Blog

影响DevOps未来发展的五大趋势!

DevOps并不只是一个时髦的概念, DevOps并不只是一个时髦的概念,而是已成为软件是否高质量交付的衡量标准。借助DevOps,企业可以更快速地交付软件,更灵活地进行IT部署,最大化实现业务价值,这也是为什么在过去几年里,DevOps一直被热捧的原因。另外,DevOps能够快速发展,跟数字化时代的变革也有关系。在以云计算、大数据、人工智能等为主导的数字化时代,只有采用更完备的技术支撑体系,才能满足企业更高速发展和灵活性需求。从某种意义上来说,DevOps已成为企业在数字化竞争中能否获胜的最关键一环。 那么,到底什么才是DevOps的关键点?DevOps的未来发展有哪些新趋势?本文总结了五个关键点! 一、DevSecOps “DevSecOps”由DevOps演变而来,强调的是一种安全理念和模式。核心理念是,从软件规划、开发时,就要考虑安全因素,而不是软件交付之后,才考虑安全问题。维护软件安全,是整个IT团队的责任,包括开发、运维及安全团队中的每个人,贯穿软件生命周期的每一个环节。 虽然DevSecOps与小型初创企业的关系不大,但对于安全以及合规性有着严格要求的企业来说,比如:金融服务、医疗机构和政府行业,DevSecOps就显得尤为重要。这些行业在过去都有同一个挑战,那就是开发和安全团队是分离模式,负责安全的人通常在软件开发结束时,才发现安全问题,没有达到标准,只能推倒重来,反反复复浪费开发人员的时间。 DevSecOps理念可以改变这一现象,通过固化流程、加强跨部门协作,以及通过工具、技术手段,让安全属性嵌入到整条流水线。DevSecOps把重复性的安全工作融入到研发体系内,并进行自动化,进而把安全测试中存在的孤立性、滞后性、随机性、覆盖性、变更一致性等问题及早解决。 二、持续交付 如今,持续交付和持续部署已成为开发团队的标准操作流程,传统软件那种软件包的交付模式已成为过去式。 过去,软件开发的效率非常低,开发人员在完成一个开发任务后,就会把代码封装,待所有任务完成后,被打包到一个版本中。而在持续交付与持续部署模式下,对代码进行更改、集成和构建时,会更简单、高效。代码被自动推送到非生产环境中,以运行一系列用于生产部署的连续测试。简单理解,持续交付不用等待大型版本发布,IT团队需要推出更小、更频繁的版本。这样,软件可以更快地进入用户的手中,并允许团队更快地收集反馈,最终导致更快的上市时间,实现更大的业务价值。 三、云 我们可以看到,越来越多的企业开始把工作负载迁移到云环境,这已不是什么稀奇事。DevOps也从云应用中获益,通过云的模式,提高开发团队的工作效率。比如,开发人员只需通过一张卡或者一个按钮,就可以从云中获取资源。另外,通过云部署测试环境,让用户拥有更大的灵活性。 四、危机意识 现在,熟悉DevOps概念的IT经理或工程总监,已经随处可见。但在五年前,情况并非如此。 网络为人类的发展带来了太多的便捷,也让DevOps降低了门槛,人们通过网络就能轻而易举地获得DevOps方法和最佳实践。但是,这为企业应用带来了风险,竞争对手也可以通过开发者社区的模式,获得同样的方法和实践经验。换句话说,当满大街都是DevOps,DevOps也就不再是什么竞争优势了。 五、自动化 自动化是DevOps的核心内容。为了提高开发人员的效率,减少手动操作,一些可重复的流程必须要自动化。为了实现持续交付,代码会自动推送到连续的测试环境中,进行自动测试。一些兼容性测试、功能测试、性能测试等,都以自动化的方式执行,而不需要占用开发人员的时间。随着多云环境的增强,未来我们可能会看到更多跨云部署的可互操作的测试环境。 而是已成为软件是否高质量交付的衡量标准。借助DevOps,企业可以更快速地交付软件,更灵活地进行IT部署,最大化实现业务价值,这也是为什么在过去几年里,DevOps一直被热捧的原因。另外,DevOps能够快速发展,跟数字化时代的变革也有关系。在以云计算、大数据、人工智能等为主导的数字化时代,只有采用更完备的技术支撑体系,才能满足企业更高速发展和灵活性需求。