甲骨文近日宣布进军多云可观察性业务,并同时推出一个新的高度整合监视解决方案,该解决方案可为在各种类型的计算基础架构部署的应用程序提供可见性和控制功能。
据甲骨文称,新的云监视及管理平台(Cloud Observability and Management Platform)提供一个单一管理、诊断和分析工具,可帮助客户在混合多云和本地应用程序部署的运作方面降低复杂性、风险和成本。
甲骨文表示,信息技术中的可观察性(涉及到监视应用程序)多是通过从日志、指标、跟踪和事件中提取数据令操作员可以识别及迅速解决出现的问题并找到问题的根本原因,甲骨文平台也不例外。甲骨文还表示,甲骨文平台还提供强大的分析和机器学习工具,可以帮助解决各种问题。
甲骨文称,企业信息技术环境在迅速演变为混合云和多云部署,因此对单一整合监控解决方案的需求很大。这些部署通常依赖于多种新的云原生技术,例如聚合数据库、软件容器、Kubernetes等等,软件容器用于托管现代应用程序组件,Kubernetes则是用于管理容器化应用程序的开源软件。
要为所有这些新工具提供可见性是个大问题。Gartner数据显示,大约三分之一的企业用了30多种监视系统检查各种内容。
甲骨文产品管理副总裁Dan Koloski告诉记者,“我们用于观察和监控的技术变得越来越复杂,整个事情也变得越来越复杂。现有的大多数工具只看拼图的一小部分。大家面对跨多个工具集有点一筹莫展,要处理各种数据孤岛。各种分离的本地和云操作,每个云供应商都有自己的监视解决方案。”
Koloski表示,甲骨文云可观察性和管理平台就是为了弥补这些不足而做出的努力,平台基于三项设计原则,是根据云原生计算基金会标准构建的。他表示,首先,平台的目标是不仅仅针对某个提供商的监控解决方案,而是要成为一个更完整的平台。第二,平台的设计更加开放,第三,平台的目的是为企业提供更高的价值。
Koloski表示,“从最终用户到磁盘,整个堆栈具有单一可见性。日志指标和跟踪工具都是统一的,因此只有一套遥测功能。平台涵盖了混合、本地和多云系统,不仅仅是关于甲骨文系统的可观察性和监视。”
甲骨文云监视及管理平台提供广泛的服务,可以帮助企业密切监视云和本地基础架构,包括但不限于日志记录、日志分析、数据库管理、应用程序性能监视、运营洞察力、服务连接中心 、通知、事件、功能、流媒体和操作系统管理。
Koloski表示,“这些都是甲骨文的有机发展,内置在甲骨文云二代的基础架构里。我们了解构建完整堆栈意味着什么。”
而且更重要的是,这个新平台还可以与第三方工具进行互操作,因此可以与Slack、Twilio、PagerDuty和Grafana等流行服务进行直接整合。运作过程大致为,来自这些服务和其他应用程序的数据先经过整体分析和汇总,再使用机器学习算法识别任何异常的系统行为,进而隔离导致问题的所有内容,然后进行补救。甲骨文表示,该平台可以在问题出现之前准确地对其进行预测,因此还可以在许多情况下防止中断,。
Constellation Research Inc.分析师Holger Mueller表示,甲骨文这个新平台是业界首个。
他表示,“平台用的本地和多云管理的端到端方法不仅明显令客户受益,而且还为合作伙伴提供了一个开放的平台,合作伙伴可以置入自己的产品。平台与Grafana、PagerDuty和Slack的整合及对CNCF标准(如CloudEvents和OpenTracing)的支持显示了甲骨文对互操作性的重视。
甲骨文表示,目前在用甲骨文云架构(Oracle Cloud Infrastructure)和甲骨文专用区域客户云(Oracle Dedicated Region Cloud@Customer)的所有客户都可以使用该新平台。其他用户可通过甲骨文系统整合商合作伙伴(例如Wipro Ltd.、Capgemini SE和Mythics Inc.)使用该平台。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。