
随着新一代信息技术演化,新基建的重要意义不仅频繁出现在国家战略规划中,也在引领数字经济发展朝向下一个风口迈进。云计算作为新基建领域不可缺少的底层技术,正在逐渐成为支撑各行业数字化转型升级的核心。那么云计算等“新基建”如何助力企业高效运维管理?如何实现对老旧机房升级更新?老旧机房又是如何实现二次利用?本期智汇华云,为大家进行一一解答。
如今,云计算和虚拟化技术正在向构建新一代数据中心发展,以虚拟化技术为关键基础,实现管理以及业务的集中,对数据中心资源进行动态调整和分配,重点满足企业关键应用向云迁移,以及对于资源高性能、高可靠、安全性和高可适应性上的要求,同时提高基础架构的自动化管理水平,确保满足基础设施快速适应业务的商业敏捷诉求,同时进一步减少企业的IT整体投入。比如在传统的数据中心,存在巨额投资采购的数量庞大的服务器和SAN存储设备,如何纳入到私有云的升级计划之中,是一个不可回避的问题。如果全部通过购置新的虚拟化系统替代现有系统,又会花费额外的费用,过去十多年的IT投资也将付之东流。
用户现状
客户现有的是一个传统数据中心,中心业务的硬件是有不同品牌的X86服务器和SAN存储构成,架构也是烟囱式的,建设初期的硬件成本和运维成本都比较高,服务器都使用单机虚拟化运行状态 ,没有横向扩容的能力,而且也存在单点故障,客户建设目标是把多台服务器做为一个虚拟化集群,并且利用现有的FC-SAN存储做为虚拟化底层的存储资源。既解决了服务器单点故障和横向扩容的能力,又利旧现有FC-SAN存储,保护现有硬件投资。
方案概述
方案中采用安超虚拟化平台软件(ArcherOS Stack)作为介于硬件和业务负载之间的云操作系统层,采用X86和ARM双栈支持的虚拟化技术,实现对通用服务器物理资源的抽象,将CPU、内存、I/O等服务器物理资源转化为一组可统一管理、调度和分配的逻辑资源,并基于这些逻辑资源在单个物理服务器上构建多个同时运行、相互隔离的虚拟机执行环境,实现更高的资源利用率,同时满足应用更加灵活的资源动态分配需求。提供热迁移、热升级等高可用特性,实现更低的运营成本、更高的灵活性和更快速的业务响应速度。
ArcherOS Stack支持对接FC-SAN设备,保护客户现有投资。用户无需对LUN、RAID等存储概念对象进行单独管理和设置,只需要对虚拟机/虚拟磁盘进行设置就可以使用存储的各项功能,降低了用户使用门槛。ArcherOS Stack通过共享存储虚拟化组件,实现了以下特点:

与硬件无关,只要是Linux支持的SAN存储都可适配
与自研的计算虚拟化组件(ArCOM)完全集成
统一所有设备到同一软件栈
支持精简置备,按写入有效数据容量分配实际空间
安超虚拟化平台还支持以下功能
1. 安超虚拟化平台软件支持USB透传功能
同一集群,支持任意USB端口与任意云主机的解挂与挂载等,支持USB密钥透传至虚拟机,灵活便捷的支撑需要依赖加密狗等USB设备的业务系统运行,当业务虚拟机跨主机迁移时,USB设备无需重新插拔配置,也能正常被识别。
2. 支持GPU虚拟机功能
采用GPU直通技术为虚拟机提供显卡支持,实现3D加速或科学计算等场景,GPU工作流实际跑在数据中心而非用户本地环境,搭配ArcherOS Stack平台,降低运营成本。
3. 支持IPV4和IPV6双栈网络
无论用户侧请求或目标地址处于 IPv4 还是 IPv6 网络,双栈网络都能轻松访问,两种协议互不影响,帮助用户打通 IPv6 孤岛和 IPv4 局域网限制,解决IPv4资源枯竭难题。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。