一年一度的“双十一”即将来袭,电商平台上已随处可见各式折扣预告,“剁手党”们也已蓄势待发,纷纷把心仪的商品放进了收藏夹……从2014年500亿销售额、到2015年900亿的惊人数字,“双十一”今年迈入千亿时代可称得上是板上钉钉。但是,千亿元狂欢背后带来的24小时内电商平台的巨量交易、银行数据中心面临百万乃至千万笔款项流动、各大运营商承载的有线与无线流量激增……在这样史无前例的压力下,整个IT服务链条即便出现最细微的问题,带来的也可能是一系列严重的不良后果。如何使不同行业的各个企业在全球最大的购物节中顺畅的发挥自身价值,应用交付领域领导企业F5公司的各行业专家纷纷给出了自己的建议。
在金融领域耕耘十余载的F5中国区区域客户部技术经理陈亮先生则站在银行应用的角度给出了自己的见解。陈亮先生指出,历年来的“双十一”,最让人震撼的数字就是其所涉及交易的金额。以去年为例,在“双十一”开始不到一小时内,交易金额就接近了250亿元人民币,超过了全天交易额的四分之一,这种集中爆发式的需求对于各个银行的数据中心都是一次巨大的挑战。随着IT技术的不断积累,电商平台往往都具备很强的技术实力。但在以往“双十一”中,用户往往会发现交易无法顺畅进行。这种现象有时是因为银行或支付平台对在线支付需求激增应对不足而造成的。从应用交付的角度上看,“双十一”不亚于一次对银行以及电商的大规模DDOS攻击。更有甚者,在这样特殊的时间段里,不法分子对于各大银行与支付平台发起DDOS以及其他应用攻击也就更加隐蔽,如果银行数据中心不未雨绸缪提升其弹性与扩展性,势必在应对瞬发高频的交易请求时捉襟见肘。F5在金融领域数据中心优化方面上有十几年的积累,在国有大型银行与地方商业银行的合作中均得到了广泛的认可,近期更与江苏银行签订了战略合作协议。所以,F5建议银行在构建或升级基础架构时,需要同时兼顾合规性与可扩展性。从实际应用案例上看,一些采用了F5双活数据中心方案的用户,在数据中心压力骤增的情况下,可以将一部分非核心应用分钟级切换到自己的灾备中心,从而保证核心应用所需的计算能力。甚至,通过F5的智能管理平台,用户甚至可以在如“双十一”这样可预见的高峰来临前,编写应用交付策略,从根本上保证用户的使用体验。同时,在诸如“双十一”这样的事件中,F5金融用户往往会要求F5工程师前往机房值守,以F5十余年的技术积累保障用户的交易安全。所以,智能的弹性与可扩展性可以帮助银行在特殊时期保障应用始终高可用。
长期与运营商开展合作的F5公司系统架构师冯勇表示,在“双十一”这样的事件中,运营商往往是最被忽略的环节,在普遍认知中,运营商只承担了底层流量传输工作。然而,底层工作也意味着基础,无论是个人用户从下单到支付的每一个应用请求,还是电商、银行的接入流量,都来自与运营商的服务。在“双十一”零点开始的有线、无线网络并发流量瞬间激增时,运营商数据中心的抗压能力以及对不同流量的智能管理能力变得尤为重要。随着网速的提升以及接入类型的增多,运营商不单要实现端对端管理,更需要区分各种应用之后才能实现对于不同应用流量进行低延时、高速度来保证服务的质量。所以,网络层的管理已经不能满足现状,只有逐渐上升至应用层的管理才能有效的保证服务质量。随着F5 应用交付解决方案对NFV技术的不断支持,运营商甚至可以通过F5平台在应用层中区分不同的应用之后再有针对性的进行流量管理、安全管控和流量加速。当运营商能够从应用流量分析中进行首轮大数据分析,就可以与电商整合,继而推出更有针对性的服务。举例来讲,运营商可以有针对性的向某地区、或对某种品类有兴趣的用户推送“双十一”区域包邮、或产品折扣信息。这样做不仅使用户在购买中更加有的放矢,也可以帮助电商提升服务品质,同时使运营商通过流量获取效益,可谓一举三得。
最后,F5的应用交付专家们都指出,随着“双十一”影响力越来越大,势必有越来越多的企业参与其中为用户服务,“双十一”早已从单纯的促销事件演变成一个生态圈式的全民狂欢活动。从IT角度上看,各类应用正是“双十一”的关键所在。所以,各个参与方如果可以从应用的角度部署、调整自己的服务,将会是提升最终用户使用体验的最有效手段之一。
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。