如今,如果想要拥有一个完全属于自己的云平台,建立所谓的专有云 (Dedicated Cloud) 已经成为主流选择。
当然,这样说可能有些夸张。传统私有云仍然有其适用场景,而且专有云本质上也是私有云的一种形式,所以并非是完全替代的关系。
不过,专有云确实代表了一种独特的架构,已经成为云计算领域的新趋势。让我们详细了解它的含义,以及如何判断专有云是否适合您。
什么是专有云?
专有云是私有云的一种类型,使用组织对底层基础设施拥有完全控制权。这意味着企业在使用专有云时,可以自主选择支撑云平台的硬件,以及如何配置运行在云上的软件。
值得注意的是,专有云并不一定意味着使用企业必须拥有和管理云基础设施。您可以通过裸金属即服务 (bare-metal-as-a-service) 来创建专有云,这允许您部署和使用由第三方供应商管理的硬件。当然,您也可以使用自己的硬件来建立专有云。
专有云定义的变体
对于"专有云"这个术语,一些人有稍微不同的理解。
例如,Equinix 对专有云的描述强调其作为连接基础设施到多个外部云供应商的"中转站"作用,因此重点同时放在云网络性能和集成以及基础设施控制上。
这种定义仍然暗示了对基础设施的广泛控制,因为要实现 Equinix 所说的与外部云的集成,这种控制是必需的。(值得注意的是,Equinix 提供名为 Equinix Metal 的裸金属即服务解决方案,客户可用其创建他们所描述的专有云,尽管该公司最近宣布计划停止这项服务。)
其他对专有云的理解基本上将其视为等同于拥有专用服务器——即您控制的服务器 (即使由第三方基础设施提供商管理),且仅供您使用。我认为专有云不应与专用服务器混为一谈,因为您可以拥有专用服务器而不将其转变为云平台。但撇开这个细节不谈,核心理念仍然是专有云的定义在于对基础设施的完全控制。
专有云与私有云的对比
专有云与私有云有何不同?专有云是私有云的一个特殊类型——云客户完全控制云基础设施。
其他类型的私有云也存在,但它们不提供这种程度的控制。托管私有云就是其中之一,即组织在第三方控制和管理的基础设施上运行私有云环境。通常,托管私有云在基础设施配置方面为客户提供有限的选择——这使其与专有云有所区别。
还有虚拟私有云——在公有云之上运行的环境,在网络层面与公有云的其他部分隔离。虚拟私有云与专有云的区别在于,在虚拟私有云中,客户无法控制底层云基础设施。
简而言之,所有专有云都是私有云,但并非所有私有云都是专有云。
专有云的优缺点
使用专有云的主要优势在于它提供的控制能力。当您可以精确选择用于托管私有云工作负载的基础设施,并控制基础设施配置时,您可以以其他云架构无法实现的方式优化您的私有云环境。
例如,您可以在私有云基础设施中包含 AI 加速器或部署硬件级安全控制。
专有云的主要缺点是,相比提供较少控制能力的托管私有云,其成本往往更高。销售私有云托管服务的供应商如果为所有客户选择统一的硬件和配置,可以提供更低的价格;但对于想要享受专有云优势的组织,他们会收取溢价。
何时使用(或不使用)专有云
那么,您是否应该投资专有云?如果符合以下任何情况,答案可能是肯定的:
- 您想使用专门的硬件运营私有云 - 您需要完全控制为私有云提供支持的底层服务器 - 您想部署可能无法在通用硬件上最优运行的资源密集型工作负载
然而,在其他情况下,更传统的私有云形式可能更可取——而且可能更经济实惠。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
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%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
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。