ZD至顶网软件频道消息: 红帽公司日前宣布推出红帽OpenShift容器平台3.3版本,在安全的企业级容器平台上提供了新的开发人员特性和部署扩展能力,旨在增强混合云环境中的应用交付能力。红帽OpenShift容器平台可支持企业构建与维护云原生和传统应用,提供了一款从开发到投入生产的整个应用生命周期内使用的解决方案。
红帽OpenShift容器平台3.3基于开放式行业标准,以及红帽企业Linux的可靠的基础而构建,提供了具有Linux容器和容器编排创新能力单一的平台,并且在经过加固的企业级产品中提供了应用开发和部署能力。红帽OpenShift容器平台的最新版本提供了企业版的Kubernetes 1.3和Docker容器运行环境,该环境以红帽企业Linux 7为基础,可帮助客户享受快速创新带来的收益,同时保持企业级平台的稳定性、可靠性和安全性。
红帽OpenShift容器平台3.3的新特性包括:
增强开发人员生产力和敏捷性
在现代IT企业中,开发人员需要更快地提供更优秀的应用和应用更新。红帽OpenShift容器平台通过基于Jenkins Pipeline项目的最新连续交付管道和呈现应用管道统一视图的开发人员汇总仪表板,将新的自动化能力融合到应用开发生命周期内,从而帮助解决了这一需求。此外,该平台的新特性通过OpenShift的集成化路由和软件定义的网络能力以及对应用路由配置的精细控制,实现了更佳的A/B测试自动化。
云级部署
由于向云环境演进需要计算平台具有更高的扩展能力和灵活性,红帽OpenShift容器平台3.3可帮助提供更好的平台扩展性,对于大规模运行关键任务应用、在每个计算集群中支持1,000个节点的企业来说,这是一项至关重要的需求。这允许更大规模的部署,不仅支持新的应用,而且支持混合云环境中原有的应用,从而帮助企业保留现有的应用投资,而不必牺牲创新能力。此外,红帽OpenShift容器平台固有的Kubernetes能力现在可以主动监控并预防资源匮乏和意外宕机。
企业级安全
安全是企业采用Linux容器技术最关心的问题之一。OpenShift提供了一个安全的企业就绪型容器平台,其中包括对于Linux操作系统、容器平台和集成化应用服务的支持。OpenShift中包含了最可信、最安全的企业Linux平台 – 红帽企业Linux,并且继承了其所有安全特性和持续更新。安全特性已经扩展到Docker容器运行环境中,而且该环境与安全增强Linux集成,提供了额外的多租户安全能力,并且扩展到OpenShift的集成化容器注册表中,允许管理员对Docker格式的容器镜像进行管理,同时允许控制接入和镜像更新。OpenShift容器平台3.3融合了更多针对用户、团队及其项目的注册表增强能力,包括查看镜像细节和管理镜像接入的能力。OpenShift还为与企业级LDAP系统集成的Kubernetes提供了集成的用户授权和基于角色的接入控制能力,并为容器的执行提供了集成的安全策略,以便管理员在单一地点能够进行控制用户接入、权限、配额和接入,并提取和运行容器镜像等操作。
红帽全系列的容器产品涵盖私有云和全面管理的公有云产品,可在跨多个基础架构并提供容器即服务的单个解决方案中支持应用开发流程的不同方面。这些基础架构环境包括红帽容器开发包中包含的红帽OpenShift Container Local(红帽OpenShift容器本地版)、红帽OpenShift Container Lab(红帽OpenShift容器实验室)、OpenShift Online和OpenShift Dedicated。红帽针对容器而优化的解决方案系列包括存储、应用服务和管理产品,以及免费的开发工具。
红帽OpenShift容器平台3.3从2016年9月27日起供客户下载。OpenShift Online和OpenShift Dedicated平台将在OpenShift容器平台3.3上市后很快更新。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。