8月29日,在2018浪潮技术与应用峰会(Inspur World 2018)上,浪潮推出并展示了基于Openstack的“同城双活、多云数据中心灾备解决方案”,利用浪潮强大的开源云计算引擎InCloud OpenStack,为大型金融、政务、能源等行业用户提供安全稳定、灵活敏捷、多云管理及异地灾备融为一体的先进云数据中心解决方案。
浪潮基于Openstack的“同城双活、多云数据中心灾备解决方案”
浪潮云计算产品部总经理蒋永昌表示:“在确保安全稳定的前提下,浪潮‘同城双活、多云数据中心灾备解决方案’进一步提升了云平台的经济性、灵活性与开放性,确保用户在此基础上更加敏捷、高效、安全的构建各类测试开发、在线服务等业务,帮助客户更好的应对数字化转型。”
InCloud OpenStack驾驭多云管理
多云管理是此次浪潮所发布的解决方案的亮点之一。在浪潮看来,多云管理需要解决复杂云环境和多数据中心协同两个层面的难题,一方面由于采用多家云厂商的服务与产品,导致用户的整个云环境异构、复杂,另一方面因为跨空间、地域的多数据中心建设,导致多数据中心间协同困难。
浪潮InCloud OpenStack能够驾驭异构资源管理和多数据中心支持,解决企业客户在云管理方面的所有通用需求,并通过配置和定制实施来满足不同企业用户的个性化需求。多厂商、异构云平台的统一管控是多云管理的基础,InCloud OpenStack通过云管理平台来实现异构资源融合、连接和统一管理,在虚拟化的基础上实现跨资源池的弹性伸缩、VPC打通,并以资源可视化、自动化的方式为企业客户带来工作效率的大幅提升。
InCloud OpenStack助力实现同城双活数据中心
同城双活则是浪潮解决方案的另一重要价值点。这一模式打破了传统同城双数据中心的主次之分,使二者可以在正常模式下协同工作,并行为业务访问提供服务,实现对IT资源充分利用的同时,也能够使数据中心之间的负载水平保持在合理状态,进一步增加了整个系统的弹性。由于同城数据中心均处于“活跃”状态,因此在任何一个数据中心发生故障或灾难的情况下,其他数据中心可以正常运行并对关键业务或全部业务实现接管,实现用户的“故障无感知”,可进一步增强用户体验。可以说,同城双活数据中心既保证了业务高可用,又提升了数据中心的资源利用率。
浪潮InCloud OpenStack可实现对多数据中心资源的统一管理调度及运维,在统一管理界面中实时展现各中心的资源利用率、故障信息、资源消耗等信息,并在租户申请资源时根据双活中心整体的资源利用率情况进行动态分配,使得整个数据中心的资源分配更加高效。这些功能包括但不限于面向用户访问层和应用层的负载均衡,虚拟化层的HA高可用,存储层与浪潮G2存储适配实现数据强同步,以及网络层的SDN等。
InCloud OpenStack实现异地灾备
在城市发生巨大灾难同城双活中心均无法工作时,异地的灾备中心可以启动业务,并对关键业务或全部业务实现接管,实现业务快速恢复,用户数据高保障。
在异地灾备中心中,InCloud OpenStack可通过异步复制和备份功能完成数据的远程定期备份,同时一键容灾功能可快速演练、测试、验证灾备端的数据可用性,以及评估恢复的RTO。当发生计划内(如停电、系统维护等)或计划外(如地震、火灾、洪水等)容灾场景时,通过一键式故障恢复或计划性迁移,在同城双活数据中心接管其相应的业务,也可在异地灾备中心的备份数据进行快速恢复。切换后,可以通过重保护功能,实现对灾备端接管业务的反向保护。
目前,浪潮基于InCloud OpenStack的“同城双活、多云数据中心灾备解决方案”已经在某金融机构和商业公司分别完成部署,其中,某商业公司借助先进的数据中心架构,核心业务实现了弹性计算资源及稳定的平台,满足对高并发及安全稳定的需求,并且该公司InCloud OpenStack私有云单集群建设规模超过1000台服务器,位列全球TOP5。而某金融机构也已将部分核心业务迁移至浪潮云平台上,同城双活中心及异地灾备中心完全满足了金融业务及数据安全性的高要求。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。