云计算供应商不断提高他们的混合云管理工具的水平,但仍有工作要做,给要给管理者一个真正的“单一窗口”。
混合云计算有望得到更快、更高效的IT服务交付,但好处是有代价的:增加了系统的复杂性。由于企业建立混合云,设备数量的膨胀,网络连接量的上升和自动化水平的提高,从而导致更多的管理复杂性。
供应商一直致力于整合他们的混合云管理工具,希望能给云计算管理者通过这一工具提高公共云和私有云的能见度。但是,在现实中,混合云计算管理在很大程度上仍然是低效的,管理者在应用程序之间不断切换。
数据中心由服务器、存储系统、网络设备,以及运行不同操作系统的不同厂商的应用程序组成。此外,管理权限有所扩大。数据中心的技术人员需要跟踪工作负载的位置,确保设备连接的清洁和监控性能。混合云通过将两种完全不同设备和管理工具,使这些任务复杂化。
而这种复杂性,缺陷是显而易见的。“一个供应商可能会提供一个强大的配置管理解决方案,但在分析方面薄弱。”总部位于美国马萨诸塞州的国际数据公司(IDC的研究副总裁玛丽• 约翰斯顿• 特纳评价企业系统管理软件说。
API的难题
应用程序编程接口(API)与混合云管理工具组合,以提供一个“单一窗口”在不同的云环境中发挥关键作用。为了帮助IT专业人员获得可视性混合云的软件和硬件,厂商需要提供的接口加入或退出自己的产品。此外,需要在不同的模块之间连接传输信息。例如,从配置管理系统的分析应用。
然而,API是用不同的方式设计的。基于软件的API是易于部署,但会增加处理周期,并降低系统性能。其他的API来作为家电,硬件和软件的结合并连接网络,但这些API成为IT专业人员需要管理的更大硬件,从而增加了复杂性。
此外,API整合是动态的,企业不断地升级自己的系统。随着产生如此频繁的更新,在云计算提供商更新的间隙,要对客户的混合云系统进行支持,这迫使管理员从一个管理界面,切换到另一个管理界面。
做出正确的连接
当构建一个混合云时,公共和私有云之间的连接可能是难以巩固。企业必须用不同的技术构建出一个具有凝聚力的整体数据中心。
供应商首先着眼于连接自己的服务,因此,当企业使用一个供应商基础设施时(如微软Windows服务器在微软Azure上运行),他们将获得更多的管理集成服务,这意味着从屏幕到屏幕之间少动。当基础设施来自多个供应商,其连接性和能见度变得扑朔迷离,总部设在米尔福德的质量分析厂商企业战略集团(ESG)的高级分析师科尔姆?基冈表示。
云供应商知道很多客户都希望混合和匹配他们的服务,并且已敦促提高集成度。基冈表示,亚马逊网络服务公司和谷歌公司一直在努力提高自己的管理服务,而微软公司提供了私有云和公共云一套强大的混合云管理工具和统一的界面,但还有很多工作要做,例如,微软的工具在很大程度上仍然是专有的。
传统价值
当涉及到实现一个单一窗口的混合云管理时,企业也可以向第三方供应商寻求帮助。传统的管理软件供应商,如BMC、CA技术,戴尔,休利特帕卡德企业和IBM,是强大的对等式的私有云的一面,但监测公共云方面比较弱。
采用有效的混合云管理工具
较新的云计算供应商,如CloudCruiser,Egenera公司,Kaavo公司,RightScale公司,以及Verismic软件公司,已经进入管理市场。他们往往在公共云服务做得较好,但却不善于提供私有云管理工具。虽然他们的系统是基于现代设计,并且更容易改变和维护,但他们的功能集还是比较有限。
云计算正在成为企业中最常见的计算模式之一。由于企业采用混合云,他们的重点转移到混合云管理工具。虽然这些工具正在改善,但仍在迫使管理员界面之间切换。随着混合云管理市场的成熟,企业应探索他们的选择,并选择最适合其需求的工具。
好文章,需要你的鼓励
继苹果和其他厂商之后,Google正在加大力度推广其在智能手机上的人工智能功能。该公司试图通过展示AI在移动设备上的实用性和创新性来吸引消费者关注,希望说服用户相信手机AI功能的价值。Google面临的挑战是如何让消费者真正体验到AI带来的便利,并将这些技术优势转化为市场竞争力。
麻省理工学院研究团队发现大语言模型"幻觉"现象的新根源:注意力机制存在固有缺陷。研究通过理论分析和实验证明,即使在理想条件下,注意力机制在处理多步推理任务时也会出现系统性错误。这一发现挑战了仅通过扩大模型规模就能解决所有问题的观点,为未来AI架构发展指明新方向,提醒用户在复杂推理任务中谨慎使用AI工具。
Meta为Facebook和Instagram推出全新AI翻译工具,可实时将用户生成内容转换为其他语言。该功能在2024年Meta Connect大会上宣布,旨在打破语言壁垒,让视频和短视频内容触达更广泛的国际受众。目前支持英语和西班牙语互译,后续将增加更多语言。创作者还可使用AI唇形同步功能,创造无缝的口型匹配效果,并可通过创作者控制面板随时关闭该功能。
中科院自动化所等机构联合发布MM-RLHF研究,构建了史上最大的多模态AI对齐数据集,包含12万个精细人工标注样本。研究提出批评式奖励模型和动态奖励缩放算法,显著提升多模态AI的安全性和对话能力,为构建真正符合人类价值观的AI系统提供了突破性解决方案。