从某种意义上来说,DevOps已成为企业在数字化竞争中能否获胜的最关键一环。 那么,到底什么才是DevOps的关键点?DevOps的未来发展有哪些新趋势?本文总结了五个关键点! 一、DevSecOps “DevSecOps”由DevOps演变而来,强调的是一种安全理念和模式。核心理念是,从软件规划、开发时,就要考虑安全因素,而不是软件交付之后,才考虑安全问题。维护软件安全,是整个IT团队的责任,包括开发、运维及安全团队中的每个人,贯穿软件生命周期的每一个环节。 虽然DevSecOps与小型初创企业的关系不大,但对于安全以及合规性有着严格要求的企业来说,比如:金融服务、医疗机构和政府行业,DevSecOps就显得尤为重要。这些行业在过去都有同一个挑战,那就是开发和安全团队是分离模式,负责安全的人通常在软件开发结束时,才发现安全问题,没有达到标准,只能推倒重来,反反复复浪费开发人员的时间。 DevSecOps理念可以改变这一现象,通过固化流程、加强跨部门协作,以及通过工具、技术手段,让安全属性嵌入到整条流水线。DevSecOps把重复性的安全工作融入到研发体系内,并进行自动化,进而把安全测试中存在的孤立性、滞后性、随机性、覆盖性、变更一致性等问题及早解决。 二、持续交付 如今,持续交付和持续部署已成为开发团队的标准操作流程,传统软件那种软件包的交付模式已成为过去式。 过去,软件开发的效率非常低,开发人员在完成一个开发任务后,就会把代码封装,待所有任务完成后,被打包到一个版本中。而在持续交付与持续部署模式下,对代码进行更改、集成和构建时,会更简单、高效。代码被自动推送到非生产环境中,以运行一系列用于生产部署的连续测试。简单理解,持续交付不用等待大型版本发布,IT团队需要推出更小、更频繁的版本。这样,软件可以更快地进入用户的手中,并允许团队更快地收集反馈,最终导致更快的上市时间,实现更大的业务价值。 三、云 我们可以看到,越来越多的企业开始把工作负载迁移到云环境,这已不是什么稀奇事。DevOps也从云应用中获益,通过云的模式,提高开发团队的工作效率。比如,开发人员只需通过一张卡或者一个按钮,就可以从云中获取资源。另外,通过云部署测试环境,让用户拥有更大的灵活性。 四、危机意识 现在,熟悉DevOps概念的IT经理或工程总监,已经随处可见。但在五年前,情况并非如此。 网络为人类的发展带来了太多的便捷,也让DevOps降低了门槛,人们通过网络就能轻而易举地获得DevOps方法和最佳实践。但是,这为企业应用带来了风险,竞争对手也可以通过开发者社区的模式,获得同样的方法和实践经验。换句话说,当满大街都是DevOps,DevOps也就不再是什么竞争优势了。 五、自动化 自动化是DevOps的核心内容。为了提高开发人员的效率,减少手动操作,一些可重复的流程必须要自动化。为了实现持续交付,代码会自动推送到连续的测试环境中,进行自动测试。一些兼容性测试、功能测试、性能测试等,都以自动化的方式执行,而不需要占用开发人员的时间。随着多云环境的增强,未来我们可能会看到更多跨云部署的可互操作的测试环境。

BAT云计算竞争殊途同归 国内一二梯队厂商差距明显

2月22日,百度首次披露云计算业绩:2018年四季度营收11亿元,同比增长超过100%,这让BAT将云计算竞争摆上了台面。2018年,因为头部企业竞逐产业互联网,云计算被提到前所未有的战略高度,腾讯、阿里和百度不仅先后调高云计算架构级别,腾讯和百度还紧随阿里公布了云计算营收。不过,三家的战略却不尽相同,行业老大阿里从提供技术到提供服务向上扩张,追赶者腾讯和百度则将技术和服务结合,强调自己在智能化和整体解决方案上的成绩,区别在于腾讯擅长将to B和to C服务结合,百度则更关注于AI。 战况曝光 继阿里和腾讯之后,百度成为第三家披露云计算营收的头部互联网公司,2018年四季度百度云计算营收11亿元,同比增长一倍以上,这给云计算追逐赛提供了又一个量化的参考。 