金融IT上云,科技引领业务
2016年7月15日,银监会发布《中国银行业信息科技“十三五”发展规划监管指导意见》征求稿,要求到“十三五”末期(2020年),银行业面向互联网场景的重要信息系统全部迁移至云计算架构平台,其他系统迁移比例不低于60%。此举意味着银监会明确制定了银行业上云时间表。
上云被提上日程,除了内部所需,也是外压所迫。互联网金融、第三方支付强势崛起、不断抢占市场,传统银行不得不加速互联网改革,才有希望弯道超车。云杉网络通过与银行客户的深入交流和总结发现,银行IT基础设施的建设周期包括两类:一类是已经完成互联网业务和部分核心业务的云化,正在精细化运营云计算基础设施;另一类是在分析自身现状和能力,为自身的云计算转型设计最佳的战略,包括自建私有云、使用金融行业云、混合云等方案。
金融云服务,将联合其他金融IT方案,为银行、基金、保险等金融机构提供IT资源和互联网运维服务,开展面向银行业的公共云平台规划和建设,让金融机构能够更好地开展互联网业务。只有使金融业务与科技深度融合,从“科技支撑业务”走向“科技引领业务”,才能逆流而上。
作为所有行业中最重视数据安全和高度监管的行业,上云过程中将面临技术选型、架构转型、安全风险等诸多考验。但是,这些困难反而激发了创新的动力:公有云服务商着手拓展大型银行(如AWS密切跟进摩根、花旗、高盛),金融科技服务商打造行业云(如平安科技推出平安云),中大型银行自建私有云(如光大银行)。
深耕金融场景化,重推金融云平台
平安云,诞生于平安集团的科技大本营。从2013年底立项以来,目前已经推出IaaS层的全套产品线,为金融行业客户提供可靠、弹性、高效、集约的基础架构层服务。
平安云的领先性包括:
云网络面临的双重挑战
网络是数据和安全的基础,网络一直是云计算中最引人关注的领域,金融云网络更是金融系统上云面临的最大挑战。如何实现网络架构安全合规?如何交付灵活弹性的网络资源?如何快速排障保证网络稳定可靠?这不仅是业务上的难题,更是行业中的挑战。
1 业务形态:对网络运维和管理提出挑战。
2 行业形态:对网络整体架构提出挑战。
平安云网络建设之路
平安云总体架构
在计算方面,平安云是中国第一家推出容器云服务的金融行业云。在网络方面,包含网络服务和网络运维两大体系:网络服务以NSP(Network Service Platform)数据中心网络资源统一管理平台为核心,站在网络运营视角,融合SDN、NFV等技术,提供稳定、可靠、可控、可连续的VPC业务;网络运维以AlphaOps智能运维平台为核心,提供云数据中心网络运维能力。
网络服务体系
NSP交付的网络服务分为Fabric服务、NF(网络功能)服务、增值服务三大部分。
网络运维体系
自研的AlphaOps是服务于平安金融云的智能运维平台,全覆盖网络物理资源和逻辑资源,提供流量数据分析、拓扑管理、网络资源管理、配置、日志、监控探测等运维服务。如此庞杂的网络业务应用,更需要一套完整、可见、可管理的监控系统。
其中,因为SDN的引入,为网络带来了虚拟网络和虚拟网络功能,由此形成了新的网络运维和管理的痛点,现有的技术及方案面临巨大挑战。
云杉网络与平安云的合作
云杉网络与平安云的合作源于2016年初,由于在开放网络和软件定义网络等理念上的一致性,双方很快便建立了技术及方案层面的合作,并且通过需求挖掘、产品对接、POC、产品上线等流程,云杉网络的产品顺利在平安云生产环境的网络中实现部署。
其中,DeepFlow与平安云管理平台、NSP和AlaphOps紧密联动,构建了覆盖整个云网的网络大数据分析平台,成为平安云进一步打造网络智能平台的基础。DeepFlowTM,以数据场景化为核心,覆盖物理网络、虚拟网络和云网环境,并从采集、分析、可视和控制四个维度,构建数据驱动的分析平台。
云杉网络DeepFlow,是国内首个数据驱动的云网可视化与分析平台。基于SDN技术,为网络的管理带来了“开放可编程”和“细粒度可控”的根本价值。
未来展望
平安金融云,将持续推动平安集团3.0战略(大金融资产+大医疗健康)更快发展,打造金融平台业务,占领数据和生态阵地,为集团互联网、业务云、生态圈的爆发式增长保驾护航。
未来,在网络服务和网络运维的建设中,将以数据化、自动化和精细化管理为目标。云杉网络将与众多金融客户一起,在金融行业“十三五”发展规划建设指导下,积极应对金融云发展面临的挑战。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。