
2020年,
业务线上化提速,非接触远程服务需求激增,
金融机构数字化转型提速。
不过,转型并不容易:
互联网应用(IT架构如何支撑分布式应用?)

金融机构基于互联网渠道服务客户成为主流,
后端IT基础设施需要转型升级。
但是传统IT架构无法适配分布式应用,
业务的拆分很复杂(业务功能、服务解耦、应用改造)。

推倒重来,还是循序渐进?
对策:当分布式数据库遇上LinuxONE,分布式数据库对更强一致性的追求,能够轻松得到提升。LinuxONE和分布式数据库的组合,就是一对黄金搭档。
LinuxONE在硬件层面,提供了非常强大的底层支撑平台,从而在“相同的简单易用”基础之上,可以带给客户“与众不同的能力和体验”。

稳态IT架构(如何确保核心业务稳定运行?)

不管技术如何变化,
IT基础设施的安全性、可持续性、稳定性依然还是重中之重。
金融核心关键业务,安全稳定是第一要求,7×24不宕机。
承载核心数据的硬件平台,要有极致的可靠性与隔离性。
对策:LinuxONE具有“高性能、高可靠和高密度”3种超高能力以及6种黑科技确保核心业务稳定运行。
3高:
在高性能方面,LinuxONE是所有商用服务器里性能最高的,它配置了5.2GHz主频的处理器,以及总量超过11GB的4级CPU大缓存,再加上高达192个的IO插槽,从而为客户提供最强大的计算能力和IO处理的能力。
在高可靠方面,LinuxONE提供了N+1的全冗余体系架构,这里面涵盖了CPU、内存、IO、电源、风扇、控制台等,从而使得LinuxONE单机就可达到6个9的可靠性。
在高密度方面,LinuxONE除了具备强大的纵向扩展能力外,横向扩展能力也是很强的,LinuxONE单机可支持85个逻辑分区、支持8000多个虚机,以及2百多万个容器,对X86而言,可以用“以一顶百”的方式,来实现高密度的集约化部署。
6黑:
LinuxONE所配备的6种黑科技,比如LinuxONE的芯片压缩功能,支持高达260GB/s的超大规模吞吐能力,可以帮助用户节省大量存储空间、节省网络带宽、缩短数据传输时间等。LinuxONE的内存通讯技术,可以帮助联机交易端到端的响应时间减少30%,同时TPS提升超过50%!
在时钟同步方面,LinuxONE可以确保在同一设备内,所有分区和虚机、以及跨多台设备集群的精准同步,可以达到微秒级。这对于分布式数据库来说,有很大的价值,因为分布式数据库对于节点间的时间同步,往往有着非常苛刻的要求。


开源开放(如何引入开源软件实现降本增效?)
虽说购买商业软件让金融机构吃了定心丸,但是每年价格不菲的服务费,当出现问题还得救助外包人员。

而采用开源技术,丰富的生态加上低成本,实现企业级的可靠性和性能,还有IT系统的敏捷高效、精细化管理、可扩展以及可管可控。
对策:LinuxONE本质上是一台开放Linux服务器, 在软件层因为采用基于开放开源的技术堆栈,在使用体验上可以做到同样的简单易用,包括应用的开发、交付、混合多云的管理,以及服务治理管控等等。
另外,客户在Linux方面的已积累的技术力量,同样可以在LinuxONE上得到充分的复用,并不会带来额外的技能要求。


其实LinuxONE的玩法还有很多,而且很多金融机构已经尝试了。
IBM现代化架构结合混合云,为客户创造新的基础架构价值
5大关键优势,实现“云中核心,稳敏合一的混合云平台”

想要了解更多LinuxONE的信息和最佳实践,请点击链接一探究竟!
http://www.zhiding.cn/special/IBM_2021_IT_infrastructure
咨询IBM专家:400 6692 039
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。