随着vSphere 6的正式发布,VMware引领我们进入虚拟化时代的下一个阶段。虽然新版本也存在挑战,但vSphere绝对是佼佼者。它为服务器管理员提供的功能和特性非常引人注目,如果从几年前的IT视角来看更是如此。
虚拟化在很大程度上改变了IT的工作方式。现在我们可以轻易地在生产系统做出大胆的改变,因为我们知道我们可以很容易地恢复到快照,或者在最坏的情况下,在几分钟内从最近的备份中恢复虚拟机。我们不再担忧重建服务器或者使用老旧的服务器构建技术。在前虚拟化时代,升级涉及更新物理服务器,如果哪里出故障,很难轻易恢复,并且恢复时间通常要几个小时,相比之下,现在这都只是小菜一碟。
现在我们虚拟化桌面、应用程序、数据库、存储和网络,我们能够移动资源,甚至自动化完成这一切,这样我们只运行我们需要的物理硬件。
1999年夏天,笔者在Windows NT工作站系统的一个窗口启动Windows 98系统。一群管理员聚集在周围,并试图了解他们所看到的东西。这样有什么好处?为什么我们要这样做?性能如何?RAM如何?当然,也有少数AS/400人员,他们轻声笑着并重新回到他们的LPAR。
在1999年,没有人能预测计算机虚拟化带来的影响。直到2003年,这才变得很显而易见,虚拟化将是IT的未来。围绕虚拟化的使用,软件供应商和客户之间存在冲突,供应商坚决拒绝在虚拟服务器支持他们的软件,无论有多少证据证明虚拟机管理程序是完全可行的平台。有些供应商努力通过他们的授权计划对抗虚拟化趋势,在很多年里,这让他们的生活变得更加艰难。
笔者记得他写了很多专栏讨论虚拟化以及虚拟化的功能,并对大型平台进行了大规模测试。随后他看到大家都在努力追赶VMware的步伐,出货量远远落后于VMware的产品,他们只能与五年前的VMware相比。在有段时间里,即使是最接近VMware的竞争对手都无法进行实时虚拟机迁移。但这并没有持续太久。
我们也目睹了竞争对手快速发展缩小差距,开发和推出先进功能来追赶VMware,或者至少提供一个稳定的平台和功能集来满足广大虚拟化用户的需求。很快他们都可以支持实时迁移、快照、模板、负载均衡和高可用性。
当然(+本站微信networkworldweixin),服务器虚拟化在很多方向开始衍生,每个操作系统都提供某种形式的半虚拟化,例如FreeBSD jail、Solaris容器(不要与现在的容器混淆)、OpenVZ/Virtuozzo容器、LXC和AIX Workload Partition。这些形式的虚拟化彻底改变了服务器托管行业,让托管供应商提供合理成本的部分服务,同时完全避免了共享Web托管的头痛问题。
在这些技术中,最后脱颖而出的是OpenStack和云计算,包括IaaS、PaaS和各种其他集成,这些为较小的项目带来令人难以置信的速度和敏捷性。这一发展还给我们带来了Docker容器,为我们还没有开发出来的技术奠定了基础。虚拟化前沿仍然处于未知的领域,例如虚拟机管理程序和存储之间更紧密的集成,或者这两者的组合,例如能够直接在存储阵列运行虚拟机。
VMware的vSphere 6并不是一个分水岭式的产品,它提高了主机资源和集群大小的限制,捆绑以前可选的功能到主要版本中,并在很多方面得到了显著的改进。它将继续让VMware保持在虚拟化市场的领导地位。然而,vSphere 6并没有我们在vSphere 4或5中看到的那样具有影响力的功能。这个事实说明:
●硬件虚拟化正在实现一定水平的功能成熟度
●竞争正在缩小差距
这是对我们所有人来说都是好消息。数据中心和云计算中的虚拟化将为我们提供大量的工具,同时可以为我们降低成本。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。