如果用两个词语来形容当前企业云计算的现状,“随处可见”与“包罗万象”结合起来对比可以说是最贴切的写照。研究表明,中国云端运行的IT工作负载总量有望从2021年的约60%增长到2025年的78%,而不同企业及职能部门中对于云计算的应用可以说是相差甚远,即使是同一领域的平均云计算普及率也有从5%到60%的巨大落差[1]。简言之,虽然目前企业云计算随处可见,几乎所有企业都以某种形式使用云(无论他们是否知道), 但对于云的使用远非包罗万象,并非所有业务中都存在云的使用。
追根溯源,云诸如灵活性、数字合规、安全、高效和成本效益的天然优势,是企业将部分计算资源与数据保存在云端的不竭动力。
谈到混合多云概念,其中“混合”是指将一些计算资源和数据转移到云端,同时保留一部分本地数据;而“多云”意味着使用多个公有云服务供应商以满足不同需求。
Veritas建议,企业在构建多云战略时,需要考量以下三个因素:
明确多云需求
构建多云策略的首要考虑因素是明确企业的多云需求。由于其主观性以及较强的变化性,很难用一篇文章划定一组特定的解决方案或阐述某个使用场景。
但需要注意的是,与本地部署环境一样,云是由应用程序、服务层和存储层组成的,他们是为特定目的而建,并由客户需求和当前架构驱动定义。同样地,上述需求与架构也会跟本地环境一样瞬息万变。所以企业需以灵活性和可移植性来适应,而由于难以从中获利,提供应用程序、服务层和存储层的云供应商通常不会提供上述解决方案。因此,无论基础架构如何发展,企业都需要将防御关口前置,把握预防的主动权,将可恢复性、故障转移、灾难恢复和可移植性纳入多云需求整体考量中。
选择合适的供应商
除上述内容外,明确多云需求还要根据专业性、安全性及成本等因素来选择合适的供应商以满足企业的实时需求与架构。审慎忖度,仔细分析,将企业的特定需求与各种云服务供应商的优劣势进行比较十分重要。
还有一点值得注意的是,建议选择支持 API 框架,尤其是RESTful API的供应商。因为当下系统间的交互和连接愈发紧密,而API框架能为不同的应用程序集成到多云环境中赋能。
多云需求以及云供应商组合都会不断变化,因而再次凸显了独立于云供应商的可恢复性、故障转移、灾难恢复和可移植性的重要性。
保护和管理企业数据
企业往往会依赖其云服务供应商保护自身数据免于威胁。然而,情况可能恰恰相反,因为这并不是云服务供应商的职责。换言之,企业应主动筑起“防护墙”,使数据免受勒索软件等网络威胁,而非寄希望于云供应商。
这类情况只会因多云环境而变得愈加复杂。在多云环境中,企业不仅要选择不同的解决方案以克服本地部署与云端数据共存所带来的数据保护与管理挑战,还需要处理好不同的本地部署数据解决方案以及多个不完备的云环境供应商的解决方案所导致的数据保护与管理缺口。
Veritas认为,在多云环境中,整合统一平台和自治是数据保护管理的两个关键环节。它们应当成为每个企业多云战略的一部分。这为企业数据提供了可视性,降低了多云环境的复杂性,并解放人力资源,减轻了IT团队的负担。
Veritas希望能为企业有条不紊向多云过渡指明方向,并助力已踏上多云之路的企业更好地把握船舵,轻松“驭数凌云”。
关于Veritas
Veritas Technologies是多云数据管理领域的领导者。超过八万家企业级客户, 包括95%的全球财富100强企业,均依靠Veritas确保其数据的保护、可恢复性和合规性。Veritas在规模化的可靠性方面享有盛誉,可为企业提供抵御勒索软件等网络攻击威胁所需的弹性。Veritas通过统一的平台,支持超过800种数据源,100多种操作系统,1400多种存储设备以及60多类云平台。在云级技术的支持下,Veritas现正在实践其自治数据管理战略,在提供更大价值的同时,降低运营成本。
Veritas中国官方网站 https://www.veritas.com/zh/cn/
Veritas官方微信平台:VERITAS_CHINA(VERITAS中文社区)
[1] 来自麦肯锡《云端中国,展望2025》
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。