包括银行、零售、旅游服务等多个行业的企业目前都在斥巨资投入电子商务的发展与应用,这是由于网络与应用已成为开展业务和与客户沟通必不可少的方式。从网络层面来看,某些应用在本地数据中心运行,而另一些则运行于云端。这就形成了一种不同以往的混合架构模式。
应用性能可视化问题
然而,即使在应用上的投资不断增加,IT预算却不会相应提高,而应用环境的日趋复杂对于新兴混合型企业来说则是IT可视化与性能的全新挑战。对应用性能的可视化与控制成为重点行业的头等大事。最新研究如下:
我们还从媒体上看到这样一些数字。英国银行从2007年开始一直受到历史上最严重的支付中断的困扰。美国捷蓝航空公司曾经突遇“系统故障”,航班停飞了几乎一整天,究其原因竟然是基础设施问题导致一个关键应用受损。甚至是苹果的iOS App Store也曾经瘫痪过。大量金钱因此类性能问题而流失,所以肯定需要找到一些性能运维工具来提供帮助。
实际上,IT部门在整个系统环境中只参与了其中一小部分,如网络、系统、应用、数据库,并且也开发了一些针对这些领域的检测工具,但这些工具基本上还是单点方案。使用这些有限的工具应对日益复杂的混合架构,对于任何特定领域的专家才说都是勉为其难。面对各种五花八门的问题,谁也不是“全科医生”。
EMA曾发表研究报告称,81%的IT部门依靠定期的跨领域团队合作应对性能问题。鉴于对越来越多的非本地服务有限的可视化能力,IT部门只能相互指责,称自己是无辜的。同时,CIO仍然无法了解问题的根本原因。系统会变得越来越不正常。
实现可视化的整体方案
可喜的是,网络和应用性能维护技术已经取得了长足进步,足以应对以上这些挑战。
我们正在面临重大的变革,孤立的、私有的方案模式必将转向全面的可视化与性能管控模式,将本地路由、交换机、服务器中已有的数据整合在一起,并增加针对云的可视化能力。
我们可以从两个层面解读全面可视化:1.横向,集合各个领域团队所掌握的所有数据,而不仅仅只是堆在一起;2.纵向,深入到云,提供传统基础架构无法实现的性能可视性。
Riverbed的SteelHead 与SteelCentral联合方案可共同交付以上提到的纵向数据,直接为SaaS厂商如微软Office 365和Salesforce.com等提供一条龙服务,从分支机构用户直到SaaS供应商,反之亦然。这样就实现了将传统上本地环境无法实现的可视化扩展到混合架构的目的。
横向维度上则会动态收集跨域的所有数据集并将其集中起来进行全面分析,相当于动态映射所有组件中收集的关键应用。如果发现问题,就可以运用适当的工具进行深入分析。简洁的用户界面将总结各个域内的几乎所有相关数据并将其汇集到一个集中视图上,这样就可在几分钟内找到问题,不用再等几个小时或几天。
防患于未然
除了全面可视化方面的这些进步,Riverbed SteelCentral方案还有“一招鲜”,能够实现“预测性”可视化——也就是说,一个收集数据的闭环系统可以借助“经验”模式来发现问题,并通过自动行为分析引擎自动发出提醒。
智能分析引擎代替了人工方式,IT将有更多的时间重新关注业务驱动型计划。IT也终于可以确保性能,不仅仅只是各自领域的性能,也不仅仅是应用性能,而是整个业务流程与应用和基础架构组件的服务性能。广泛的可视化确保所有的IT支撑组件如网络、服务器和应用的相互协作,同时通过深度包检测“挖掘”关键数据,从而给出有关运维的深度分析。经过这些改造,IT将成为真正意义上的业务合作伙伴,实时贡献更多有关数据的深刻见解并协调资源配置以帮助业务部门取得成功。
——Riverbed科技公司亚太区产品营销总监丁伟
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。