7月27日,在中国信息通信研究院主办的2021可信云大会上,信通院公布了最新的可信云容器评估结果,华为云以最高标准通过了“全栈容器云解决方案”及“金融场景容器集群性能”,成为国内首批通过此测评的企业之一。
容器全栈能力测评,业界迄今最全面的容器能力测评

全栈容器云解决方案测评涉及通用容器、混合多云容器、边缘容器三大领域9大方向,华为云凭借云容器引擎(CCE)、多云容器平台(MCP)和智能边缘平台(IEF)为代表的容器全栈解决方案,以最高标准通过全部功能项测试。
云容器引擎(CCE)是国内最早上线的Kubernetes公有云服务,提供了高度可扩展的、高性能、高可靠、易运维的企业级Kubernetes服务,今年4月,又基于华为云擎天架构和容器全卸载技术推出了全新的革命性集群CCE Turbo,通过计算、网络、调度三大加速,将极大加速企业数字业务创新。
多云容器平台(MCP)是全球首个基于容器技术的多云管理平台,为企业提供跨多厂商公有云、跨公有云与IDC、跨IDC管理Kubernetes集群、应用的能力,结合应用服务网格(ASM)跨云流量治理能力,帮助企业轻便构建跨云、跨地域的高可用业务架构,华为云已将MCP的核心代码全面开源,成立了云原生多云容器编排项目Karmada,目前工商银行、小红书、VIPKID、一汽等多家企业已加入该项目。
智能边缘平台(IEF)是全球首个边缘容器平台,提供业界领先的云边协同一体化服务,满足用户对边缘计算资源的远程管控、数据处理、分析决策、智能化的诉求,具备云边协同全生命周期管理、128M极轻极简运行时、边缘节点离线自治、超大规模节点及应用治理、全行业生态覆盖五大特点,基于IEF核心代码开源的KubeEdge也是CNCF首个云原生智能边缘项目,目前国内外数十家大中型企业已在生产环境中使用该项目。
金融行业性能测评 业界首个行业场景化容器测评
金融场景容器集群性能测评是容器领域首个基于行业场景的系统化测评,基于金融业务的联机交易、精准营销、秒杀三大场景,对厂商的容器性能进行评估,华为云容器解决方案以最高标准通过测评,是国内首批通过该测评的解决方案。
华为云容器解决方案依托云容器引擎(CCE)提升了核心金融业务的交付效率、可靠性、性能、可扩展性,还结合云容器实例(CCI)、多云容器平台(MCP)、应用服务网格(ASM)、智能边缘平台(IEF)等服务 ,为面向互联网场景的创新业务,构建分布式、高弹性、智能治理的新型业务平台。在今年6月召开的华为智慧金融峰会上,华为云联合招联金融、宽拓科技、Temenos、晟合坤等8家金融伙伴发布了以容器为核心的“云原生2.0金融联创解决方案”,发展共创、共享、共赢的云原生金融生态。
如今,华为云容器已凭借出众的产品能力和优质的客户服务,吸引来自互联网、金融、能源、制造、生物医疗等十多个行业数万客户,在IDC发布的2020中国容器软件市场排名中华为云稳居第一。
此外,华为云一直都是云原生技术与产业发展的积极推动者,也是云原生计算基金会CNCF唯一的亚洲创始成员。在技术方面,除了上面提到的KubeEdge、Karmada等开源项目,华为云还向CNCF贡献了首个云原生批量计算项目 Volcano,代码贡献稳居亚洲第一;产业方面,华为云与CNCF、中国信通院联合成立了全球云原生交流平台——创原会,吸引了300+来自各行业的云原生技术专家参与,还与中国信通院联合发布了《云原生2.0白皮书》、《数字政府云原生基础设施白皮书》,指引产业落地方向。未来,华为云将持续创新,在技术、产品、产业方面与产业机构、开源社区及众多的伙伴、客户一起开创全新的云原生时代。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。