—— 平台工程 ——
“DevOps 已死,平台工程才是未来!” 去年,知名软件工程师兼 DevOps 评论员 Sid Palas 在推特上发出呐喊。
他的核心观点是:开发者不想跟基础设施打交道,企业在发展过程中又需要控制自己的基础设施;只有平台工程,能将这两个相互矛盾的命题统一起来。这一观点引发了开发者们的激烈讨论,平台工程正在崛起。
简单为大家介绍一下平台工程(Platform Engineering)的概念。
平台工程的发展背景

平台工程的定义
Kubernetes 在平台工程中扮演的角色
—— Rancher Prime ——
为平台工程体系提供强有力支撑
Rancher Prime 的混合云 K8s 管理能力
Rancher Prime 研发之初的核心理念就是多云管理,因此,产品进化至今,在历经近上千个 release 后,Rancher Prime 在多云多 K8s 集群管理领域已然遥遥领先,可以随时随地管理和部署任意位置的 K8s 集群。

Rancher Prime
Rancher Prime 面向多集群的中心化多租户体系
Rancher Prime 具备一套成熟的面向多集群的中心化多租户体系,可以轻松抽象用户访问权限。这为平台工程内的开发人员提供了良好的隔离环境,让他们可以灵活使用自己的开发环境,而不影响其他开发人员。

Rancher Prime 多租户体系

Rancher Prime 认证体系对接
NeuVector 全生命周期的平台安全保障
在构建内部开发人员平台时,平台安全始终是需要优先考虑的问题。NeuVector 提供了全面的全生命周期、零信任容器安全体系,在整个容器生命周期中持续扫描,以消除安全隐患。在内部开发人员平台构建之初就应制定安全策略,从而最大限度地提高开发人员的灵活性。

NeuVector
NeuVector 的安全保护包括供应链安全和运行时安全,在供应链安全范畴内可以对容器镜像、K8s 主机资源进行合规扫描,同时将 K8s 的准入控制机制与 pipeline 流程相结合,实现准入控制。

NeuVector 安全体系
在运行时安全层面可通过容器微分段、DLP、WAF 等防护手段,确保内部开发人员平台安全性。

NeuVector 可在所有经过 CNCF 认证的 K8s 平台上独立使用。在与 Rancher Prime 结合使用时,只需点击几下即可安装和使用 NeuVector,并对整个 Kubernetes 环境进行安全保护。

NeuVector with Rancher Prime
Rancher Prime 和 NeuVector 产品体系的组合,可以让平台工程团队更容易构建自己的内部开发人员平台,让开发工程团队专注于业务代码开发,而非深度对接基础设施,同时也能保障平台的安全性。
—— 典型案例 ——

育碧(Ubisoft)于 1986 年在法国成立,是全球知名的游戏制作、发行和代销商,业务遍及五大洲,在全球拥有 40 多个开发工作室。
育碧鼓励开发团队在 Kubernetes 中开发云原生微服务,不久之后,创新项目激增。由于有的团队面向私有云进行开发,有的团队面向公有云进行开发,因此公司需要拥有统一的开发方法。
基础架构团队希望在公司内部构建一个中央 Kubernetes 配置平台,从而实现大多数流程的自动化。当 UKS(Ubisoft Kubernetes Service)诞生时,这一愿景成为了现实。这个基于 Rancher Prime 的自助式 Kubernetes 平台让成千上万的开发人员能够以可控、集中管理的方式即时启动新的 Kubernetes 集群。
通过使用 UKS 和 Rancher Prime,开发人员可以自由地为任何云环境进行开发,而不必手动管理许多基本部署过程。Rancher Prime 实现了这些基本功能的自动化,并大大简化了开发生命周期。
从效率的角度来看,UKS 让开发者的工作更加轻松。与原来的手动方式相比,大幅提高了开发速度,减少了管理时间。与以往需要耗费几天时间相比,通过 Rancher Prime 配置集群并将其托管在本地,平均仅需 10 分钟。最重要的是,整个公司的 Kubernetes 集群现在都通过统一的平台进行管理。
目前,育碧的 K8s 集群已经超过 200 个,随着越来越多的团队使用 Kubernetes,这一数字将持续上升。未来,育碧 IT 建设的重点是创建一个托管解决方案,以优化基础设施的使用,提供多租户集群并减少运营负担。
—— 未来展望 ——
无论是 DevOps 还是平台工程,都要求基于 K8s 的底层平台具备安全性、灵活性、稳定性、先进性。因此,2023 年,SUSE 企业容器管理团队将在如下几个方面持续提升产品体验,以回馈企业用户及社区用户的信任:

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。