财报数据显示,阿里云2018年(自然年)三季度营收56.67亿元,同比增长90%,腾讯2018年前三季度营收超过60亿元。由此估算,阿里云、腾讯云和百度云很有可能是国内云计算互联网厂商前三名。 不过,国内云计算一二梯队厂商的差距明显。根据IDC的市场调研数据,2018年上半年,阿里占据中国公有云IaaS 43%的市场份额,腾讯排名第二,为11%,以最新公开数据看,腾讯云的同比增速为100%,阿里云为90%,百度云为100%。 “差距主要是因为时间差。”比达咨询分析师李锦清认为。“2009年,阿里5.4亿元收购了万网,在当年这是阿里系最大的一笔投资案,让阿里云在短期内获得了规模化的企业用户。也就是在那一年,阿里云创立。” 当初的国内企业对云计算的概念还比较模糊,阿里云提供的服务也还在技术层面,更像是搭建基础设置。最典型的事件是2013年阿里内部不再使用IBM的小型机、Oracle数据库、EMC存储设备。实现去IOE化(即自己在开源软件上开发系统),直接催热了国产公有云服务。 等腾讯云和百度云分别自2013年和2015年开放运营时,阿里云营收已成规模。在2015年一季度首次披露业绩时,阿里云营收为3.88亿元,同比增长82%。此后至2018年一季度,阿里云几乎每个季度营收同比均超过100%。在阿里集团内部,阿里云也为非电商业务中增长最快的业务,2018年上半年营收突破100亿元。在国内市场,阿里云长期处在第一名。 阿里云在集团内的战略级别也不断提高。2018年11月,阿里云升级为阿里云智能,阿里CTO张建锋兼任阿里云智能事业群总裁。在2015年底、2017年1月和此次的架构调整中,阿里云的负责人均直接向阿里CEO张勇汇报。对比阿里最近两次架构调整,云计算也都是重点。其中张勇在2017年1月的架构调整中共提出6项变动,涉及云计算的篇幅是最大的一部分。 整装快跑 第二梯队的腾讯云和百度云由于错失先发优势,在近几年紧追慢赶,既有主动出击,也有被动调整。 在开放三年后,腾讯云在2016年效仿阿里云,投资了一系列企业级大数据、IaaS研发商等。2018年9月,腾讯新设立云与智慧产业事业群(CSIG),将从原来社交网络事业群(SNG)旗下的腾讯云业务、原SNG的音视频团队、优图AI实验室团队,原企业发展事业部(CDG)的智慧零售、原移动互联网事业部(MIG)的地图、安全、孵化器的互联网+业务进行整合。 这让腾讯to B业务第一次有了统一的入口,云计算因为是to B,是互联网企业做B端业务的基础,显得尤为重要。而在腾讯董事会主席兼CEO马化腾看来,腾讯to B业务应该从C的角度来考虑,这也一定是腾讯云的特点。 此后,提高云计算权重、披露云计算营收成了BAT的固定流程。2018年11月下旬,阿里云升级。1月后,百度智能云事业部(ACU)升级为智能云事业群组(ACG)。腾讯和百度还分别在2018年三季度和四季度披露云计算营收。 相比腾讯和阿里,百度云的起步最晚,到2015年才正式开放运营。按照百度方面的说法,百度云并非传统意义上的云计算,特别之处在于“AI人工智能+BigData大数据 +CloudComputing云计算”三位一体,弱化了基础云服务,而是以百度大脑为后台引擎,集成Apollo、DuerOS平台解决方案能力,面向企业级市场,实现百度AI能力在各个行业快速落地。 “可以看出,腾讯和百度强调了服务能力,而不是简单地提供技术支持。”李锦清说,“这个策略适合追赶者,云计算市场已经被开垦出来,企业的需求开始多元化,云计算厂商也需要做出调整,另外腾讯和阿里在各个领域的开放平台也需要云计算来支撑,帮助两家实现解决方案的落地。” 潜力指针 互联网厂商对云计算的狂热追逐,是移动互联网竞争从消费互联网走向产业互联网的必然结果。 亿欧副总裁由天宇曾拿阿里云举例,“阿里云在集团内部孵化了很久,可以说云计算是最重要也是最大的to B市场。这也是为什么亚马逊、微软、谷歌等国际巨头都很重视云计算的原因”。 与当年互联网普及期一样,搭建基础设备是一切服务的根基,云计算则是互联网企业做B端业务的基础。