至顶网软件与服务频道消息: 在日前圣地亚哥举行的Kubecon + CloudNativeCon同期活动中,IBM公布了两款适用于Kubernetes生态系统的新开源工具,同时更新了两个现有的项目。
这次IBM推出的新工具之一——Kui,旨在减轻开发者在处理混合云或者多云应用部署时经常要面对的“糟糕体验”;此外还有Iter8,这是一款用于收集由开源软件服务网格Istio生成的数据和计量的工具。
IBM研究员、云平台部门首席技术官Jason McGee和IBM混合云平台研究总监Priya Nagpurkar在博客中介绍了这些新项目。
他们写道:“如今有超过16000个生产型Kubernetes集群,每天支持数十亿笔交易,IBM在大规模运行Kubernetes生产工作负载方面拥有丰富的经验,而且IBM了解企业和企业的开发团队在混合多云环境中面临怎样的挑战。”
Kubernetes是一种开源编排工具,用于管理大型软件容器部署,而容器托管了那些可运行在任何计算基础设施上的现代应用的组件。
开发者可以使用Kui工具与他们编写应用所使用的命令行界面工具进行交互。IBM还表示,Kui提供的可视化功能可以帮助开发者处理Kubernetes应用生成的复杂数据,旨在解决很多开发者使用CLI加快流程所带来的“令人不适的体验”。
McGee和Nagpurkar这样写道:“IBM已经开始将Kui引入IBM Cloud产品,以便帮助简化开发者体验。”
IBM已经将基于Kui的Web终端与最新的IBM Cloud Pak for Multicloud Management服务集成在一起,为开发者提供了一种简便的方式,来运行命令并通过可视化方式浏览这些命令的结果。
至于Iter8,这是一个使用Istio应用编程界面执行对比分析的工具。Istio是所谓的“服务网格”,可以提供流量管理、计量收集和策略执行。开发者可以使用Iter8为不同微服务或者应用组件连接、管理和保护网络。
Istio还用于Canary和A/B测试,帮助开发者在开发过程中检测出并消除应用出现的任何错误。开发者使用Iter8可以将新的更新与老版本应用进行对比,以确定这些更新是否可以正常运行,此外该工具还有助于预测将来可能出现哪些问题。
Constellation Research分析师Holger Mueller表示:“很高兴看到IBM继续致力于开源特别是Istio等新领域。Istio提供的生产力和工具对于那些需要在Kubernetes上快速构建下一代应用的企业来说是至关重要的。”
在这次大会上IBM还推进了两个现有给的项目:Tekton和Razee。
Tekton是一个用于构建持续集成和交付系统的开源框架。该项目现在已经与IBM Cloud Continuous Delivery服务集成在一起,可通过访问管道\工作流和其他构件的行业规范来帮助实现流程的现代化。
Razee是一个开源的持续交付工具,用于大规模管理应用。现在Red Hat OpenShift(一个用于构建容器化应用的平台)也提供了对Razee的支持。此外,IBM Cloud DevOps ToolChains也支持Razee。
 0赞
0赞好文章,需要你的鼓励
 推荐文章
                    推荐文章
                  Oracle推出全新自主AI湖仓平台,原生集成Apache Iceberg开放表格式,支持跨Oracle云、AWS、Azure和谷歌云部署。该解决方案通过统一数据目录联合多个平台的元数据,消除数据孤岛问题。平台具备数据湖加速器、Exadata表缓存等性能优化功能,并扩展自然语言查询能力至Iceberg数据。相比Databricks和Snowflake,Oracle提供真正的多云可移植性和企业级安全性。
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
ChatGPT开发商OpenAI计划最早于2026年下半年进行IPO,估值可能翻倍至1万亿美元。尽管预计年底年化收入达200亿美元,但由于昂贵的GPU、数据中心和AI人才成本,亏损仍在攀升。OpenAI已完成重组为公益公司,非营利部门持股26%,微软持最大股份27%。此外,法律AI初创公司Harvey获1.5亿美元融资,估值80亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。
 
             
                 
                     
                     
                    