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
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。