云计算产品架构负责人在大会上发表了《曙光安全可信城市云应用实践》的主题演讲,其表示,在“新基建”背景下“数字新基建”格局正在形成,城市稳定运行需要安全可信的云基础设施,曙光安全可信城市云正在以城市云计算中心为基础,构建支撑城市信息化建设及数字产业发展的安全可信云基础设施。曙光安全可信城市云基于国产微处理器构建智能云管平台,可为用户提供安全稳定的运营管理体系、丰富成熟的应用生态环境、无须二次开发即可平滑上云的体验。
该负责人表示,曙光安全可信城市云具备“S.A.F.E.”四大优势,即安全可靠(Security)、完整全面的云产品栈(All-Stack)、高效无忧的迁移交付(Fast Delivery)、丰富成熟的应用生态(Eco-System)。而“S.A.F.E.”不仅是曙光安全可信城市云的优势呈现形式,也是曙光云的产品及品牌理念,更代表着曙光云带给用户的四大核心价值。
曙光安全可信城市云正在应用实践中诠释其“S.A.F.E.”的价值。据悉,目前已经升级为曙光安全可信城市云的政务云平台,均采用基于国产安全可信微处理器,可构建从基础设施、操作系统、数据库、中间件到应用软件的全国产云技术架构,并符合国家权威机构认证评估要求及标准,这体现的便是曙光安全可信城市云安全可靠(Security)。
用户在使用曙光安全可信城市云的过程中,无需进行深度优化和二次开发,即可实现平滑迁移上云,并在使用过程中曙光安全可信城市云为用户提供了安心的供应链保障、全场景覆盖的解决方案和管家式服务,使用户真正体验到即建即用、无缝迁移的“全国产云”。这便是曙光安全可信城市云高效无忧迁移交付(Fast Delivery)的体现。
曙光安全可信城市云在用户的使用过程中,凭借出色的技术供给能力和出色的兼容性,可满足用户对基础设施(IaaS)、平台层(PaaS)的所有需求,并可以支撑应用层(SaaS)的各类场景应用需求。这便可以视为曙光安全可信城市云完整全面的云产品栈(All-Stack)和丰富成熟的应用生态(Eco-System)的呈现。
云计算最佳实践的延续
安全可信城市云作为曙光云对云计算的一种实践形式,以解决用户上云、用云的痛点为目标,始终秉承“S.A.F.E.”理念,致力于引领我国云计算产业积极向着安全可信、无忧交付、生态繁荣发展。
曙光云将持续携手生态合作伙伴一道,面向国民经济发展主战场,为百行百业的数字化转型与创新发展提供有力支撑。
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。