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
Gartner预测,到2030年所有IT工作都将涉及AI技术的使用,这与目前81%的IT工作不使用AI形成鲜明对比。届时25%的IT工作将完全由机器人执行,75%由人类在AI辅助下完成。尽管AI将取代部分入门级IT职位,但Gartner认为不会出现大规模失业潮,目前仅1%的失业由AI造成。研究显示65%的公司在AI投资上亏损,而世界经济论坛预计AI到2030年创造的就业机会将比消除的多7800万个。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。
人工智能正从软件故事转向AI工厂基础,芯片、数据管道和网络协同工作形成数字化生产系统。这种新兴模式重新定义了性能衡量标准和跨行业价值创造方式。AI工厂将定制半导体、低延迟结构和大规模数据仪器整合为实时反馈循环,产生竞争优势。博通、英伟达和IBM正在引领这一转变,通过长期定制芯片合同和企业遥测技术,将传统体验转化为活跃的数字生态系统。
上海AI实验室发布OmniAlign-V研究,首次系统性解决多模态大语言模型人性化对话问题。该研究创建了包含20万高质量样本的训练数据集和MM-AlignBench评测基准,通过创新的数据生成和质量管控方法,让AI在保持技术能力的同时显著提升人性化交互水平,为AI价值观对齐提供了可行技术路径。