可能你是守旧派,将其称为负载均衡。又或是你更为新潮,称其应用交付控制器(ADC)。再或者你更为赶时髦称其应用交付平台(ADP)。
无论你如何称呼他们,这些设备和软件即服务提供对管理终端用户和企业系统间流量的支持,且比以往更为重要。负载均衡、ADC以及ADP,无论其技术术语究竟怎么定义,辅助应用交付的特殊工具相差非常大,企业应该确保匹配适合其特定需求的平台。
如今的ADP:形式有时至关重要
形式是个非常重要的考量因素。在ADP还称作负载均衡的时代,IT服务交付环境只是为本地资源左右、由共享支持,以及一些专用的托管系统。在一堆盒子(通常是Web服务器)前使用一个盒子曾是一种好的解决方案。在今天的混合服务交付环境中,几乎是完全虚拟化的,很大一部分企业工作负载转移到变化的混合云计算服务中,以往的方案不再那么可靠。因此,首要的是,与旧的负载均衡不同,新的ADP应具备内置的虚拟形式(无论是本地还是托管的),同时也支持基础设施即服务部署。理想情况下,虚拟部署将允许ADP在工作负载发生变动的时候跟着工作负载走。
当然也并非所有的关于负载平衡的都过时了。举例来说,物理设备仍旧是重要的,特别是对于那些前端带有专有Web服务器的基础设施来说。如果有物理设备需要特殊特性的合规需求也是如此。理想情况下,一台物理设备将本身内带虚拟化。这将允许跨多个独立虚拟ADP实例共享资源,这是为强化安全特别定制的,能简化每个应用程序和多组合服务交付管理。
当然,如果将ADP作为一种服务来交付,则无需考虑形式问题,服务的提供和部署都是抽象出来的。
考虑规模问题
规模是另一个较重要的考虑因素。微服务的增加使IT转向更为面向服务化,ADP也需要为更多的设备管理流量。同时,他们需要处理服务中增加的东西流量,有时比终端用户流量更频繁、流量更大。为了应付这些流量的增加,ADP应提供横向或纵向扩展。理想情况下,应二者皆兼顾。ADP产品横向扩展时,管理工具需要通过简单的单一界面降低复杂性。
服务套件
再次,除了简单负载均衡服务套件也是至关重要的。IT服务使用模式已发生巨大的转变。员工从任何地方、在任何设备上以及任何时间里进行工作。终端用户和服务间的通信,或只是服务中的通信越发需要加密。
因此,企业应该支持带有多层功能的ADP,如支持任意地点办公的为移动特制的方案。解除不必要的加密既可以加快响应时间又可以减少需要运行应用程序的服务器数量。
适应自动化
最后,任何ADP都应该具备一个强健的API自动集成到数据中心并通过云端操作和管理。深入和全面自动化不再只是选项之一,相反,任何的ADP都应该纳入自动化体系中。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。