提到云计算,你是否只能想到亚马逊、VMware、OpenStack等知名国外企业和开源项目?事实上,早在开源云计算架构OpenStack项目组成立之前的2008年,就有这样一朵国产“品高云”冉冉升起。
10月21日,品高在广州四季酒店召开发布会,宣布BingoCloudOS推出第六个更新版本,支持业内首创的云服务创造能力,以及全新的SDN云网络和云监控报警体系。
作为国内商用时间最长的企业云操作系统 ,目前BingoCloudOS已经在交通,金融、教育、政府、公安、制造、物流等领域,应用于超过14000台物理服务器之上,用以支撑其生产云环境,成为追求稳健用户的“靠谱”选项。
靠谱来自8年时光历练
2008年,品高云之父刘忻启动了品高云的研发进程
2008年,品高开始自主研发品高云
2010年,2月,品高发布BingoCloudOS V1版,国内首个真正IaaS云产品(同年7月,OpenStack开源项目成立。 8月,VMware发布vCloud Director)
2011年,这是中国云计算历史上值得纪念的一年,OpenStack仍在不断优化迭代,而在国内,品高云V2商用版本在9月正式发布。
2012年,BingoCloudOS V3发布,这是一个大数据云,横跨公私云平台。提供云存储、运维自动化等功能。
2013年,BingoCloudOS V4发布,品高提出企业向云转型的五个动力,并将移动化列为企业云转型的关键驱动力。同年,微软新任CEO纳德拉提出“移动优先、云优先”战略。
2014年,发布V5,支持企业混合云、计算存储一体化。当年,混合云开始获得普遍认同。正如Gartner所预言的,“如果你现在没有混合云,那么将来肯定会有。”
BingoCloudOS6.0如何让你耳目一新
时光来到2015年,经历八年时光历练,BingoCloudOS已经成为业内口碑甚佳的成熟的企业IaaS云平台。并在最新的V6版本中开启IaaS+能力,使得企业可以根据自身业务特点,按需创造符合自己的云服务能力。除了IaaS+,相比竞品,BingoCloudOS6.0在如下领域让人眼前一亮。
规模——国内最大规模私有云实践
单一客户装机量超10000台物理机理论单集群最大规模1024台,已在客户实施单集群641台物理机。不会让企业云面临扩展瓶颈。
安全——通过国家3级等保认证
符合国际安全标准的安全框架体系,通过公安部云操作系统信息安全检测,实际应用中通过国家3级等保认证。
混合存储——多类存储并存架构
支持单一集群中SAN存储与分布式存储共存且可以互为备份,降低存储采购成本提升数据可靠性。
SDN——少数自主研发SDN控制器的厂商
2013年开始研发,完全符合ONF标准,控制器支持集群部署无单点,并且实现了所有云网络的功能(包括安全组(Security Group)、ACL、Subnet、VPC、VLAN接入,NAT、Route等,目前业内只有如Vmware(NSX)等少数厂商可做到,Openstack自身没有SDN控制器。
国产化——全面支持国产软硬件
纯国产云操作系统,不仅在软件层面支持国产操作系统、中间件与数据库,更在硬件层面支持国产龙芯等服务器架构。
服务重组——拥有云服务创造能力
除云平台自身云服务功能,还可以通过可视化工具编排重组云服务和软件部署方案,来创建新的云服务,实现IT服务的不断创新的同时,沿用现有软件厂商的最佳实践。
中立——中立的云软件厂商
不做硬件绑定,不以硬件为牟利点,广泛兼容业界主流硬件产品。
顾问咨询——伴随企业向云演进的顾问服务
不仅仅是卖软件给客户,更将腾讯、南车、国药、广州地铁、广州政务云等案例的最佳实践与顾问能力带给客户。
截止目前,品高云收获的四个关键数据
品高副总经理周静在发布会中表示,从2010年到现在,每一次新技术概念的提出后,品高云几乎能够同步地推出对应产品。经历多年积累,品高人的洞察力和不懈的创新将帮助企业步入IT的新时代。事实证明一切,数字胜于雄辩。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。