提到“云”,就不得不提到另一个概念——虚拟化,它是云计算得以实现的基础。
虚拟化就是通过相应的虚拟化技术,把硬件、软件进行隔离、扩展、托管、分类,进而做到资源的充分利用。比如CPU虚拟化的技术:Intel的VT-x,AMD的AMD-V。软件的虚拟化:VMWare,Hyper-V,Xen,KVM,OpenVZ等。
在虚拟化的支持下,通过把本地或者异地的多台服务器实体虚拟化后(从无到有,从少到多),构成一个资源池,共享资源、共同计算,这就是现在所谓“云计算”,在云计算之前还有“服务器集群”、“共同计算”等类似功能的词语。
也许这样说,会让你大失所望,但相比于虚拟化这种具体的技术手段来说,云计算更多的是一种业务模式的改变,而非技术上的,比如不再以卖授权的方式卖软件,数据中心的大小不再取决于服务器的多少等等,所以你会发现很多云计算企业在技术开发的过程中,应用的最多的依然是C、C++等最为常见的技术。
经过上述的啰嗦,现在我们就来愉快的说说云灾备这个话题了:
在传统的IT架构中,存在着明显的分层,包括存储层、系统层、应用层等,针对不同的层级,也就是会有不同的灾备方式。比如:基于阵列硬件备份的EMC、IBM,基于主机的information2等等,前者注重结果,后者注重过程。这种层的概念,在云计算中同样存在:
SaaS(Software-as-a-Service)软件即服务,这是云计算的最上一层,也可以理解为传统IT架构的应用层。其实我们用的浏览器、QQ等都可以认为是一种SaaS,所以SaaS的本质依然是软件。通过SaaS这种模式,用户只要接上网络,并通过浏览器,就能直接使用在云端上运行的应用,并由供应商负责维护和管理云中的软硬件设施,同时以免费或者按需使用的方式向用户收费,所以用户不需要顾虑类似安装、升级和防病毒等琐事,并且免去初期高昂的硬件投入和软件许可证费用的支出。
当然,天下没有免费的午餐。在灾备的体系中,备份数据的存储方式依然是一个关键,随着公有云的兴起,SaaS企业可以直接在云端购买一个属于自己的数据中心,然后出租给用户,这便是SaaS与公有云灾备的最基本模式。以英方云为例,通过与阿里、腾讯、天翼、沃云等公有云平台合作,英方云可以将自身在灾备上的技术优势直接与云端链接,进而为用户提供即开即用的云灾备服务。
IaaS与私有云
IaaS(Infrastructure as a Service)基础设置即服务,这是云计算的最底层,也可以理解为传统IT架构的存储层。相比于公有云的“公寓”,很多企业在预算投入充足的情况下,希望可以在云端见一个自己的“别墅”。于是,这个时候的云灾备就需要更多的借助OpenStack这种开源代码平台进行搭建。

以华为的云灾备为例(华为发布基于OpenStack的云灾备解决方案),他的云灾备其实正是将成熟的双活数据中心解决方案集成到云灾备方案中,并结合一系列的云管理平台、灾备管理软件、存储服务平台、接口扩展、虚拟化、存储双活、虚拟机备份等技术,这种方式搭建的是一个更为“私密”的灾备解决方案,同时由于将数据封装在一个“容器”内,所以其内在的数据也是“不易见”的。
不管是公有云还是私有云,不管是SaaS还是IaaS,都不是云灾备的终结,从技术和模式的角度来说,更不存在孰优孰劣的分歧,问题的关键是,如何找到适合自身业务需求的云灾备方案,“鱼和熊掌不可兼得”,当然,土豪除外!
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。