腾讯总裁刘炽平把云计算和产业互联网的关系描述得更直接,“产业互联网最初的营收机会还是来自云业”。 动力来自于国家层面的支持,还来自于并未确定的市场格局。 2017年4月,工信部印发《云计算发展三年行业计划(2017-2019年)》提出发展云计算的总体思路、发展目标、重点任务和保障措施;2018年7月,工信部再次印发《推动企业上云实施指南(2018-2020年)》从各方面支持和保障企业上云。 市场规模和份额带来的刺激则更直观。调研机构Canalys数据报告显示,2018年全球云计算市场规模达到804亿美元,同比增长46.5%。阿里云和腾讯云分列全球市场份额的第四和第九名。其中阿里云在2018年营收为3.2亿美元,市场份额4%,前五名之外的其他厂商市场份额超过35%。业内人士认为,这说明市场格局并未确定,在全球IT基础设施加速向云转型的大趋势下,排名前十的云计算服务提供商依然会有较大的市场机会,只不过从前五名之外厂商的同比增长率来看,机会窗口期正在缩小。中国云计算市场被公认拥有巨大的潜力。据IDC最新数据显示,2018年上半年中国公有云市场规模超过30亿美元,其中IaaS(基础设施即服务)市场同比大幅增长83%。

提供云计算数据管理全部功能的混合部署

如今,云计算显著地简化了组织在二十年前管理和访问应用程序、数据和基础设施的方式。云计算将越来越简单,而且降低了成本,提高了灵活性,这是一张黄金门票。但是在通往云端的过程中发生了一件有趣的事情,那就是偶然发现了一个由多云、内部部署和大数据解决方案组成的混合世界。 云计算的承诺满足了复杂性增加的现实。服务器托管新的现实导致了数据管理的挑战,信息生活在多个IaaS、PaaS和SaaS云中,因为组织正在努力“为工作选择合适的云。”一种选择是AWS,另一种选择是微软Azure,第三种选择是谷歌云,而Salesforce则是第四种选择,所以数据分散在所有这些云平台中。 公共云和私有云以及Google BigQuery、Amazon Redshift和Snowflake弹性数据仓库等分析云增加了多云和数据管理挑战的复杂性。随着组织继续快速采用云服务,多云复杂性将会增加。 例如,调研机构Gartner公司预测,到2021年全球公共云服务收入将达到3025亿美元,这几乎是2017年总收入的两倍。同时,IDG公司发布的2018年全球云计算研究报告发现,到2019年,10家公司中有9家将在云端至少拥有一些应用程序或基础设施。 然而在可预见的未来,任务关键型内部部署系统仍将保留,他们需要与云中的系统进行互操作,以交换数据并支持流程自动化。云优先组织可能会在云中占据一席之地,但在未来的许多年里将会保留内部部署数据中心。 在混合多云环境中管理数据 随着数据在多个公共云和私有云以及内部系统中累积,组织正在提出棘手的问题,例如: 如何确保跨多种IT环境的互操作性? 如何在所有应用程序中提供干净、一致、完整和可信的数据视图? 如何有效地检测和保护敏感信息? 当混合多云环境中存在数据时,如何使数据统一、可访问和可操作? 随着混合多云环境中数据的增加,业务和IT的风险也会升级。如果没有一个整体的,治理良好的方法,组织会面临诸如业务分析和客户体验管理(CXM)等用例的复杂性。 客户关系管理(CXM)如何演变为客户体验管理(CXM) 客户关系管理(CRM)系统在20世纪90年代初期开始流行,不是管理客户关系,而是管理与客户相关的业务运营。客户关系管理(CXM)系统旨在捕获和解释客户数据,其中包括结构化和非结构化的客户关系管理(CXM)系统,使企业能够捕获、保存和分析有关客户的数据,以便洞察可以带来更好的参与度。然而,单独的客户关系管理(CXM)系统可能会提供虚假的安全感,因为它们承诺提供出色的客户体验,但往往缺乏清晰、一致,完整和可信赖的客户视图,这在多云环境中得到了突出和放大。 如今,客户体验管理(CXM)已经演变成一个新的学科,称之为客户体验管理(CXM)的更专业的附加功能,例如用于确定“最佳下一步行动”的算法,可以在客户参与度、收入和忠诚度方面取得显著成果。