虽然OpenStack的众多云服务为IT专业人士提供了丰富的选择范围,但是物极必反,如此多的服务选项也可能会导致用户的混乱——尤其是在混合云环境中。幸运的是,一个名为Project Navigator的新工具能够在这方面为他们提供帮助。
对于希望部署云的IT人员来说,OpenStack提供了很多的选择。这个开源云平台拥有着如此多的功能集,其中很多功能集都能够帮助企业用户满足 他们的云需求。但是,从超过25个以上的OpenStack服务选项中做出准确决策选出最适合你云环境的那个将是一项较为困难的任务。
此外,数以百计支持OpenStack的供应商也是增加这一乱象的原因之一,正是他们提供了各种各样的OpenStack服务版本、额外的工具与功 能。与此同时,混合云服务选项也使得这一市场变得更为错综复杂和令人兴奋。除了开发一个基于OpenStack的私有云的挑战之外,混合云还引入了其他的 新难题,例如跨多个云环境实现各台服务器的连接、组网以及存储。
根据您的云需求来选择合适的OpenStack服务
首先,让我们来解决相对比较简单的任务——使用OpenStack来开发一个私有云。管理人员需要面对的第一个问题就是从众多可用的 OpenStack云服务中选择一个较合适的。值得庆幸的是,OpenStack已经发布了一个名为Project Navigator的新工具,它可帮助企业用户根据实际云用例的开发需要来确定一个合适的OpenStack服务,例如Web服务。
Project Navigator可在每一个OpenStack项目模块上显示一个状态信息面板。这个信息面板可显示项目的成熟度,这一点是非常重要的,因为新的模块都 是定期添加的。该工具把OpenStack服务分为六个所有OpenStack云都可以使用的核心模块,然后选出针对特定云用例的可选服务。
这一分类功能将有可能随时间推移而有所变化,这是因为这些“可选项”服务中有更多服务将在不久达到完全的成熟度。从这一意义上来说,更多的 OpenStack服务——例如Horizon Dashboard、Heat Orchestration、Magnum Containers、Congress Governance以及Barbican Key Management等——都有可能被纳入核心服务包。
通过提供OpenStack服务的详细信息,Navigator可帮助管理员针对特定工作负载或用例做出决策,但是OpenStack的配置帮助并 没有就此止步。这些示例配置可让沙箱项目变得易于实施。这些示例配置都是基于OpenStack主要贡献者(例如CERN)的使用经验的。
针对混合云应用使用OpenStack服务
鉴于云应用高峰或备份等方面的考虑,大多数企业用户都希望同时使用私有云和公共云。所以,虽然Project Navigator是启动私有云实施项目的一个很好的方法,但是它可能还不适合用于混合云的部署。
当你撇开所有炒作来看待这个命题时,你就会发现开发一个混合云比分别部署一个私有云和公共云要困难得多。这是因为混合云需要有能够跨越公共云和私有云边界的网络结构,以及旨在从公共云或私有云中扩大性能优势的存储系统。
这些概念仍处于产品开发的早期阶段,它们都还面临着一些根本性的技术挑战。例如,广域网较慢的网速将使公共云实例在私有云中读取数据变得非常困难。更重要的是,一些规模较大的企业会把他们的私有云实施分别部署在不同的地区,而这一私有云实施又必须与公共云紧密结合在一起。
对于一个OpenStack混合云来说,实现不同云环境之间的VLAN连接以及同时保持其安全性和访问认证是至关重要的。目前,有一些诸如OpenContrail的技术可以帮助我们实现这一目标。
尽管面临着这些挑战,但还是有一些可使用OpenStack服务来开发混合云的选项。例如,一些企业用户使用OpenStack和亚马逊网络服务(AWS)的组合来开发混合云,这是因为OpenStack Heat脚本程序与AWS脚本程序非常相似。
未来的混合云将涉及软件定义基础设施(SDI)。SDI主要用于实现集成联合云组件的高级编排。通过使用在SDI中的控制面板服务,我们就可以开发出更高级别的API以实现云到云的无缝操作。
目前,我们距离处理应用程序、数据以及平台的完全自动化编排流程还有一段不小的差距。这是云发展过程中最有趣的部分之一,所以它也受到了广大开发人员的极大关注。其结果是,随着时间的推移,在混合云环境中使用OpenStack服务将变得越来越方便。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。