数据中心运营商可以采取以下措施应对企业将回迁云工作负载的趋势。
作者:Christopher Tozzi
更新时间:2023年10月23日
谁能从云回迁中获益?当然是将公共工作负载回迁到私有基础设施的企业,他们可以获得更低的成本、更好的性能或者更安全的效果。但这只是答案的一部分。
云回迁的另一个主要受益方是数据中心行业——IDC的数据显示,80%的企业计划在未来一年中至少回迁部分云工作负载。事实上,云回迁在未来几年内可能是推动数据中心持续增长的关键因素之一。

以下是为什么说云回迁对数据中心行业来说是个好消息,以及数据中心运营商可以采取哪些措施来满足企业云工作负载回迁的需求。
云回迁如何使数据中心提供商受益
云回迁意味着将工作负载从公共云环境迁移到私有基础设施,这对于数据中心运营商来说是一个福音。原因很简单:很多情况下,选择回迁工作负载的企业不会将其搬回企业内部。相反,他们会选择在自己运营的数据中心或租用空间的主机代管设施中运营。
选择这种方式让企业在回迁之后也能继续利用云的一些优势。通过数据中心,企业可以将工作负载整合到一个地方,而不是分散在内部机房。在某些情况下,他们还可以将基础设施的设置和管理任务外包给数据中心运营商,后者除了租赁数据中心空间外,通常还提供这些服务。
因此,云回迁的趋势可能会造成数据中心空间需求的增长。有很多因素在推动数据中心行业的增长,例如对更强大的基础设施来承载现代工作负载的需要,以及工作负载运行的地理灵活性的重要性等,除了这些因素,云回迁也是数据中心运营商会拥有光明未来的原因之一。
数据中心如何吸引回迁的工作负载
当企业认识到将工作负载回迁到数据中心而非企业内部的内在价值,可能会自然而然地产生很多用数据中心空间托管回迁工作负载的需求。但是数据中心运营商可以采取措施,在这方面提供更多优惠。
提供“白手套”服务
提供所谓的“白手套”服务就是一种方法,帮助企业完成工作负载迁移和管理流程。数据中心运营商越是能让企业感觉使用其解决方案就像在公共云IaaS平台上启动工作负载一样简单,就越能吸引那些发现公共云并不尽如人意的企业。
提供高性能网络
提供高性能网络应该也会有助于吸引回迁的工作负载。在某些情况下,企业可能会对将工作负载迁回企业内部持谨慎态度,因为他们缺少数据中心连接或者AWS Direct Connect等公共网络服务提供的高质量网络连接。如果数据中心运营商能弥补这一不足,就能为企业提供一个令人信服的理由,让他们在回迁工作负载时选择数据中心而不是内部基础设施。
宣传安全优势
在许多情况下,宣传安全产品也能起到同样的作用。保证数据中心的物理安全往往比保证内部服务器机房的安全更容易,这让数据中心运营商在企业评估回迁方案时又多了一个优势。
定制合同和服务产品
最后,在许多情况下,愿意与客户合作定制合同和服务产品可能对吸引回迁工作负载非常重要。公共云的固有缺点之一就是缺乏控制和定制,在某些情况下,这也是导致回迁的一个因素。除非你的企业非常大,否则公共云提供商通常不会愿意与你协商定制交易,因此你可能会觉得要想得到想要的东西,唯一的解决之道就是在企业内部部署工作负载。但是,如果你能找到一家愿意为你提供定制解决方案的数据中心运营商,你就少了一个迁回内部的理由。
云回迁的趋势还可能会给数据中心运营商带来很多新业务。为了抓住这一机遇,数据中心提供商应该想方设法迎合企业的需求,尽可能多地保留类似于云的优势,同时又避免内部托管的弊端。
好文章,需要你的鼓励
两家公司在OverdriveAI峰会上分享了AI应用经验。Verizon拥有超过1000个AI模型,用于预测客户呼叫原因和提供个性化服务,将AI推向边缘计算。Collectors则利用AI识别收藏品真伪,将每张卡片的鉴定时间从7分钟缩短至7秒,估值从8.5亿美元增长至43亿美元。
阿布扎比科技创新研究院团队首次发现大语言模型生成的JavaScript代码具有独特"指纹"特征,开发出能够准确识别代码AI来源的系统。研究创建了包含25万代码样本的大规模数据集,涵盖20个不同AI模型,识别准确率在5类任务中达到95.8%,即使代码经过混淆处理仍保持85%以上准确率,为网络安全、教育评估和软件取证提供重要技术支持。
Hammerspace发布v5.2数据平台软件,通过更快的元数据读取、更好的数据放置和扩展性优化提升AI数据访问性能。新版本IO500总分提升33.7%,总带宽翻倍,IOR-Hard-Read测试提升超800%。增加了Tier 0亲和性功能,支持GPU服务器本地存储访问,减少集群内网络流量。新增Oracle云支持、Kerberos认证和标签化NFS,提供更细粒度的访问控制。该软件将于12月正式发布。
斯坦福大学研究团队首次系统比较了人类与AI在文本理解任务中的表现。通过HUME评估框架测试16个任务发现:人类平均77.6%,最佳AI为80.1%,排名第4。人类在非英语文化理解任务中显著优于AI,而AI在信息处理任务中更出色。研究揭示了当前AI评估体系的缺陷,指出AI的高分往往出现在任务标准模糊的情况下。