要做到正确的客户体验管理(CXM)需要无缝的互操作性,数据治理和数据交换,特别是营销应用程序存在于一个云平台中,而第三个云平台中的商业智能工具和数据仓库以及ERP应用程序仍保留在本地。 由于这种程度的分散,实现销售和营销团队需要了解客户,预测他们的需求以及通过正确渠道进行相关,及时地互动所需的360度客户视图变得更加困难。使用API、人工编码和以应用程序为中心的工具的传统和有限集成技术不太适合解决混合多云环境中的数据管理问题。 业务流程核心的下一代方法 各行各业的领先组织正在采用下一代方法。其中一个例子是Genomic Health公司,这是一家位于硅谷的基因组诊断测试提供商,可帮助优化癌症治疗。Genomic Health使用跨多种系统的智能混合数据管理,包括基于云计算的Salesforce和内部部署应用程序,这些应用程序容纳大量敏感的患者、医生、临床和其他信息。 智能混合数据管理对于像Genomic Health这样的云计算首屈一指的全球性公司尤为重要,其基因表达测试有助于指导全球900,000多名癌症患者的治疗决策。它还支持Genomic Health公司的计划,即增加新业务,更好地了解和吸引医生,并在国际范围内进行扩展,同时保持合规性。 在云优先的世界中,基于云计算的集成PaaS非常适合解决混合多云环境中的集成挑战。 集成PaaS需要超越基本的应用程序和数据集成,以满足云计算数据管理的全部功能,其中包括: 数据质量。确保数据准确性,消除重复,并不断纠正问题,以确保业务具有可信和场景信息。 主数据管理。跨所有数据源(包括交易和交互数据)提供有关业务实体(例如,客户、供应商、合作伙伴)的数据的360度视图。 数据隐私和保护。帮助快速识别敏感数据,修复人工智能驱动建议的问题,并遵守法规和数据安全策略。 如果没有这些功能,组织就会面临可能破坏业务目标的数据缺陷。随着物联网、人工智能、区块链、加密货币等技术的成熟,它们无法应对持续变化。 这里的机会是在混合多云环境中引入基于元数据驱动的人工智能基础的数据管理,以对抗复杂性,并确保数据完整、准确和最新。 这可以立即带来更好的客户关系、明智的决策和运营效率。此外,IT可以为企业的数据管理实践提供面向未来的适应性,适应下一波IT颠覆性发展。最后,黄金门票可能不如为业务选择合适的云平台那样简单,但通过智能混合数据管理,企业可以为成功发展铺平道路。

混合云的演变和进化

近年来,IT决策者和战略家都在关注云计算。但是,具有安全意识的组织仍然对将工作负载和数据迁移到云端犹豫不决。然而,随着云计算背后的基础技术,云计算的新模式正在商业中引起关注:混合云。 人们都知道,混合云是公共云和私有云部署的组合。有了这个,组织可以在私有云上存储受保护和敏感的数据,同时利用来自公共云的计算资源来运行存储此数据的应用程序。 但是,自2010年以来,混合云的障碍比预期的要多。尽管如此,无论遇到什么障碍,混合云都被广泛采用。如今看看当今混合云的位置。 组织正在转向混合云解决方案 重要性和摄入量正在迅速增加。企业日复一日地意识到不同的云计算托管解决方案之间存在很大差异。它只不过是大规模虚拟化。正因为如此,许多私有云提供商未能实现其目标和目标。组织希望能够利用公共云的计算资源,因此正在转向混合云。在混合云的帮助下,IT专业人员现在拥有了工具和技术,这些工具和技术将帮助组织以更低的成本以更快的速度进行创新。 混合云组织的满意度 有些企业认为他们对混合云解决方案非常满意。单独使用私有云和公共云是很好的,但是对于某些企业来说,提供服务的组合似乎非常具有挑战性。应重新考虑应用程序和数据架构。有时也需要进行调整。部署、监控和管理不是一次性过程。组织需要监控和管理工具。此外,IT专业人员还应具备新技能以及在混合环境中操作的旧技能。拥有强大的DevOps团队的组织几乎已经克服了这些障碍,从而拥有了通向混合云的平稳路径。这只是一个例外,而不是具体的规则。因此,在财务管理、业务支持和遵从性方面需要经历很多学习。 混合云的好处 混合云以降低成本和提高速度而著称。