2022年底,由中国信息通信研究院主办的“2022混合云技术发展论坛”在北京召开,论坛上发布了多项团体和行业标准,受到了产、学、研各方的关注。
天翼云率先顺利通过《混合云超融合平台能力要求》《混合云应用场景能力要求 第2部分:负载调度》《混合云应用场景能力要求 第3部分:容灾备份》三项首批评估,成为业内首家通过此三项评估的云服务商。
在数字化转型需求的驱动下,国内各行各业上云步伐持续加速,移动应用、物联网、5G、元宇宙等技术的日益普及,海量数据和快速变化的业务需求,都推动着云基础架构向更敏捷、更智能、更强扩展性方向发展。在众多云计算方案中,混合云作为一种融合性解决方案,既能满足数据安全和行业合规的要求,又能帮助企业实现灵活的IT业务扩展,逐步成为企业业务上云的首选方案。
由于不同企业的数据中心、云环境存在较大差异,在选择混合云解决方案时,为了充分利用已有资源,减小运维管理负担,降低上云成本,企业特别关注混合云的超融合能力。同时,在企业不同的资源池之间,如何高效地进行资源调度以提高资源利用率,如何保障企业应用负载的响应速度和服务稳定性,同样成为企业在选择混合云解决方案时衡量供应商能力的重要维度之一。
另外,在大数据、AI、云计算技术广泛应用的今天,数据已成为企业的核心资产,然而数据中心网络、空调、供电等关键设备故障,IT人员误操作或恶意操作删除企业核心数据的事件时有发生,国内外均发布了相关法规,如《保险业信息系统灾难恢复管理指引》《澄清海外合法使用数据法案》等,相关企业需要遵从法规要求进行数据备份。
天翼全栈混合云是中国电信天翼云自主研发、以一体化全栈方式交付的云服务平台,与天翼公有云同源技术栈、统一架构、统一服务。天翼全栈混合云可以根据客户业务需求在中国电信IDC机房或者客户机房,构建计算/存储/网络资源独享、平台统一管理的云计算服务,从而满足用户独享资源、安全隔离、特定性能及高可靠性等业务需求。
天翼全栈混合云支持统一接入多种异构云平台,可以提供包括统一资源纳管、数据迁移备份、容灾管理、云平台监控、安全管理等服务为一体的超融合能力,同时为用户提供包括计算、存储、网络、数据库、中间件、大数据、AI、安全等丰富的产品能力。
在架构上,为降低中小企业的上云门槛,天翼全栈混合云推出超融合架构,最小可支持3台融合节点部署生产环境云平台,可满足生产环境要求,大幅降低企业的上云成本。同时支持扩容融合节点,也可单独扩容计算/存储节点,满足企业弹性、灵活的扩容需求。
在多云异构场景下,天翼全栈混合云具备强大的负载调度能力,支持通过统一的多云资源管理平台对计算、存储、网络等资源进行管理和调度,支持对全局的业务健康状态和负载情况进行实时监控,当健康状态出现异常或者负载情况超出阈值时,平台将自动化进行资源调度,实现业务性能的弹性伸缩,有效保障应用负载的资源需求。同时,天翼全栈混合云支持智能流量负载均衡,支持传输层以及应用层负载均衡,支持基于时延和带宽制定负载均衡策略,有效保障应用负载的服务响应能力。
在云容灾场景下,天翼全栈混合云推出了云备份、云容灾等产品。云容灾服务基于内核级IO捕获技术,为天翼云云主机提供云硬盘一致性的持续数据保护,支持跨可用区的数据保护,结合灵活的备份策略、多恢复点的灾备一体能力、实时容灾演练功能,实现秒级RPO、分钟级RTO,可满足国标灾备等级5级要求,最大限度保障用户数据的安全性和正确性,确保业务安全。云备份服务支持数据重删、压缩、加密,为天翼云云主机本地文件系统、NAS存储提供目录粒度的备份服务的同时,最大限度地降低了用户使用成本。
信通院此次开展的三项混合云评估中,《混合云超融合平台能力要求》重点考察混合云部署下对包括超融合平台在内的多个环境的平台能力要求;《混合云应用场景能力要求 第2部分:负载调度》主要从解决方案的基础设施支持能力、负载调度核心能力及辅助能力三个维度进行综合评估;《混合云应用场景能力要求 第3部分:容灾备份》主要考察解决方案在混合云环境下基础能力、容灾备份核心能力及服务运维等容灾备份辅助能力。天翼全栈混合云顺利通过以上三项评估全方面的考察,体现了天翼云产品能力体系的完备性和服务的安全性。
目前,天翼云作为云服务国家队,在全球运营商云市场与国内混合云市场位列第一,打造了“云、网、数、智、安”五位一体的全栈混合云能力。
未来,天翼云将继续坚持自主研发与技术创新,持续完善云网融合基础设施能力,为各行各业的数字化转型提供高质量的产品及服务,推动数字经济高速发展,助力数字中国建设。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。