ZD至顶网软件频道消息:面对越来越多用户开始采用统一基础架构管理平台来实现IT管理,有人很奇怪这其中的推动力是什么?其实任何需求都来源于用户,咱们来看看传统IT管理和统一基础架构管理平台各自的优劣,就知道各种原因所在了。
传统的IT管理呈现碎片化特征,网络、服务器、存储、数据库、中间件...甚至每个厂商都有自己的专用管理工具。这使得部署、学习、使用这些管理工具都十分麻烦,而且在出现问题时,每个工具都只能从自己的角度出发来判断问题,各自为政,没有一个完整的画面,很难分析问题根源所在。
统一基础架构管理平台部署、学习、使用都会相对简单,判断问题时也有统一呈现、统一分析,这已成为业界主流。因此,一个统一基础架构管理平台应能尽量多地覆盖基础架构的各个方面,不留死角。
随着现在人才流动性的增大,如果一个软件工具只有靠专家才能用好,那么一旦专家跳槽了怎么办?培养一个新的专家可不是一朝一夕的事情。这也是很多企业都会碰到的问题所在。
因此,新一代的统一基础架构管理平台特别强调易学易用,摆脱了对专家的依赖,让统一监控平台能为更多人服务。
上一代统一基础架构管理平台在设计之初并没有考虑到对IT动态变化的快速适应,因为那时IT基础架构是相对稳定的。然而随着互联网、虚拟化和云技术的普及,IT正在变得越来越动态,变化越来越频繁,这已成为一个新常态。这也使得上一代系统部署困难、配置和定制难度高、很多工作必须依赖代理商或原厂商来完成的特点不适应新时代,使得IT在发生变更时会很尴尬:让代理商来帮忙处理吧,要立项才能付钱;不给钱的话代理商不愿意总是免费付出;如果什么都不做的话,过一两年你会发现现有管理平台对很多新增或变化的IT系统都不能覆盖了。
因此,新一代的统一基础架构管理平台特别强调易于部署、易于配置和定制性的特点,让IT管理团队自己就能在IT发生变更时快速部署、配置和定制统一监控平台,快速适应IT的变更,无需求人:agent安装、大规模配置和升级都非常简单方便,覆盖新设备、新系统;简单拖拽方式生成新的或修改已有的监控展示界面,让用户自己就能调整展示界面;简单拖拽方式生成或修改统计报表,不求人。
如果一个统一基础架构管理平台需要大量定制开发才能适应用户需求,那么潜在的成熟度风险是很大的。因为定制开发的代码只有客户会使用,没有经过其他用户的验证,很难保证成熟度和稳定度。定制开发量越大,稳定性越差。
因此,理想的情况应该是尽量使用通用产品,经过少量定制就能适应客户的IT管理需求。
由于业务的发展变化,企业IT基础架构也往往会发生变化,比如新开一个分支机构,或把一部分设施转移到云平台等等。统一基础架构管理平台要能够通过灵活、高效的部署架构来适应IT架构的新变化,比如简单高效的分级部署模式等等。
保障业务系统稳定高效是企业运维的终极目标。因此,IT管理的发展趋势正从“面向设备”转变为“面向业务和IT服务”。对业务系统总体质量的评估,以及IT服务水平的评价成为衡量运维质量的关键所在。其中面向业务和IT服务的服务水平(SLA,Service Level Agreement)管理至为重要。新一代统一基础架构管理平台具有支持简单易用的SLA管理的功能。
统一基础架构管理平台不是孤立的,它是整体IT管理的一部分。因此,新一代统一基础架构管理平台需要能够很方便地和其他IT管理系统,例如ServiceDesk、CMDB、统一报表系统、容量管理系统、邮件、短信/微信实现对接,在集成过程中尽量通过配置方式来完成。
当然很多情况下定制开发也是有必要的,因此新一代统一基础架构管理平台能够提供成熟、商用化、全功能的API和SDK,使得定制开发有一个稳定和完备的基础。
好文章,需要你的鼓励
计算机历史博物馆软件馆长Al Kossow成功恢复了上月在犹他大学发现的半世纪前磁带内容。UNIX V4是首个内核用C语言编写的UNIX操作系统版本,已从1970年代九轨磁带中成功恢复。现可从互联网档案馆下载并在SimH中运行。该版本包含约5.5万行代码,其中2.5万行为C语言,内核仅27KB大小。恢复过程使用了readtape程序采样原始磁通变化进行数据重建。
新加坡南洋理工大学研究团队提出"棱镜假设",认为图像可像光谱一样分解为不同频率成分,低频承载语义信息,高频包含视觉细节。基于此开发的统一自编码系统UAE,通过频率域分解成功统一了图像理解和生成能力,在多项基准测试中超越现有方法,为构建真正统一的视觉AI系统提供了新思路,有望推动计算机视觉技术向更智能统一的方向发展。
亚马逊云服务宣布其存储网关现已支持Nutanix的AHV虚拟化管理程序,进一步扩展混合云存储解决方案。此前AWS存储网关已支持VMware ESXi、微软Hyper-V和Linux KVM。由于AHV基于KVM架构,AWS表示添加支持相对容易。随着Broadcom收购VMware后策略调整,许多企业正寻求替代方案,Nutanix成为热门选择。分析师预测VMware可能在三年内失去35%的工作负载。
芝加哥伊利诺伊大学团队提出QuCo-RAG技术,通过检查AI训练数据统计信息而非内部信号来检测AI回答可靠性。该方法采用两阶段验证:预检查问题实体频率,运行时验证事实关联。实验显示准确率提升5-14个百分点,在多个模型上表现稳定,为AI可靠性检测提供了客观可验证的新方案。