戴尔科技资深云解决方案咨询顾问詹文卓
移动互联时代,企业业务上云已经成为趋势,但是企业在云化转型过程是“牵一发而动全身”, 那么企业云化转型面临哪些挑战?戴尔云解决方案如何助力云原生应用?至顶网采访了戴尔科技资深云解决方案咨询顾问詹文卓,就企业云化转型进行了深入探讨。
目前仍然有不少企业的基础设施架构是构建在自购X86服务器之上的VMware虚拟机集群上,开发项目是传统Jar包或War包的形式。如果业务应用需要容器化和微服务化,还需要在VMware虚拟机资源池上构建Tanzu PaaS平台,通常IaaS资源还需要额外扩容。
云原生应用开发作为新的标准模式,开发效率相较于传统应用有十几倍的质的提升。目前云原生应用开发周期在2周左右,测试周期在几天内完成,每天迭代次数可以达到几十次,部署和规模扩展都可以在秒级或分钟级完成。
而传统行业的业务模式是通过多年不断迭代的单体应用来支持业务场景,多年的技术债务沉淀,导致代码冗长、缺少代码注释、设计说明文档不全等问题,并且上线部署和版本更新效率低下,由于代码强耦合多导致版本回退和业务长时间中断的事故频繁发生。企业迫切想实现业务应用的拆分解耦和微服务化,以享用云原生应用的弹性和敏捷。
然而云原生应用的弹性和敏捷的实现并不是一蹴而就,首先原有的虚拟机或裸金属服务器不能适配云原生应用的运行; 其次云原生应用对于监控、运维和运营也提出了更高的技术要求,第三,云原生应用开发也面临着技术上的挑战。“例如在开发过程中,微服务拆分颗粒度的把握,新的容器云技术平台和以Spring Cloud为代表的技术框架的引入增加了学习成本和开发成本,同时微服务治理也是一个技术课题。”詹文卓谈到。
戴尔科技针对云原生应用对基础技术架构进行了升级,打造了支持云原生应用的快速开发平台,提供了DevOps敏捷开发流水线,引入APM应用性能监测工具,助力企业业务应用数字化的敏捷性,同时还作为云原生应用运行时的承载环境平台。
例如,在保证业务连续性方面,戴尔科技针对混合云、云原生等新的架构和应用考虑了传统稳态和现代敏态两种应用场景,支持同城双活、两地三中心等构建模式。双活的层次又支持应用双活、数据库双活、存储双活和网络双活,同时结合PaaS平台跨数据中心资源调度的能力,实现应用层面跨数据中心级别的高可用和负载均衡的能力,保证了企业的业务连续性。
按需付费的新消费模式推动云原生发展
为了让企业更快地体验到云原生的价值,戴尔科技推出按需付费 (Flex On Demand)的消费模式。客户在使用戴尔科技集团企业级基础设施时,可以按照时间上或者容量上的使用量,进行一种即用即付的消费模式。该模式能够让客户的私有云或私有数据中心拥有公有云的灵活、敏捷和弹性,并且明显降低建设资金投入和运营成本,提升业务创新能力。
戴尔的FOD模式在数据安全、访问性能以及采购成本方面具备较大的优势。“由于数据保存在客户本地物理环境中,确保了数据更安全;同时FOD模式部署了万兆网络,可以大幅度提升网络性能;在成本优势方面,公有云的安全资源很难完全云化和通过规模优势将成本降下来,所以如果将安全资源、计算资源、存储资源都计算起来,FOD的整体解决方案会比公有云的解决方案更有价格优势。”詹文卓总结到。
对于客户而言,戴尔直接提供成熟稳定的IaaS基础技术架构和PaaS技术底座,客户只需要把主要精力放在业务应用的设计、开发和测试上面,并且即用即付的计费模式也使得企业可以把资金放在优先级更高的工作任务上,加速企业数字化转型和行业云原生发展。
最后詹文卓表示,戴尔咨询服务部针对企业客户制定了分阶段、分步骤的数字化转型之旅。首先通过夯实企业的基础技术架构,在IaaS资源池的基础上构建PaaS技术底座,对原有IaaS资源池进行扩容和统一控管,打造一个云原生应用运行时环境和快速开发环境;原有的单体应用不具备的新建功能可以直接在PaaS平台上进行微服务设计、开发、测试和部署;对原有的单体应用的功能需要分阶段、分步骤、分层次、颗粒度从粗到细进行拆分、解耦和微服务设计,逐步改造直至最终微服务化完成。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。