ZDNet至顶网软件频道消息:随着云计算、移动互联时代的到来,云+端不可避免地成为IT巨头们争先抢占的战略制高点。云平台和端应用如何做到架构整合?传统IT架构如何有效完成云和端两个方向的整体迁移和延伸?如何有效运用云平台和端开发技术,降低端应用开发成本,以加速企业移动信息化的建设进程?这些都是目前各大企业和IT厂商CTO/CIO们正在考虑和期望解决的问题。
近日,移动互联网应用支撑平台提供商正益无线旗下的移动应用开发平台AppCan发布了3.0版本,主打MPaaS/MBaaS移动云服务,相较于AppCan2.0版本,AppCan 3.0在技术架构上最大的变化是采用云化MPaaS技术构架,并提供部分MBaaS云服务能力。
平台整体的移动应用服务引擎(MAE)架构可以用如下图表示:

AppCan平台MAE云服务引擎架构
平台通过RESTFul API向前端App提供服务调用接口,并且通过AppCan MAS后端服务接入总线技术与各App后端对接服务。
从技术架构上解析,AppCan首先是一个典型的移动PaaS(MPaaS)开发平台,能够为开发者提供如下平台服务能力:
1)应用云打包
开发者在IDE中以向导、模板等方式创建应用并本地调试完毕后,上传SVN代码,在云端配置应用图标、启动图片、插件、证书、发布渠道,通过云平台的在线编译环境,生成并发布安装包。
2)版本发布
打包好的应用,可以有多个版本。开发者可以管理发布哪个版本。发布时可以指定应用分类、标签、发布渠道、简介、截图等。
3)应用门户
为开发者提供集中展示和推荐自有发布应用的窗口门户,方便开发者统一管理已发布的应用,便于分享和下载。
4)应用转移
提供包括开发权限和管理权限在内的应用权限相互转移手段。
5)插件管理
支持开发者更新管理自有的自定义应用插件,并在应用打包时选择,以充分复用开发成果。
其次,AppCan还是一个MBaaS平台(Backend as a Service),将服务后端化、应用前端化,同时以平台服务形式连接移动后端服务和前端应用。该平台可为前端应用整合移动基础服务(计算资源基础服务、推送服务、位置服务、统计服务)、各流行云和互联网开放平台服务、应用后端接入服务等。可以把MBaaS平台理解为建立在PaaS平台上的服务于移动应用平台,即时下流行的MBaaS平台架构。

AppCan MBaaS移动云服务层次架构
值得一提的是,AppCan3.0在计算资源基础、应用后端管理、后端接入等多个方面都有不俗表现。在计算资源基础服务方面,AppCan3.0为开发者提供代码SVN管理服务、应用数据存储服务。
在应用后端管理服务方面,提供云推送和云统计服务。云推送服务支持向iOS和Android应用作平台推送,并提供推送统计和推送历史查询。云统计服务通过用户行为数据对应用和终端的使用情况进行详细地分析汇总,提供基本统计、活跃用户、使用频率、使用时长、页面访问、地域分析、版本分析、渠道分析、设备分析、操作系统、分辨率、运营商、联网方式、自定义事件分析、终端异常分析等多种统计分析手段。
在应用后端接入服务方面,AppCan还拟通过独具特色的MAS后端服务接入总线技术,提供前端应用与其后端服务的部署对接能力,从而实现从应用开发、发布到部署的一站式平台支撑服务能力。
云的出现让内容和数据的管理、分享、存储都变得轻而易举,并能减少企业维护物理基础设施的成本,企业逐渐将自己的核心业务向云端迁徙。AppCan致力于帮助开发者实现快速开发、降低成本、稳定运行,云服务能力的增强将会更好地实现AppCan的初衷。
据悉,AppCan日后将进一步拓展平台能力,提供B2E/B2C应用的开发、编译、发布、部署、运营以及基础能力一体化平台聚合服务,构建完整MBaaS/MPaaS云服务能力。
好文章,需要你的鼓励
OpenAI最新发布了一系列ChatGPT工作效率提升提示模板包,涵盖撰写专业邮件、会议议程制定、根本原因分析等商务场景。这些现成模板旨在帮助更多用户认识到生成式AI在工作中的实用价值。提示工程师应关注这些模板,既可直接使用也可用于提升技能。使用时需注意隐私安全,选择合适的AI平台,并采用交互式对话方式获得更好效果。用户还应要求AI解释推理过程,仔细检查输出内容避免错误和幻觉问题。
美国认知科学研究院团队首次成功将进化策略扩展到数十亿参数的大语言模型微调,在多项测试中全面超越传统强化学习方法。该技术仅需20%的训练样本就能达到同等效果,且表现更稳定,为AI训练开辟了全新路径。
NRG能源公司通过收购智能家居公司Vivint、建立虚拟电厂网络,将传统电力服务转变为智能化体验。公司采用产品运营模式,整合业务与技术团队,利用AI技术优化客户服务和需求预测。面对德州等地因AI数据中心激增的电力需求挑战,NRG通过虚拟电厂和传统发电厂双重投资策略应对。这一转型展示了传统行业如何通过技术创新从商品化服务转向客户价值体验。
纽约大学等机构联合开发的ThermalGen系统能够将普通彩色照片智能转换为对应的热成像图片,解决了热成像数据稀缺昂贵的难题。该系统采用创新的流匹配生成模型和风格解耦机制,能适应从卫星到地面的多种拍摄场景,在各类测试中表现优异。研究团队还贡献了三个大规模新数据集,并计划开源全部技术资源,为搜救、建筑检测、自动驾驶等领域提供强有力的技术支撑。