2018年7月15日-18日,第五届TiD2018质量竞争力大会在北京国家会议中心召开。本次大会的主题为“下一代软件研发,构建智能生态”。华为云专家受邀参会,并做了《熵减-华为云DevCloud的反脆弱实践》主题演讲,分享了华为云DevCloud如何通过熵减理论,在研发模式、内部创业和竞争机制,以及组织和文化变革上,引入负熵因子,进行重塑的过程。
“熵”理论源于物理学,常被用于衡量系统的混乱程度,熵增就是功能减弱,人的衰老,组织的懈怠等等,这些都反映出功能的丧失。而熵减指功能增强,比如组织通过建立秩序等等实现熵减。负熵是指能带来熵减的活性因子,比如物质、能量、信息这些都是人的负熵,新的成员、新的知识、简化管理这些就是组织的负熵。华为云DevCloud专家说道,企业的发展也是一个熵增的过程,企业自然的一个走向,是会往组织懈怠,流程僵化,技术创新乏力,和业务固定守成的方向, 对组织如此,对人体如此,对软件系统以及研发的过程,也是如此,如何通过引入负熵因子,促进组织持续进步尤为重要。
华为云DevCloud引入内部竞争机制,持续精益敏捷和DevOps实践
软件研发体系是复杂系统,复杂系统的波动无法避免,单纯的防范失误是无效的,培养自己从失误中恢复并成长的能力才更为重要。华为的研发模式,就是典型的持续引入负熵因子反脆弱的例子。从最早的游击队、个人单兵作业,依靠个人英雄主义,到正规军集团作业、强调群狼作战,再到现在小团队特种兵作战模式,华为引入内部竞争机制,通过内部创业,不断利用负熵因子打破平衡,持续精益敏捷和DevOps实践,快速迭代,持续交付。而持续交付是DevOps里面重要的概念,华为云DevCloud在给客户赋能的过程中,也总结出来的持续交付6个关键实践:分层分级快速闭环,小迭代快速的反馈,可视化流水线,自动化持续部署,持续的发现并消除瓶颈,在日常工作中不断的注入弹性模式。
会上,华为云DevCloud专家向与会企业介绍了业界著名的“Netflix的混乱猴子”反脆弱实践。Chaos Monkey是一种服务,用于将系统分组,并随机终止属于某个分组中的系统中的一部分。Netflix会利用Chaos Monkey在工作日期间随机杀死一些服务,制造混乱,来测试production下的稳定性。每当这些“猴子”开始骚扰,相关的工程师们不得不放下手头的工作,手忙脚乱地寻求应对之策。随着系统的不断完善,猴子们的攻击能力和攻击范围也在不断提升,反而让整个Netflix的服务稳定性、自愈能力以及抗击打能力不断上升。
目前华为云DevCloud也正在以“周”为单位,践行Chaos Monkey现网混乱测试的流程:第一天测试准备,确定测试对象,测试用例,在Gamma环境下模拟测试;第二天进行评估和决策,由服务SL来评审和分析影响,平台来进行现网单点故障任务的审核;第三天到第五天在可控范围下执行混乱测试并报告。通过混乱测试不断增强华为云DevCloud的系统稳定性。
在组织和文化层面,坚持自我批评
华为云DevCloud在组织和文化层面,同样在不断的演化,持续引入负熵因子。华为的核心价值观,其中有一条就是坚持自我批评,华为云DevCloud团队会定期进行质量回溯会,以开放的心态来开展,团队在一起讨论问题,从问题中学习,评估和捕获经验教训,避免问题重现。除了团队级,服务级的实践,华为云DevCloud也在继续向大规模敏捷进行演进。
企业DevOps转型八步走策略
最后,华为云DevCloud专家向与会企业分享了DevOps转型8步走策略。DevOps转型的过程,也是依从DevOps的快速交付,快速反馈,快速调整的过程。首先梳理紧迫感,建立强大的变革领导联盟,设计愿景战略,沟通变革愿景,授权赋能,积累短期胜利,促进变革深入,成果融入文化。八个步骤严格顺序执行,夯实每一步,方可进入下一步。华为的价值观是以客户为中心,以奋斗者为本。长期坚持艰苦奋斗,长期坚持自我批判。华为云DevCoud也将这种文化和价值观渗透到了产品中,在产品、技术和服务上形成合力,助力企业成功转型DevOps。那么同样,任何组织,形成自我批判、持续学习和实验的能力,也将是DevOps成功落地的关键因素。
华为云DevCloud是华为云的组成部分, 是华为30余年研发实践和前沿理念的结晶,为开发者提供一站式、轻量级的DevOps工具服务,同时,也是帮助企业修炼内功的一大利器,可以有效支撑企业DevOps落地,实现项目的高效、高质量迭代。未来,华为云DevCloud也将携手各企业各开发者,精诚合作互通,及时响应反馈,更好的为广大开发者提供稳定可靠的DevOps工具,助力软件企业专注业务创新。点击了解华为云DevCloud:https://www.huaweicloud.com/devcloud/
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。