企业工作负载越来越多地迁移到云中,IT人员是时候使用下一代网络所需要的云监控工具了。
几乎所有企业现在都使用某种形式的云服务。其中,有超过97%的企业在使用软件即服务(SaaS);有超过42%的企业在使用平台即服务(PaaS);最后有超过53%的企业在使用基础架构即服务(IaaS)。
但是,这些应用的宽度与深度并不匹配。通常情况下,只有不到四分之一的企业应用程序通过SaaS交付。在使用IaaS和PaaS的企业中,半数企业都只是将不到3%的工作负载部署到云中。
但是,部署场景处于变革前沿。随着满意度的不断增加,加上集成与安全技术的不断成熟,运行在云中的工作比例在快速攀升。到2020年,我们预计有50%的企业工作负载运行在外部云。
引起这种变化的动因是DevOps技术和文化在越来越多的组织中传播,以及真正的私有云出现。这种技术都非常依赖于资源的自动化和编制:工作负载在各个位置上不断地扩大、缩小和来回移动。所有这些都在编制工具的命令行中自动完成,它们可以从一个应用程序容器上分配任何东西,小到一个微服务,大到一个复杂应用架构(包括容器、虚拟机)、服务器(外加存储、网络和安全)都可以。
相关技术搭配
在这个转变过程之中,IT必须保证要搭配相应的应用程序网络管理工具。
这意味着在整个过程中IT都必须有能力去监控可用性和性能,包括内部应用程序的开始开发阶段到各种服务产品的整个进化过程。成功意味着要能够全面监控服务组件及其底层平台元素,以及从服务器到用户设备的端到端监控。
用户不会关注于中间层的所有元素,但是IT需要尽可能多地理解这些服务是如何交付给用户使用的,因为它们需要知道各个组成部分中可能出现的问题。
必备监控目标清单
总体上,IT需要监控下面的层次:
• 资源层,包括:
计算主机,包括虚拟机(VM)、容器和工作负载直接使用的资源;
存储,包括块、文件或对象;
网络,包括物理和虚拟网络。
• 虚拟机层
• 容器层
• 应用/微服务层
• 用户可见的服务层
而且,IT必须同时跟踪外部和内部托管的工作负载。
在这个方面,如果网络管理工具目前基于网络设备,那么IT需要像在内部环境的一样在外部云环境部署这些工具的虚拟版本。由于管理基于运行在宿主、应用服务器或容器上的代理端,所以IT需要为准备监控的特定组件分配或配置一个代理端——在同一个自动化工作流、声明式定义或黄金镜像中。
类似地,IT只需要通过单独一个玻璃窗就能够查看到构成混合基础架构的所有层次和资源池的服务视图。理想情况下,这个仪表板会嵌入到云管理平台中,IT可以用它快速响应事件。单独一个工具和一个技术是无法解决所有问题的。云管理器是将现代分布式计算环境所需要的所有管理和监控工具聚集在一起的逻辑位置。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。