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
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。