目前,几乎三分之一的服务器都在运行Red Hat Enterprise Linux(RHEL,RHEL 7是平台的最新版本)。当然,正如IBM-Red Hat收购显示的那样,Red Hat已经不仅仅是Linux的,它还关乎对云的支持。而最新的RHEL版本——RHEL 7.7,通过其内置的混合云和多云支持来证明了这一点。
首先,我们来看看RHEL 7.7的Linux基础。据了解,RHEL 7.7将在RHEL 10年生命周期内进入维护阶段I(Maintenance Phase I)。维护阶段I强调维护生产系统的基础架构稳定性和可靠性,未来的次要版本将全部涉及安全性和稳定性补丁。如果你需要新功能,请等待RHEL 8。
当你想要实现这一目标时,Red Hat提供的迁移工具(包括就地升级)可以从RHEL 7.x转换为RHEL 8。但是不用担心,你的RHEL 7将能够一直使用到2024年。
从现在开始,你可能不需要再重新启动RHEL 7.7实例。因为它引入了实时修补Linux内核支持,你可以使用它来应用内核更新,以修复紧急(Critical)或重要常见漏洞和风险暴露(CVE)。
RHEL 7.7最重要的更新是对最新一代企业硬件的支持以及最近披露的ZombieLoad漏洞的补救措施。但需要说明的是,RHEL对底层英特尔芯片问题却无能为力。这意味着你的处理器在许多作业上仍然将会运行得更慢。不过,从另一方面来看,所有操作系统似乎都是如此。
除此之外,最新的RHEL 7还包括网络堆栈性能增强功能。在此版本中,你可以将虚拟交换操作卸载到网络接口卡(NIC)硬件上。这意味着,如果你使用虚拟交换和网络功能虚拟化(NFV),将在云和容器平台(如Red Hat OpenStack Platform和Red Hat OpenShift)上获得更好的网络性能。
RHEL 7.7用户还可以使用Red Hat的新预测问题解决工具:Red Hat Insights。它使用基于软件即服务(SaaS)的预测分析方法,能够在系统出现问题之前发现、评估和缓解潜在问题。
对于开发人员,RHEL 7.7还附带了Python 3.6解释器,以及pip和setup工具实用程序。以前,Python 3版本仅作为Red Hat Software Collections的一部分提供。而未来,Python 3将成为RHEL 8默认的Python。换句话说,如果你仍在运行Python 2程序,那么现在就应该开始迁移到Python 3了。
RHEL 7.7 Red Hat Image Builder现在支持云中迁移。此功能也在RHEL 8中,使你可以轻松地为云和虚拟化平台(如Amazon Web Services(AWS)、VMware vSphere和OpenStack)创建自定义RHEL系统映像。
为了帮助云原生开发人员,RHEL 7.7在RHEL工作站上完全支持Red Hat的分布式容器工具包——buildah、podman和skopeo。在桌面上构建之后,程序员可以使用Red Hat Universal Base Image在混合云中构建、运行和管理容器化应用程序。
正如RHEL副总裁兼总经理Stefanie Chiras在一份声明中所说:“由于混合云作为关键任务工作负载的首选生产环境,因此保持所有IT足迹的稳定性和一致性是关键。”
截至目前,RHEL 7.7已经可以通过红帽的门户网站(Red Hat Customer Portal)提供给红帽企业Linux订阅用户。
好文章,需要你的鼓励
五家光学存储初创公司正在开发长期存储技术,旨在用超过100年寿命的光学介质替代只有5-7年寿命的磁带。这些公司包括Cerabyte、Ewigbyte、HoloMem、Optera和SPhotonix,它们的技术类似微软Project Silica项目。光学存储介质具有更强的化学、冲击、辐射、水和热抗性,同时保持低能耗和高容量特性。
卡内基梅隆大学团队提出DistCA技术,通过分离AI模型中的注意力计算解决长文本训练负载不平衡问题。该技术将计算密集的注意力任务独立调度到专门服务器,配合乒乓执行机制隐藏通信开销,在512个GPU的大规模实验中实现35%的训练加速,为高效长文本AI模型训练提供了新方案。
Nutanix发布分布式主权云产品组合更新,为多云环境提供更安全的运营和管理功能。该解决方案支持企业在分布式环境中灵活部署和治理基础设施,运行传统虚拟机、现代云原生和AI应用。新功能包括支持完全断网环境的暗站点管理、政府云集群正式发布、Kubernetes平台增强安全合规性、企业AI平台集成NVIDIA微服务,以及云平台新增跨站点灾难恢复能力,为用户提供统一管理和运营简化体验。
清华大学研究团队提出3DThinker框架,首次让AI具备类似人类的三维空间想象能力。该系统在推理过程中插入特殊的三维想象符号,不依赖外部工具或大量标注数据,就能从有限的二维图像中构建三维心理模型。在多个空间推理基准测试中,3DThinker相比传统方法性能提升达50-100%,为自动驾驶、机器人导航、虚拟现实等领域的AI应用开辟了新路径。