随着云计算的大规模增长,企业在其组织中采用云计算的方法有很多种。在2016年的结构会议上,行业专家约翰•魏因曼解释了10家大型科技公司如何以自己的方式接近云计算,部署云计算基础设施。
企业接近云计算的个人目标,如对敏捷性,用户体验,成本,可扩展性和可靠性的影响,并将决定他们如何实现云计算。人们有许多许多围绕公共云和私有云之间差异的讨论。魏因曼列出了两个选项之间的以下差异:
私有云具有以下特点:稳定的需求,可预测的可扩展性,可预测的幅度,地理位置集中,自复用,DIY的成本竞争优势,核心。
公共云具有以下特点:可变需求,可预测变化,不可预测的时机,不可预测的幅度,地理分散,客户复用,成本/能力优势与DIY,内容。
以下是魏因曼作为案例研究的10家公司,以及他们如何以自己的方式部署云计算基础设施:
1.Pinterest公司
魏因曼说,Pinterest从一开始就一直采用公共云。他引用了Pinterest公司RajPatel的原话,将他们的方法称之为“基础设施佛教”,因为一旦你失去一种感觉,其他感觉就会提高。也就是说,当一家公司不需要专注于管理数据中心时,就能够专注于其他领域的创新。
2.Evernote公司
魏因曼表示,Evernote公司似乎采取了与Pinterest公司相反的方法。他引用该公司总裁罗德里格斯的话说,在公共云中运行Evernote的工作负载是其数据中心的运营成本四倍,他并不觉得数据中心难以管理。可以说,Evernote公司的业务建立是在私有云上。
3.Instagram公司
致力于照片共享应用的Instagram公司开始采用公共云。然而,该公司在2012年被社交媒体巨头Facebook公司收购后,完全融入了Facebook公司的私有云。
4.Netflix公司
Netflix公司的业务从其私有数据中心迁移到亚马逊的公共云,当时成为头条新闻。但是,这不是全部。魏因曼说,Netflix公司只在公共云中运行转换代码,客户数据及其推荐引擎。他说,该公司的DVD业务和流媒体CDN仍在自己的数据中心中运行。在这种情况下,可以认为Netflix公司运行的是混合架构。
5.Dropbox公司
魏因曼说,Dropbox公司将文件共享在一个公共云中,但该公司将它们移动到商品服务器。Dropbox公司的元数据已经在私有云中托管,这种业务迁移是成本所促成的。
6.Zynga公司
Zynga公司的大部分工作负载都在公共云中,之后该公司将其业务迁移到私有云一段时间。魏因曼指出,而令人奇怪的是,当他们的业务增长逐渐降低时,Zynga公司又返回到公共云。
7.GE公司
魏因曼说,GE公司的方法是微妙的。GE公司是众所周知采用公共云的厂商,但该公司仍然在私有云运行传统应用程序,而这些应用程序并不值得迁移到公共云。
8.Target公司
Target公司在其早期,将其电子商务基础设施外包给亚马逊公司,但最终将工作负载转移回私有云,以便更好地管理和了解客户数据。
9.沃尔玛公司
魏因曼称,沃尔玛公司采用的是“混合多云雾的方法”。该公司有一个私有云战略,他们想在每个商店都部署一个私有云,但他们也收购了OneOps公司来管理一些工作在Rackspace公司和微软Azure公共云上的工作负载。
10.苹果公司
魏因曼说,虽然这可能是炒作,苹果公司的做法似乎是混合型。他们使用私人基础设施来运行计算和能源业务,但该公司也使用来自AWS,微软Azure,以及谷歌云等公共云。
魏因曼最后总结说,每个公司都根据自己的情况采用不同的云计算策略。因此,各公司应该确定什么才是最适合他们的选择,而不是仅仅模拟对另一个公司有效的策略。
好文章,需要你的鼓励
随着大语言模型在人工智能时代展现强大力量,可穿戴设备成为收集人体数据的重要载体。通过实时监测血压、心率、血糖等生命体征,结合AI边缘计算能力,医疗正向个性化转型。基因治疗、数字孪生技术让每个人都能拥有专属的医疗数字化身,实现从"报销型医疗"向"创新循证医疗"的转变,为疾病预防和健康管理带来革命性突破。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
在巴黎举办的欧洲开放基础设施峰会期间,专门用一整天时间讨论VMware迁移问题。博通收购VMware后许可证价格上涨,导致客户运营成本大幅增加。开源开发者展示了将VMware虚拟机迁移到开源替代方案的产品。Forrester分析师指出VMware客户对此感到信任破裂。OpenStack等开源解决方案虽然复杂度较高,但提供了健康的开源生态系统替代方案。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。