公共云和私有云基础架构灵活,可扩展,成本相对较低。然而,每个云的实施都有其熟悉的和鲜为人知的缺点。
许多IT专业人士认为,私有云存储只是其当前基础设施的另一个名称,公共云存储也是同样如此,而只是在某公司的公共数据中心实施。那些存在这些想法的供应商通常缺乏云存储基础设施技术,或者试图在技术上赶上其他市场的发展。
传统的IT基础架构将数据中心分为多个功能:应用,计算,网络,存储和设施以及专业技术。孤立的数据中心基础设施对于缓慢增长,非动态,可预测的工作负载非常有利。这种类型的基础架构负责预测基础架构生命周期内买方的计算,网络和存储需求(如吞吐量,IOPS,容量,网络带宽和流量)。
私有云或公共云存储基础架构使用具有弹性计算,网络和存储功能的选项。这种变化往往是缓慢和昂贵的,所以风险通常属于收购方。为了满足用户的要求,大多数IT专业人员错误地对其存储基础设施进行过度估计和过度配置,这会导致更高的成本,并且防止不可预测的需求超过这个基础设施的能力,因为它是无弹性的并且不容易改变。
公共云存储基础设施的优缺点
公共云基础架构是多租户和共享的。对任何给定的用户来说,它似乎是无限的,因为它们可以按需扩展其意外工作负载的资源,并在需求减少时收缩。而在现实中,这些资源被超额认购,使服务提供者可以获得合理的利润。这在概念上类似于超额预订虚拟化服务器。在统计上,所有租户或用户不太可能在同一时间需要基础设施资源,但这种事情确实发生过,只是很少。租户受到服务级协议的保护,如果他们无法获得他们支付的服务,可以提供一些付款补偿。 然而,公共云存储基础设施有几个公开的问题。
·安全控制。公共云是相当安全的,问题是可以控制的。在高度合规方面,监管行业,如医疗,保险,金融服务和政府部门因为合规责任不能外包。这些组织可以使用公共云基础架构,但他们仍然需要负责确保合规性。由于服务提供商的故障不能免除他们的职责,很少有公司愿意放弃管理和控制数据安全的能力。
·无法直接微调应用程序工作负载性能。有一些方法可以将工作负载管理到一个点,只是不像基础设施是内部部署数据中心或私有云。
·长期成本。公共云的短期成本往往低于私有云投资成本,但长期成本可能更高。管理员抱怨读取或移动数据的隐藏或意外成本;然而,许多组织倾向于管理他们的业务和业务应用,而不是他们的基础可以归因于没有数据中心或具有规模更小的数据中心,可以显着节省成本。
·数据粘性。一旦租户/用户数据在云计算中,将其移出或改变云计算服务提供商经常变得困难和不方便。随着公共云中的数据量增加,改变提供商或将数据拉回到私有云的难度也增加。
·未来。当公共云提供商变得如此超额预订服务不再可接受时,会发生什么?更糟的是,如果他们变得无力支付,会发生什么?
私有云是更好的选择吗?
私有云基础设施使用与公共云相同的技术:
·用于软件定义计算的管理程序或容器。
·开放流量开关,网络功能,虚拟化和应用控制的网络控制器,用于软件定义网络。
·虚拟机管理程序内核中的基于软件的存储,或者在定义存储的虚拟机或设备上运行的软件存储。
这些私有云基础架构支持本地安全和性能控制。没有关于提供商偿付能力,超额认购或数据粘性的问题。其成本是可预测的,并且长期下降。如果安全/性能控制,合规性管理和更低的长期成本是关键问题,私有云基础设施可能是一条出路。
私有云基础设施仍然给基础设施的买方带来风险,虽然技术已经降低了风险。弹性受限于可用的物理资源。技术刷新问题可能仍然存在,这取决于供应商,供应商锁定也是如此。
与所有技术一样,没有完美的答案。而哪种类型的云存储基础架构对特定组织最有效,则取决于其特定要求。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。