多云数据管理领域的领导者Veritas Technologies研究发现,许多企业在部署Kubernetes的时候,未能与其他IT管理职能形成统一的战略规划,以至于DevOps和项目团队不得不独自面对数据保护等挑战。
近一半的中国企业(43%)已为其关键任务的应用程序部署了Kubernetes,但推动部署的动力往往来自项目本身,而非受上层驱动——在52%的Kubernetes部署中,中国企业的CIO或IT领导团队并未起到决定性作用。
就受访的中国IT决策者来看,部署Kubernetes是多方决策的结果:其中,独立IT 项目团队占53%,董事会和企业领导层占25%,DevOps团队占32%,甚至云供应商的意见也占了23%。虽然IT领导团队通常被认为是少数决策中的利益攸关方,但有52%的情况表明事实并非如此。
Veritas数据保护专家Sonya Duffin指出:“Kubernetes可为部署它的项目带来真正的优势,所以开发团队迫切地想投入使用也就不足为奇了。然而,让部署Kubernetes的决策凌驾于整体的IT策略之外,就意味着这些项目错失了统一IT基础能力的支持,如数据保护等,这也使得诸如此类的责任一直落在DevOps或项目团队身上。”
Veritas调研显示,73%的中国企业为Kubernetes环境的勒索攻击威胁而感到担忧,这会加重独立负责数据保护团队的负担。然而,三分之一(33%)的中国受访者表示,他们采用独立的解决方案为 Kubernetes环境提供保护,这是不同于现有的更广泛的数据保护基础设施。
受访者表示,这种烟囱式解决方案会带来复杂性、成本和数据丢失的风险。34%的中国企业认为,烟囱式数据保护解决方案会导致数据被遗漏的风险;31%的中国企业指出烟囱式解决方案会使数据恢复过程变得更复杂且漫长。此外,33%的中国企业认为采用烟囱式解决方案会使成本增加。
Duffin提出:“企业往往在灾难来袭时,比如遭受勒索攻击时,才意识到烟囱式数据保护解决方案的风险。这些企业的IT团队试图从各种界面和程序的不同平台中恢复数据,而非从一个统一集中的地方恢复。更糟糕的是,如果项目团队错失了借鉴数据保护团队经验的机会,他们可能还不知道应对灾难的最佳做法,从而置身于失去关键数据的巨大风险中。”
鉴于90%的中国企业预计未来两到三年内,将在关键任务基础设施中部署Kubernetes,Veritas建议IT团队进行更密切的合作,以确保该技术能够在恰当的保护下部署。
Duffin表示:“随着更多的企业数据上云,对采用集中数据保护的企业IT管理者而言,云中数据的保护的需求似乎没那么显眼,他们可能都没有意识到在云上有数据并且需要保护。相反,DevOps和项目团队可能觉得保护新数据类型的最简单的选择是部署云供应商的原生解决方案。但事实上,他们可以通过与数据保护团队合作,将企业数据保护平台扩展到这些新环境中,进而找到更稳健、更简易、更具成本效益的有效解决方案。”
了解更多详情,请点击https://www.veritas.com/zh/cn/solution/kubernetes
关于调研
该研究由Opinium Research于2022年2月7日至20日在11个关键市场完成,其数据来源于美国、巴西、澳大利亚、中国、日本、新加坡、韩国、法国、德国、阿联酋和英国的1100个千人规模企业中的IT高管。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。