AWS全球公共部门副总裁Max Peterson最近发布了一篇关于AWS最新Digital Sovereignty Pledge的博客,概述了保护全球网络数据安全并确保关键应用不受外部压力影响的一种综合方法。
随着组织不断发展数字基础设施并更加依赖它,对数字弹性和主权的需求也随之增加。有些人可能,认为弹性和主权是两个独立的问题,但两者有着内在的联系。前者的概念是,组织需要对其数字资产、数据和所使用的技术进行控制和自治,而不受任何外部各方的影响;后者是指组织预测、承受数字基础设施遭受的不利条件、压力或攻击并从中恢复的能力。
这两项举措通过以下方式相互关联:
数据主权和运营弹性已经成为当今数字时代的一项关键组织举措。AWS的博客重点介绍了为客户配备必要工具来应对现有挑战的步骤。企业和政府面临着自然灾害、网络中断和地缘政治紧张局势带来的巨大压力,需要维持持续运营并保护敏感数据。
Digital Sovereignty Pledge旨在让客户能够控制他们自己的数据,同时满足全球监管要求,承诺中包括了一套针对数据驻留、访问管理、加密,尤其是弹性的控制措施。Peterson认为,弹性至关重要,因为弹性让组织能够在不可预见的干扰中维持运营。
AWS在弹性方面拥有良好的生育,其全球基础设施中包括了分布在33个区域的105个可用区域,这种设计有意将相关故障的风险降到最低,并确保服务可以不间断地继续。每个可用区都配备了独立于其他区域的冗余系统,以防止大范围的服务中断。客户可以通过将应用分布在同一AWS区域内的不同可用区来提高可靠性,最大限度上减少停机时间。
Peterson表示:“AWS是唯一一家在每个区域都提供三个或更多可用区的云提供商,提供更多冗余和更好的隔离来控制问题,发电机和冷却设备等常见故障点不会在可用区之间共享,而是由独立的变电站供电。”
AWS的方法超出了基础设施的范围。AWS在服务设计层面注入了弹性,确保即使在出现依赖项故障的情况下,Amazon Elastic Compute Cloud、Amazon Simple Storage Service和虚拟私有云等系统也能像物理云一样可靠地运行,这种“静态稳定性”理念意味着AWS的服务旨在抵御故障的影响,无需立即干预或重新配置。
Peterson分享了AWS客户是如何利用云的弹性和主权功能来确保连续性和数据保护的例子。Information Services Group将应用分布到多个可用区,从而提供区域之间的安全数据传输,这在地缘政治紧张局势期间至关重要。另一家客户是教育机构Pearson,依靠AWS Resilience Hub(一个用于建立弹性目标的平台)来增强应用的耐用性。
现在,数字弹性几乎成为每个IT领导者的首要考虑因素,数据在哪里、企业可以控制数据、数据始终可用都是非常重要的。
AWS还通过AWS Local Zones、AWS Dedicated Local Zones和AWS Outposts等解决方案来满足本地和远程用例客户的需求,这些方案旨在满足那些受严格监管行业的严格要求。例如,纳斯达克使用AWS Outposts改进其操作系统,有助于响应资本市场的需求。
AWS还提供了各种弹性服务来帮助客户从中断中快速恢复,其中包括AWS Backup、AWS Elastic Disaster Recovery和Amazon Route53 Application Recovery Controller。领先的媒体公司汤森路透就通过使用AWS DRS的连续复制功能增强了他们的数据保护和应用恢复流程。
最后,AWS与合作伙伴和专业服务团队展开合作,帮助客户实现弹性目标。AWS Resilience Competency Partners指的是那些可改善云工作负载可用性和弹性的专家。AWS Professional Services对变更管理、灾难恢复、耐用性、可观察性、运营、冗余、可扩展性和测试这八个基本领域进行评估,找出企业需要改进的方面。
Peterson总结说:“我们仍然致力于增强我们的主权和弹性选择范围,使客户能够在中断或断网的情况下维持运营。AWS将继续根据客户需求进行创新,帮助您在云中构建和运行弹性应用,以跟上这个不断变化的世界。”
更宏观的战略就是在这个技术将在工作、生活和学习的各个方面发挥着至关重要作用的世界中确保数字基础设施的安全性、运行能力和独立性,而数字主权和弹性是这个战略中相互关联的两个要素。AWS的承诺就是,将复杂且令人困惑的事情变得易于管理。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究由香港理工大学和新加坡国立大学的团队共同完成,提出了R?ec,首个将推理能力内置于大型推荐模型的统一框架。与传统方法不同,R?ec在单一自回归过程中实现了推理生成和物品预测的无缝整合。研究者还设计了RecPO优化框架,无需人工标注即可同时提升模型的推理和推荐能力。实验结果显示,R?ec在三个数据集上显著超越现有方法,在Hit@5和NDCG@20指标上分别提升68.67%和45.21%。这一突破为下一代智能推荐系统开辟了新方向。
这项研究提出了CURE框架,通过强化学习让大语言模型同时学习编写代码和生成单元测试两种能力,无需使用标准代码作为监督。团队开发的ReasonFlux-Coder模型在仅用4.5K编程问题训练后,便在多个基准测试中超越了同类模型,代码生成准确率提高5.3%,最佳N选1准确率提高9.0%。该方法不仅提升了模型性能,还提高了推理效率,同时为降低API调用成本和无标签强化学习提供了新思路。