IT专业人员在为当前和未来网络环境选择最佳以太网交换机时,应该考虑软件定义网络和物联网等新技术发展趋势。
现在更多应用程序以更复杂的方式托管在更多地方(有些部件运行在一个地方,其他部件则在其他地方),也难怪企业很难说清楚他们关键服务交付的情况。
目前很多企业已经退回到这种地步,即当客户或工作人员来电抱怨(更糟糕的是,在微博发帖)时,他们才意识到问题的存在。
由于应用交付的这种转变,企业需要新的工具来管理应用。而最新应用性能管理(APM)工具就可以应对混合服务交付环境,这些环境严重依赖云服务组件之间的东西向流量。
在正确的地方
新APM环境的一个关键特性是部署在需要的地方:靠近服务。我们有多种方式来实现这一点:
• 在虚拟机管理程序环境中,监控空间内虚拟机的响应时间和资源消耗情况;
• 在没有管理程序(例如专用物理服务器)或管理程序遥不可及(即在IaaS环境)时,在操作系统上运行;
• 在容器内;
• 在Java或.Net应用服务器环境内;
• 在终端用户设备,连续或按需即时下载。
对于与外部服务通信的内部服务响应客户端或客户,监控与外部资源通信的内部组件,可提供性能情报。
适当大小
鉴于我们需要将性能探针放在任何设备中,从管理程序到应用服务器,所以越轻越好。足迹要么非常小,要么可缩小到符合监控任务的范围。对于监控管理程序空间内一切情况的设备,应该选择更大的设备;而当我们监控Tomcat实例或手机网络浏览器时,小的就很好。
智能无处不在
这 种分布式监控不应该是被动的,简单地将大量信息流传输到某处的中心枢纽。每个应用监控应该能够执行初始数据分析,持续发送精简的元数据流,除非由中央管理 单元要求发送更详细信息。该工具的范围越大,它应该能做更多预消化。中央控制器应该提供更广泛和更深入的分析,能够基于所发生的情况来调整探针的行为。
保持活跃
这个理想的工具将采取步骤来管理性能,而不是简单地监控它。这可以以几种方式完成:
• 通过改变负载均衡行为
• 通过改变流量整形政策
• 通过动态配置和取消配置资源
如果工具本身不能完成这些操作,它至少应该能够利用工具或服务中的API来出发必要的操作,或者能够提醒业务流程工具来做出调整。
在“从任何地方使用,从所有地方提供”服务的时代,IT部门需要对性能获取新水平的可视性和控制。为了实现这一目标,企业应该结合可在混合服务环境运行的新一代工具与现有管理控制台及仪表板。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。