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
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。