
业内常把云计算比作信息化时代的水和电,而云数据中心就好像是发电厂和制水厂,承担海量用户的“打卡充值即应用”。而正是因为要承担海量用户的应用,因此在保障云数据中心高效、通畅且可靠的永续运转就格外重要。现如今,走向云端的应用交付已渐渐成为云数据中心的最佳拍档。
相比于传统数据中心只用来承载单一客户需求来说,云数据中心则可谓是不折不扣的“一心多用”。在云中,由于采用了虚拟化的环境,资源利用率更高,比如在公有云的场景中,一个数据中心往往可以用来承载很多不同用户、不同业务部门的业务需求。同时,不同用户对设备的管理要求、业务的负载要求也并不相同。所以,为了更好利用应用交付平台的性能,云数据中心往往要求应用交付设备本身也能支持虚拟化,能够将一个物理主机虚拟化为多个虚拟机,以对应不同虚拟化资源池上的业务。这就是应用交付领域常说的“一虚多”概念。
在应用交付领域,“一虚多”已并非新概念,并且很多厂商都有实现,但是在对云数据中心做支持时,如何让应用交付的“一虚多”发挥得更好,且能更有效的解决云数据中心运转时的一些细节问题,对此,国内资深应用交付厂商太一星晨做出了深入的解读。
用“一虚多”方式解决虚拟主机独立运营问题
太一星晨技术负责人表示,在“一虚多”的技术实现方式上,主要分为了两类:一类被称为“多实例”的实现方式;另一类是基于底层驱动的虚拟化划分。
“多实例”的实现方式可以在很小资源下划分出多个虚拟主机,并且每个虚拟主机都可以从逻辑上看作是一个单独的资源,有单独的管理界面和接口,对用户来说,管理起来就“像”一个独立设备。
“多实例”的实现方式的优点是每个虚拟主机的资源消耗少,但其缺点也比较明显。因为这是一种共享化的虚拟化,对于用户来说,每个虚拟主机只是“像”,并无法做到真正的独立设备。所有的资源还是共享的,就像住在“群租房”里,由于隔离的不好,只要一个房间吵闹起来,其他的房间都会受干扰。
基于底层驱动的虚拟化划分,这种方式消耗资源稍多,但也更底层,其好处是可以建立真正“独立”的虚拟机,每个虚拟主机可指定自己的CPU、内存等资源分配;每个虚拟主机相互隔离,可以独立运行不同的业务模式,最大程度的满足用户需求。
目前,太一星晨T-Force应用交付便在国内率先实现了支持这种基于底层Hypervisor的硬件虚拟化,可确保每个虚拟主机相互隔离,独立运行,互不影响。
用全局负载解决数据中心资源调度问题
在云数据中心的部署中去,除了要充分发挥应用交付“一虚多”特性之外,还有一个重要问题和云数据中心的部署位置紧密相关。
由于云数据中心由于采用了虚拟化技术,因此对物理资源就没有限制了,不同区域的物理资源可以一起组成云数据中心,如何实现多数据中心之间的资源调度,就成了一个新的问题。多数据中心对用户来说是透明的,通常情况下是不知道具体选择哪个数据中心的,而这就需要应用交付的全局负载来解决。
应用交付的全局负载可以说正是为多数据中心而设计的,它可以自动替用户选择最近或者处理性能最佳的数据中心响应用户的业务访问。对用户来说,只需要一个业务入口就可以实现对业务的访问,而无须关注数据中心所处的实际物理位置。
与此同时,云数据中心的全局负载,还要担负监控数据中心健康状态的功能,一旦发现异常,全局负载设备就会自动选择可用数据中心的IP,做为DNS响应发送给用户,从而将用户流量牵引到可用的数据中心上。通过这种模式,就实现了在云环境的多数据中心环境下,数据中心级的冗余及业务切换。
可以预见的是,云计算面临的虚拟化、业务隔离、高可用等几大难题,正逐渐成为应用交付发展的着力点。事实上,云计算也好,传统IT也罢,最终的服务对象都是终端使用者,将这一端的服务安全、快速地呈现给另一端,让使用者可以在任何时间、任何地点、任何设备,都能获得一致性的用户体验——这就是应用交付产品的突出价值。
好文章,需要你的鼓励
穆拉蒂时隔18个月首次接受重大媒体采访,介绍其创立的Thinking Machines Lab正在开发的"交互模型"。该模型能以200毫秒间隔处理音频、文本和视频流,捕捉人类交流中的中断、修正和停顿。她还谈及OpenAI"政变周"经历,强调行业决策权过于集中的担忧,并回应了公司近期研究人员离职问题,表示这是初创实验室的正常波动。
STATE16研究院这篇综述发现,物理AI系统存在"静默失效"风险——AI以高度自信执行基于错误世界信息的动作,却不触发任何报警,并提出在AI输出与物理执行之间建立独立授权层的框架。
本期《Quick Charge》播客涵盖多个热点话题:特斯拉疑似试图删除FSD欺诈相关证据以规避巨额赔付;卡特彼勒持续推进建筑领域电气化布局;住宅太阳能30%税收抵免即将到期。此外,嘉宾Tom Pacheco就高压系统与电池技术培训展开探讨,强调电动车技术人才培养的紧迫性。节目同时提醒有意安装太阳能的用户尽快行动,可通过EnergySage平台比较多家安装商报价。
UIUC与微软联合研发的OpenWebRL框架让4B小模型仅凭400条初始数据,通过在真实网站上边做边学的强化学习方式,在网页智能体基准上超越了用27万条数据训练的竞争对手。