看今天云计算市场的发展,从公有云到私有云,一个重要的创新形式就是针对客户的实际需求推出了混合云解决方案。在这样的背景下,华云与VMware合作推出了华云VCPP服务。近日至顶网独家采访了华云数据集团产品中心副总裁郭晓。详细介绍了VCPP对于企业用户的价值。
华云数据希望实现两朵云无缝迁移
从2016年开始华云与VMware签订了战略合作协议,双方联合在中国来落地VCPP服务,华云希望通过基于VMware虚拟化的技术,去打造一个高品质的公有云的服务,来服务对系统性能、安全性、稳定性有特别高追求的用户。同时因为VMware的虚拟化产品市场占有率非常高,通过合作,为传统的私有云用户打造基于公有云的统一节点,帮助用户在实现私有云与华云的VCPP公有云之间的两朵云直接的无缝迁移,所以在这个理念之下,华云开始做数据中心。明年上半年,华云的数据中心还会扩展到北京、上海、深圳、成都这几个城市。
三种服务模式体现VCPP价值
郭晓谈到VCPP数据中心提供给用户三种的服务模式。
第一种服务模式,公有云服务,根据用户的实际使用量进行收费,VMware提供虚拟化技术,华云提供整个数据中心的资源,以及运维能力、监控管理能力,另外华云投入了20个以上的VCPP认证的工程师,让用户获得一个比较好的服务,以及比较快捷的服务响应。
目前VCPP数据中心在全国布局了100多个(pop)接入点,用户可以通过自己的(pop)接入点把私有云和华云的公有云网络打通过,当然我们的用户也可以直接把光纤拉到华云的数据中心,这是华云VCPP数据中心公有云服务的模式。
第二种模式,托管私有云的服务,传统的这个情况下,如果用户想上基于VMware技术的私有云的话,第一件事情要把设备准备好,第二把数据中心准备好,第三把软件的服务买好,然后去部属。华云现在采用预先采购的方式,通过快速部署的能力,用户可以在下订单之后的两三天时间内获得一套完整的私有云环境,用户不需要自己准备数据中心、服务器,不需要采购软件,也不需要去对对方环境进行任何的运维,更不需要有这套环境的运维能力,因为这些运维能力全部由华云来输出给用户使用。这是我们说的第二种,托管私有云模式。
第三种,是混合服务模式。不管用户的私有云是基于VMware技术的私有云,还是基于OpenStack技术的私有云,华云都提供了很好的对接能力,首先基于VMware的(NSX)的技术,可以把私有云跟VCPP的公有云做一个网络上的打通。通过这个网络,用户可以在自己的私有云和公有云上调整自己应用的负载,比如说一些访问突增的情况下,用户可以把自己的应用负载扩展到公有云上。
这样,对用户的成本来说是非常有利的,用户可以把自己的敏感数据放在自己的私有云里,脱敏的数据放在公有云上,这是华云支持的模式。
那用户的负载还有一种可能性,负载会发生迁移,原本运行在私有云上的一些应用,现在因为业务的发展需要,用户需要把应用直接迁到公有云上运行,华云和VMware技术的结合,可以让基于VMware(VMware vCloud Director)插件实现用户在VMware私有云以及华云的提供的VCPP公有云进行打通,然后在业务不中断的情况下,把用户的应用或者虚拟机顺利的迁移到公有云上。这对用户来说,减少了很多迁移上的运维的成本。
第二个,针对Openstack的私有云,华云开发的混合云管理的产品,通过调度(Vcloud)的API,Openstack的API,做一些对应的底层的转换工作,把OpenStack的虚拟机在不中断的情况下,动态的迁移到VCPP的公有云上。
VCPP的价值就是更好的为用户提供混合云落地服务
郭晓认为,很多VMware的用户,它想把它的工作负载从它的VMware私有云迁移到阿里云、华云、腾讯云等等一系列的公有云服务厂商的时候,代价是很高的,而基于开源技术,实际上比较难满足用户的需求。VCPP的公有云的价值之一就是通过原生的云的支持,给用户获得非常好的迁移的体验。因为VMware现在的定位是不做公有云,但很多用户是需要公有云服务的,但是没有能力自己去运营一套私有云场景,对他来说使用成本是比较高的。双方的合作能够给用户带来更多价值。
VMware选择华云落地中国,除了华云的资质非常健全,在国内开展公有云业务以外,华云还有很多的政企客户,医疗、轨道交通、公安以及园区领域的一些客户。这些客户,对虚拟化的环境的稳定性要求是非常高的,结合VMware的虚拟化优势,华云在公有云领域积累的优势,最终给用户交付给一个安全性、稳定性、高性能的混合云服务。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。