近日,Red Hat公司表示,Red Hat OpenStack平台现更名为Red Hat OpenStack Services on OpenShift。

在此次品牌重塑之前,IBM旗下的Red Hat公司多年来努力一直在努力把Red Hat OpenStack Platform和Red Hat OpenShift更紧密地集成在一起,目标是帮助服务提供商更快地扩展其私有云并最大化计算资源。Red Hat表示,此举使其能够帮助管理OpenStack云的团队从OpenShift带来的现代运营体验中受益。
Red Hat OpenStack是一个开源平台,企业组织使用该平台汇集虚拟资源以构建和管理私有云,事实证明,平台特别受电信和托管服务提供商的欢迎。同时,RedHat OpenShift是一个企业级应用平台,基于Red Hat Enterprise Linux操作系统和容器编排软件Kubernetes构建,提供了支持几乎任何类型应用和计算环境的部署和基础设施服务。
Red Hat公司混合平台产品管理总监Sean Cohen表示:“通过把Kubernetes和OpenStack集成,组织可以看到资源管理和可扩展性的改进、混合云的更大灵活性、简化的开发、以及DevOps实践等等。”
Red Hat解释说,集成这两个平台,是因为客户正在寻找一种快速且简化的私有云产品,让他们能够将基于4G的虚拟网络功能迁移到5G云原生工作负载中,现在他们借助Red Hat OpenStack Services on OpenShift,就可以通过一种更简单的方法来实现这个目标。
新平台使现有应用能够继续运行而不会出现任何中断。新的“Podified”控制平面是一组用于将OpenStack控制平面作为Kubernetes原生Pod进行部署和管理的工具,使部署云原生工作负载变得更加容易。Red Hat表示,最终的好处是更容易安装、更快速部署、以及从核心到边缘的统一管理。
此外,Red Hat OpenStack Services on OpenShift让企业能够运行基于裸机服务器的虚拟化和容器化应用,这样他们在使用计算资源的方式上就拥有了更大的灵活性,其他好处还包括使用Red Hat Ansible自动化平台实现快速的、可重复部署的快速并行处理,通过新的控制平面实现更好的可扩展性,改进的可观察性体验,借助加密内存缓存、服务和安全之间加密通信实现的增强安全性,以及确保基于角色访问的安全性。
Constellation Research分析师Holger Mueller表示,OpenStack Platform的品牌重塑是Red Hat母公司IBM整合策略的一个组成部分。他指出,围绕OpenStack的“噪音”已经很大程度上减弱,因为没有一家主流公有云厂商采用OpenStack,很多之前的贡献者已经转向了其他项目。
“相反,OpenStack在电信行业找到了自己的位置,很多运营商使用OpenStack来构建私有云以运行网络,这就是Red Hat发布这些公告的目标人群。”
展望未来,Red Hat OpenStack Services on OpenShift的控制平面将原生托管在Red Hat OpenShift上,而基于RHEL的外部数据平面将通过Ansible Automation平台进行管理,这意味着Red Hat OpenStack Platform 17.1将是基于经典控制平面的最后一个版本,这种控制平面可以是虚拟化的也可以是裸机的,由OpenStack Director执行管理。
Red Hat表示,将继续为经典版本提供支持直到OpenStack Platform 17.1生命周期结束,此后客户将需要在OpenShift上进行迁移和部署新的控制器。
好文章,需要你的鼓励
阿布扎比科技创新研究院团队首次发现大语言模型生成的JavaScript代码具有独特"指纹"特征,开发出能够准确识别代码AI来源的系统。研究创建了包含25万代码样本的大规模数据集,涵盖20个不同AI模型,识别准确率在5类任务中达到95.8%,即使代码经过混淆处理仍保持85%以上准确率,为网络安全、教育评估和软件取证提供重要技术支持。
国际能源署发布的2025年世界能源展望报告显示,全球AI竞赛推动创纪录的石油、天然气、煤炭和核能消耗,加剧地缘政治紧张局势和气候危机。数据中心用电量预计到2035年将增长三倍,全球数据中心投资预计2025年达5800亿美元,超过全球石油供应投资的5400亿美元。报告呼吁采取新方法实现2050年净零排放目标。
斯坦福大学研究团队首次系统比较了人类与AI在文本理解任务中的表现。通过HUME评估框架测试16个任务发现:人类平均77.6%,最佳AI为80.1%,排名第4。人类在非英语文化理解任务中显著优于AI,而AI在信息处理任务中更出色。研究揭示了当前AI评估体系的缺陷,指出AI的高分往往出现在任务标准模糊的情况下。