虚拟机散乱是一个众所周知的挑战,目前市场上已经有不少方案来预防和解决。但是现在仍有一种新的散乱需要担心:网络散乱。
网络散乱现象归咎于企业日益采用云计算,采用混合IT的部署方式:一些应用程序和基础设施仍然留在本地,而一些迁移到了云端。据SolarWinds的《2016年 IT趋势报告》显示,接受调查的IT专业人员当中几乎全部(92%)表示,采用云计算技术对本企业长远的业务成功来说很重要;不过60%表示,所有基础设施不太可能迁移到云端。因而,在可预见的未来,混合IT将是不争的现实。
事实上,网络工程师仍得确保企业所有网络的性能,无论网络是不是归我们所有。实际上,网络的改变催生的更多“多面手”:不仅要负责自己的网络,还要负责云和SaaS提供商的网络,以及ISP及其依赖的其他ISP的网络。
这可能会让运维人员特别留恋旧时光,那时候除了广域网链接和互联网,管理员没必要过于关注企业外面的其他网络。
网络散乱的影响
在IT行业,有一个规模小得多、不一样的马斯洛需求层次。想获得成功,三个重要部分依次是:责任、义务和权力。毫无疑问,每个网络管理员都肩负确保网络性能的责任和义务,但是权力得不到多大的保障,尤其是在混合IT时代下。要是没有权力,想确保网络维护和性能是个挑战。
的确,网络散乱最糟糕的影响就是,基于云的应用依赖多个网络,而我们缺乏可见性,无法深入了解这些网络,因而对它们毫无权力可言。这些应用种类不一,有的是简单应用,比如网站或远程Web服务,有的是复杂、关键任务的基于云的应用。
网络散乱对本地环境也有影响。许多企业组织决定把关键的IT部件留在本地,而不是把它们交给工作场所外面的云。核心数据库就是个典例:基本的IT职能几乎总是留在本地。但后来,开发人员构建了微服务,或者甚至功能齐全的应用程序,它们驻留在云端,但是又依赖来自核心数据库的数据。所以,无法查看或管理提供网络的性能或可用性,或者无法了解为什么会出现停机,自然会影响这些类型的实施,即便用户和数据都是本地的。
此外,随着我们进一步迈入到云、SaaS和混合IT这个世界,像traceroute这些屡试不爽的工具变得过时,因为它们通常受到阻挡,无法访问服务提供商网络。与此同时,云监控工具也无法深入了解本地基础设施的性能,所以环境立即变得更不透明、更复杂。换句话说,就在网络散乱的同时,管理网络的工具也同样变得散乱。办公室的普通一天需要多个屏幕充斥着几十个应用屏幕,我们在花数小时管理工具本身和打补丁时,耗费在变更控制窗口上的夜晚越来越多。
遏制网络散乱
你可以采取几个措施来管理网络散乱的影响。
第一步就是,承认可能存在网络散乱问题。搞清楚企业使用哪些云提供商和SaaS应用程序,来自这些提供商的性能需求,以及它们是否适合那些要求。要认识到,身为网络工程师,你最终有责任不仅要确保自己拥有的网络顺畅运行,还要确保贵企业依赖的云和SaaS提供商的网络顺畅运行。
由于诸多原因,广域网提供商、云提供商和SaaS应用程序提供商根本不会移交权力,也就是说根本不会让你控制它们的网络。然而,可见性几乎就跟权力一样要紧。如果能从外面深入了解这些提供商的网络,同样为你提供了确保贵企业没有受到提供商糟糕的网络性能负面影响所需的权力(也就是可信度,而不是控制度)。新工具有助于提供这种可见性,并简化故障排除。
混合IT是新的现实,网络散乱是新的挑战。承认自己存在网络散乱问题,或者至少有可能出现网络散乱,这是尽快恢复的第一步。通过深入了解云提供商的网络,从而夺回被提供商抢去的权力,将让企业用户可以控制自己所有的网络环境。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。