北京,2021年5月11日——日前,青云科技(qingcloud.com,股票代码:688316)旗下自主研发的容器平台KubeSphere 3.1.0版本正式发布。新版本主打“延伸至边缘侧的容器混合云”,通过集成KubeEdge,拓展“边缘场景”,可帮助用户加速实现云边协同,在海量边、端设备上完成大规模应用的统一交付、运维与管控。同时新版本增加了“计量计费”功能,可帮助用户从多个维度来分析平台资源消耗,让基础设施的运营成本更清晰。
新版本还提供了更强大的可观测性、更易用的DevOps、更轻量的多云与多集群管理服务、更友好的网络管理服务,以及丰富认证鉴权与多租户等,进一步提升交互设计和用户体验,操作更平滑、更便捷、更高效。而作为开源项目,KubeSphere 3.1.0继续秉承100%开源的承诺,为全球的社区用户提供更优质的容器服务。
随着5G的发展,视频处理、工业制造、自动驾驶都会涉及到海量、超低延时、多样性的数据处理,边缘计算就显得尤为重要。数据表明,5G时代,80%的数据和计算将发生在边缘,在边缘侧计算将成为趋势。云原生产业联盟在《云原生发展白皮书》也提到,万物互联加速云边协同需求演进,但传统的云计算中心集中存储、计算的模式已经无法满足终端设备对容量、算力、超低延时的需求,将云计算能力下沉到边缘侧、设备侧,通过中心纳管统一交付、运维、管控的云边协同模式,成为重要的发展趋势。
这一设想在KubeSphere 3.1.0中得以实现。在集成KubeEdge的同时,KubeSphere 3.1.0新增了对“边缘计算”应用场景的支持,具备了计算下沉、海量边缘设备统一管理、边缘节点日志和监控数据实时采集、边缘自治等能力,打造了“云上与边缘相结合的容器混合云”,为云边协同、安全、边缘网络适配、异构资源适配等难题提供了解决方案,极大地加速了云计算边缘化进程,帮助用户实现云、边、端一体化的应用分发,在海量边、端设备上实现统一交付、运维与管控。
KubeSphere 3.1.0还新增了“计量计费”功能,可帮助用户从多个维度来分析平台资源消耗,让K8s运营成本更透明。其中,从集群维度,用户可通过查看每个集群资源消耗,深入到节点中分析运行的工作负载,精准规划每个节点中工作负载的资源使用状况。通过企业空间维度,用户可查看每个企业空间资源消耗,轻松获取企业空间中项目、应用、工作负载的消费账单,快速分析多租户环境中各个租户的资源使用是否合理。
与此同时,KubeSphere 3.1.0在上一版本基础上对交互设计做了进一步的优化,不仅提供了更强大的可观测性,如:兼容PromQL、内置主流告警规则、可视化对接钉钉及企业微信等,DevOps的易用性也上了一个台阶,如:新增多分支流水线、内置多套常用流水线模板、流水线复制等功能,实现真正的开箱即用。而对多云与多集群的管理,KubeSphere 3.1.0通过移除Redis、OpenLDAP、Prometheus等依赖组件,使多云与多集群管理服务更加轻量。新增的网络可视化拓扑图功能,则可帮助用户快速洞悉各个服务间的网络调用关系,获得与云平台一样稳定、安全和易用的网络使用体验。
此外,KubeSphere 3.1.0进一步丰富认证鉴权与多租户。通过新增组织架构管理功能,极大简化用户批量授权操作,支持企业空间资源配额管理,实现对资源用量管控,更契合用户的实际需求。统一认证方面,KubeSphere 3.1.0简化了身份提供商的配置方式,新增了对 CAS、OIDC、OAuth2等通用认证协议的支持,提供插件化的拓展方式,为不同账户系统之间的集成提供便利。
值得一提的是,作为开源项目,KubeSphere 3.1.0将继续秉承100%开源的原则,除支持中英之外的繁中和西班牙语、开源前端组件库外,新特性的代码与设计文档在GitHub相关仓库都可以轻松找到。借助于开源社区的力量,KubeSphere社区用户现已覆盖全球90多个国家和地区, 在GitHub上Stars达到5,400多个,Forks达到887个。
随着3.1.0版本的正式发布,KubeSphere生态逐渐走向成熟,可为用户提供更丰富、更完整的容器混合云服务,加速云原生的应用与实践,快速落地云原生。
为帮助更多用户快速上手KubeSphere,了解云原生,KubeSphere云原生Meetup上海站将于5月15日举行,届时将对KubeSphere 3.1.0最新功能做进一步详解,并联合CNCF基金会邀请到来自DevOps、数据库、存储等行业专家,畅聊云原生落地,分享企业容器化之路。更多精彩等你来:https://www.bagevent.com/event/7349342?bag_track=PR
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。