经过十多年发展,云计算已经度过了技术概念规划的初生期和功能架构设计的成长期这两个重要阶段,当前的公有云市场,可谓是异彩纷呈。不论是自主可控还是基于开源,国内与国外各家云厂商都已经开始发力向用户提供多种多样的公有云服务。这个时候,我们就面临着一个抉择——要如何去选择一朵云?
和购买商品一样,不同用户对产品会有不同的选择。比如本文作者喜欢在淘宝里挑选些价廉质未必优的产品考验自己的眼力;而有些人则喜欢去京东购物追求便捷安心;还有人中意去商场寻求品质和服务的保障。“云”的选择也是如此,不同人有不同的需求,要如何去进行选择?像商场里选衣服一样一个个去试可能并不是很好的方法。虽然公有云在架构设计时就考虑到了迁移的问题,但不同公有云的体系架构各不相同,不同公有云间的业务迁移也不是导一些数据,好像“换件衣服”那么简单,很有可能是脱胎换骨乃至于伤筋动骨的一件大事。因此,对公有云的选择必须要有的放矢。
这个“的”是什么?不同的人有不同的看法,做为一个评测工程师,选择公有云就是性能数据的比较——公有云的资源可扩展性虽然号称为无限,但具体到每台虚拟云主机上时,还是有限制的。只有了解到每台云主机的处理性能,才可以对整个云系统的应用处理能力进行分析。并且从应用处理能力的扩展便易度方面来讲,扩充云主机带宽要易于扩充云主机数量。前者只需要在控制台对外网接入带宽进行调整(现在还有很多云服务商,可以提供根据访问量自动调整带宽服务,更进一步减轻了用户带宽调整工作强度),而后者需要新建虚机、同步数据、进行访问应用的负载均衡,每一步都是一笔新增的投入。因此对于评测工程师来讲,云主机的好坏,就是看它可以干多少活,比数!
可是我们至顶网运维专家乐乐同学却有完全不同的观点,他并不过于关心云主机的性能数据,认为性能差距不是过大就可以了,关键是云计算系统的功能性和易用性——云计算系统所提供功能是否满足应用需求,管控方式是否便于应用。
而我们技术部老大的意见更直接——可靠、稳定!“我在用某云的时候出现了好几次网络中断,而现在的云一直没出问题。”嗯,这个理由确实强悍到让人无法反驳。可是不经过几次摔打,又有哪朵云可以称得上是可靠、稳定呢?
虽然存在着观点的分歧,但我们的目的都是一致的——对当前公有云平台进行最真实的展示。于是至顶网云能力评估小组由此诞生了。
云能力评估小组的首要任务是对当前公有云主机的Web应用处理能力进行评估,这也是至顶网本身云计算业务应用的一个最主要应用需求。同时,我们也正在开展一次广泛的云计算应用需求市场调研,对当前企业的云计算应用需求进行实际了解,为今后更进一步的云计算应用评估分析打下基础。
经过几轮技术沟通之后,云能力评估小组决定,在本次公有云主机Web应用处理能力评估中,选用听云来对不同公有云厂商云主机的外网Web应用服务能力进行评估。选用GeekBench软件对公有云主机的计算能力进行测试,内部网络传输和磁盘性能留待下次对云主机数据库应用时再进行测试。除了这些性能测试之外,云能力评估小组也将首次对公有云的用户应用体验进行体验和评估,力求将这些公有云的应用感受,更加真切的带给大家。
为什么在本次Web应用处理能力评估中,不对存储和内网数据传输进行评测?这个问题在我们测试报告中会详细和大家进行分析。实际上即便是云主机的计算性能,也是几经沟通后才得以加入进来。按照我们乐乐同学的话讲,网页访问实在是一个轻计算的网络应用。在很多大页面的访问中,根本不需要占用多少CPU的处理能力,带宽就已经占满了,所以在Web应用时,主要还是要看公有云厂商的WAN网的应用访问处理能力和管理控制台的易用性。但是,不占多少CPU占的到底是多少?在喜欢刨根问底的笔者强烈要求下,CPU的处理性能这一测试项目还是被强加了上来。
但正向我们乐乐同学所说到的,评估不是比数,某项指标高的实际应用时未必出色,还是要综合的去进行考虑才可以得到最真实的业务应用体验。我们云能力评估小组也希望可以通过这样的测试,可以将不同公有云厂商的云计算应用体验真实的展示给大家,使大家可以更加有针对性的去选择好“一朵云”。
————————————————————————
至顶网云能力评估小组是以至顶网技术部为主导,评测实验室为辅助的第三方媒体评测机构。云能力评估小组力求从用户实际应用需求维度出发,以客观、公正、真实、开放的态度,对当前云计算产品、技术及应用进行测试、评估和分析。以实际产品应用能力为基准,占在第三方的立场上,对当前最新云计算及相关技术,进行客观、公平、公正的评论,并将测试方法、测试结果和结论公开对外展示。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。