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
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
Google DeepMind最新研究发现,视频生成AI模型Veo 3展现出惊人的零样本学习能力,能够在未经专门训练的情况下完成图像分割、边缘检测、迷宫求解等多种视觉任务。研究团队通过18,384个视频样本验证了这一发现,认为视频模型正朝着通用视觉智能方向发展,可能引发类似大语言模型的行业变革。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
北航团队开发的GeoSVR技术突破了传统3D重建方法的局限,采用稀疏体素表示和体素不确定性评估,无需依赖初始点云即可实现高精度表面重建。该方法通过智能的深度约束和体素协同优化策略,在DTU等标准数据集上取得了最佳性能,为VR/AR、文物保护、影视制作等领域提供了新的技术选择。