VMware和OpenStack经常被描述为相互竞争的两种私有云技术。虽然这两种技术其实可以互补,但一些组织却选择从VMware迁移到OpenStack的私有云上。
让我们来看看这些组织如何能同时使用这两种技术--无论是长期的,或是走向完全基于OpenStack的云的铺垫。
首先,要记住很重要的一点,OpenStack不是一个虚拟机管理程序。它可以通过抽象层支持大多数的虚拟机管理程序,这也为我们开启了可以使用它的自动编排能力的绝佳机会。
一个具体的例子可以清楚的解释这一点。Intel的IT部门在2010年实现了一个基于VMware的大型私有云以及一个单独的OpenStack云来支持KVM和Ceph。Intel的模式得到了进一步发展,可以使用OpenStack来编排这两个环境,除了Intel定制的自动化集合。
在2014年,Intel的IT托管机构处理了8000个人工服务请求,其中花费了190000个小时在等待完成。到2016年底,Intel预计,基于它们新的云模型,90%的人工服务请求可以立即自动处理,这大大的节约了时间。
大部分OpenStack的发行版本都支持ESXi以及VMware工具的使用。这会演变成使用vSphere 和VMotion的复杂的,多云多站点的操作来支持关键任务的应用程序。
Intel的做法是让VMware和OpenStack并存,但在某些情况下,企业希望用更低成本的虚拟机管理程序,如KVM,又能够结合OpenStack编排的好处。
从VMware转移到OpenStack私有云之前要了解的事情
鉴于许多企业在VMware上的前期投资,从VMware迁移到OpenStack的现象还是比较少见的。但事实上,这个迁移正在发生--而且是成功的发生--这引起了VMware客户群的注意。
有些公司采取了与Intel相似的做法。他们先从自己的工作负载中切割出一块可以在比如KVM上运行的很好的环节,将那部分放到OpenStack中。随着经验的积累,更多的业务操作会转移到OpenStack上。然后,公司便需要做出关键的战略决策:保留他们的VMware环境来执行关键任务的工作负载,还是全部迁移到OpenStack。
那些最广为人知的OpenStack迁移案例研究,比如eBay,Comcast和沃尔玛,往往是非常大的企业。这是因为迁移的过程是复杂的,且需要新的资源。此外,OpenStack的功能仍在不断发展,尤其是高可用性,存储和监控的功能。这解释了为什么OpenStack-VMware的混合模型会存在,这些组织使用VMware中好用的功能来填补OpenStack的空白之处。
两种云环境以及vSphere共存--例如之前提到的Intel的案例;
跨VMware和OpenStack资源池的可移植性,针对应用生命周期的某些部分采用不同的云;
以及完成最终到OpenStack的迁移
随着大多数的大公司都部署这种混搭的模型,使用OpenStack的管理功能来连接资源池似乎是不错的第一步。这正是Intel在走向可移植性和用户控制资源的过程中所做的。
从逻辑上讲,下一步是创建一个可移植的应用程序架构,可以允许应用跨池迁移。将此模型应用于新的应用程序,并且有选择地,应用到现有的应用程序上,基于它们是否应该被迁移或被替换。
无论你的最终目的是什么,是从VMware完全迁移出去,还是只留下VMware工具,而关键任务应用使用OpenStack的部分迁移,又或者可能只是使用OpenStack来控制VMware的资源池,这是一个应该要花上几年的过程,请做好不断尝试的心理准备。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。