青云,这个成立不到三年的云计算服务提供商,一直是这一两年来中国云计算市场的焦点话题之一。青云在努力在多个场合传递自己的云计算理念,不管是在技术圈子热议的“软件定义”话题,还是在用户市场关心的云服务内容等,青云都塑造了一个独具特色的云服务供应商形象。
相比于青云前几次的“高调”发布,譬如宣布拓展PaaS市场,以及大幅度降价等,这次的Redis缓存集群服务发布则“低调”了很多,仅邀请了几家IT媒体,简单介绍了Redis这个服务内容。
青云联合创始人兼架构师林源,清华硕士毕业,曾在腾讯搜搜做图片搜索,后与黄允松等创立青云
青云Redis缓存集群服务是对青云第一个PaaS服务器——RDS关系型数据库服务的补充。Redis本身是一个内存数据库服务,主要面向使用青云数据库服务,但需要更高性能的企业用户。
目前青云仅有一个MySQL数据库服务,Redis缓存服务可以有效提高数据库类型服务的性能。比如,由于MySQL数据库本身的设计局限,以及磁盘存储本身的性能瓶颈,使得这一服务难以满足一些应用提出的苛刻性能需求。底层IaaS资源与上层RDS服务之间需要有Redis这一缓存服务来构建一套完整的解决方案。Redis这一内存数据库本身已经经过市场的验证,青云在发布RDS数据库服务之后,再发布Redis缓存服务既理所当然,又顺理成章。
青云Redis缓存集群服务基于Redis 2.8.17版本,这是一个标准版本,企业用户在自有环境内有使用Redis技术的话,其可以完整地迁移到青云之上,无需重新搭建部署。除此之外,青云Redis缓存服务强调集群的作用。
青云Redis缓存服务本身是一个集群服务,并将这一集群概念直接展现给用户,以便于更加灵活的选择部署。用户在使用Redis缓存集群服务时可以选择任意个节点,譬如一个Master节点和多个Slave节点,这样的好处在于,随着工作负载的变化,用户可以随时伸缩,以实现性能与成本的平衡。
同时,在扩容方面,青云Redis缓存服务提供了两种在线扩容方式。因为集群的概念,青云Redis缓存服务可以增加节点数据来实现Scale-out横向扩展,这样可以直接增加读性能,满足前端应用提出的更高性能需求。另一种方式则是Scale-up扩容,这一方式可以增加青云Redis缓存容量,以满足更大存储空间的需求。
不管在哪个领域,只要涉及到数据,数据安全都是一个老生常谈的问题。尽管青云Redis是一个缓存集群服务,多节点本身可以保证Redis集群的可用性,但青云仍提供了譬如数据备份的功能,用户可以通过自动或者手动备份的方式,来保障由于生产过程中误操作带来的数据灾难。而青云平台本身给用户提供的是二层隔离的私有网络,不管是Redis缓存集群服务,还是之前的RDS数据库服务都是运行在这个二层私有网络之中,这可以避免数据泄露风险。
此外,青云Redis缓存集群服务还提供监控与告警功能,以协助用户更好地管理。
青云Redis缓存集群服务提供的监控功能界面,用户在Redis运行过程中,可提供诸如内存使用量。QPS、Key数量、操作次数以及网卡进出流量等数据信息
在告警方面,用户可根据自己的实际情况设置阈值,当触发阈值之后,可通过短信或邮件的形式通知用户。而在接下来的时间,青云还会提供自动扩展(Auto Scaling)的服务,这是一个通用框架,通过这个服务,可以触发集群的自动扩容。而稍后的Redis缓存服务将提供一个用于数据迁移到功能,利用这个功能,用户可便捷地将数据迁移到青云上。
青云希望做一个通用PaaS平台,而就目前而言,仅有的两个PaaS应用(MySQL数据库和Redis)还远远不够,其还需要补充更多的服务。比如仅数据库服务方面就需要青云做更多的工作,目前青云仅提供MySQL数据库,而其他诸如PostgreSQL,甚至Oracle RAC等,都在考虑范围之内。
实际上,据透露,PostgreSQL将是青云下一个即将发布的数据库服务。而Oracle RAC也将在未来一段时间提供。由于Oracle RAC的性能优化需要与SAN存储相结合,据称,青云将在2015年1月左右发布一个名为Virtual SAN的IaaS服务。这是一个将青云中的特定存储资源视作一个块设备提供给数据库应用。在提供这一服务之后,Oracle RAC还会远吗?也许答案要问青云的用户。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。