云供应商不断地在更新他们的混合云管理工具,但那距离为管理员提供一个真正的“单一窗口”还有很多工作要做。
混合云计算有望实现更快、更高效的IT服务交付,但是这一好处也是需要付出代价的:系统复杂性有所增加。随着企业用户建设混合云,设备数量的激增,网络连接的增加以及自动化程度的提高,从而导致管理复杂性也进一步加剧。
供应商一直以来都在努力整合他们的混合云管理工具,希望通过为管理人员提供一个跨公共云和私有云的单一窗口来提高系统可见性。但是,在现实中混合云管理在很大程度上仍是效率低下的,具体表现在管理员需要在不同应用程序之间不断地进行切换。
数据中心中有着运行不同操作系统的不同供应商所提供的众多服务器、存储系统、网络设备和应用程序。此外,管理权限也已有所扩大。数据中心的技术人员需要跟踪工作负载位置,确保设备连接齐整以及监控性能。由于混合云把两种完全不同的设备组和管理工具链接在一起,进一步让这些任务更加复杂化。
由于这一复杂性,其缺陷亦是非常明显的。
“某一家供应商可以提供一个强配置的管理解决方案,但其短板在于分析,”总部位于马萨诸塞州Framingham的一家研究公司IDC的企业系统管理软件研究副总裁Mary Johnston Turner说。
API难题
应用程序编程接口(API)在链接混合云管理工具中发挥了关键作用,从而可跨不同云环境提供单一管理窗口。为了帮助IT专业人士更多地了解混合云软硬件,供应商需要提供数据流进出他们产品的接口。此外,在不同模块之间还需建立连接以便传递信息——例如从一个配置管理系统到一个分析应用程序。
但是,API的开发设计则是用不同方法的。基于软件的API是易于部署的,但这样做会增加处理周期和降低系统性能。其他的API则如同是设备——一个在网络中的软硬件组合体——但是这些API需要IT专业人士进行管理的硬件,从而增加了复杂性。
此外,API的集成也是动态的,企业用户要不断地升级他们的系统。由于更新工作是如此频繁,云供应商运行的系统和客户混合云支持的系统之间的差异会越来越大,从而迫使管理人员在不同管理接口之间不断地切换。
进行正确的连接
当开发混合云时,公共云和私有云之间的连接是难以固化的。企业必须将两个使用不同技术的不同数据中心连接在一起,使它们成为一个统一的整体。
因为供应商首先一定会关注连接自己的服务,所以当企业使用由一家供应商提供的底层基础设施(例如运行在微软Azure上的微软服务器)时,他们能够得到更多的管理集成,这就意味着减少在不同界面之间的切换。当基础设施来自于多个供应商时,连接性就会出现更多问题,而可见性也会变得更差,总部设在马萨诸塞州Milford的一家分析公司“企业战略集团”(ESG)的高级分析师Colm Keegan说。
云供应商知道很多客户希望混合和匹配他们的服务,并且已经进行了沟通以求提高集成度。亚马逊网络服务和谷歌一直都在致力于提升他们的管理服务,而微软公司则提供了一套强大的混合云管理工具,并为私有云与公共云开发了统一的管理界面——但还有很多工作要做,ESG的Keegan说。举例来说,微软公司所提供的混合云管理工具在很大程度上仍然是专用的。
传统的价值
当谈及为混合云管理提供一个单一窗口时,企业用户还是会转而向第三方供应商寻求帮助的。传统的管理工具软件供应商,例如BMC软件、CA科技、戴尔、惠普企业以及IBM都在私有云计算侧表现强大,但在公共云计算监控方面表现稍弱。
而一些新贵供应商,例如Cloud Cruiser、Egenera、Kaavo、RightScale以及Verismic软件,都纷纷涉足管理市场。他们与传统供应商正好相反,擅长公共云服务,但少有擅长私有云管理工具的。虽然他们的系统是基于现代设计的,且更易于改变和维护,但他们的功能集却是较为有限。
云计算正在成为企业界中最常见的计算模式之一。随着越来越多的企业用户使用混合云,他们的关注重点也转移到混合云管理工具上了。虽然这些工具正在得到不断地完善,但大部分都会有这样或那样的瑕疵,这就让管理员不得不在不同界面之间频繁切换。随着混合云计算市场的不断成熟,企业应探索他们的选项并找出最适合他们需求的工具。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。