但是,提供和适当的管理非常重要,否则,在任何时候,这些好处都可能是灾难性的。混合云的一个重要好处是可以轻松访问内部部署。它没有通过公共互联网连接。如果与公共云相比,混合云在很大程度上减少了延迟和访问时间。混合云具有内部计算基础设施的能力,可支持企业业务的普通工作量。除此之外,它还能够在可能发生故障转移的情况下保留公共云的利用功能,其中工作负载超过私有云元素的计算控制。有了这些组织,只有在需要和消费时才能获得额外的计算资源。选择公共云的全年都有突破性的企业需要更多的计算时间,而不是构建一个大多数时候都没有效率的私有基础设施。 通过在服务器设计中扩展混合云的私有元素,可以确保灵活性。组织可以以较低的成本实现快速存档和存档存储。 为何选择混合云? 除了极大地促进工作场所的连接性之外,混合云还帮助管理文件。重要的是,企业必须吸收各种业务流程。使用混合云,IT专业人员比选择结构化的公共云对私有组件和公共组件具有更多的控制。这种结构化的和打包的解决方案在不事先通知的情况下会遇到频繁的更新和变化。对于考虑安全性非常重要或独特的物理存在需求的广泛组织来说,采用混合云是一种有效的策略。 下一步是什么? IT已从技术经理转变为解决方案提供商。在整个过渡期,混合云发挥了非常重要的作用。借助上述优势,混合云将使公司能够轻松应对公共云运营、安全和财务管理。在感到舒适的同时,他们肯定会遇到挑战和障碍。没有什么是容易获得的。在接下来的五年中,企业将把大部分技术堆放到公共云中。此决定不会由共享资源和经济利益触发,而是可以根据自己的条款和条件自由选择最佳云计算提供商。依赖于云计算的技术(如实时分析,物联网(IoT)和协作)将有助于发展客户关系,企业将再次需要公共云解决方案来满足不断变化的需求和环境。随着从私有数据中心向公共云的转变,公共云将从区域焦点转变为本地焦点。 部署混合云将是云计算发展的下一个重要阶段。赌注很高。部署混合云解决方案的组织将比市场对手在效率、快捷性、弹性和竞争优势方面获得好处。而现在正是开始规划未来、攀登混合云云计算阶梯的最佳时机。

兴起的边缘计算和雾计算成为具有开创性的技术

如今,从虚拟化服务的日益普及到云计算服务平台的广泛采用,IT运营正在进行重大改革。而在网络边缘处理数据是在使用物联网设备时提高应用效率的最佳方法之一。传统的技术和方法将会颠覆性的新技术所替代。边缘计算和雾计算成为目前正在兴起的两项最具开创性的技术。 雾计算和边缘计算强调处理靠近网络边缘的数据,服务器托管而不是将数据发送到中心。使用雾或边缘计算可以减少往返时间,并显著提高关键应用程序的性能。正是出于这个原因,到2022年,雾计算市场规模预计总收入将达到33亿美元。 在边缘计算领域也将有大幅度增长。例如,调研机构IDC公司表示,到2025年,在边缘计算运营模式下,45%的全球数据将位于网络边缘附近。边缘计算和雾计算的性能优势正在引领企业采用新的解决方案。 边缘和雾计算的采用是由对当前使用的云服务模型进行改进的愿望所推动的。云计算服务市场规模巨大。2018年,云服务市场从2017年的1453亿美元增长了21%。云计算市场可能由AWS、谷歌云和MicrosoftAzure主导,但这并没有阻止边缘和雾计算成为云计算的下一个逻辑步骤。 这些技术的主要吸引力在于性能。减少来自应用程序的请求的往返时间可以减少延迟并为最终用户提供更好的服务。SaadKhan、SimonParkinson和YongruiQin在一项研究中指出,思科公司正在使用雾计算来提高网站性能。FOG节点不必为每个HTTP请求对内容、样式表、重定向、脚本和图像进行往返访问,而是可以帮助获取、组合和立即执行它们。 许多知名的组织已经做出了转变,其中包括文件共享行业先驱Dropbox公司。多年来,Dropbox一直在改进定制的边缘代理架构。这种架构是一组服务器,用作用户进行TLS和TCP握手的第一个网关,并部署在POP(存在点)中,以提高用户访问Dropbox的性能。 物联网设备的增长 边缘计算和雾计算增长背后的催化剂似乎是物联网设备的使用越来越多。这些设备允许个人和企业以前所未有的方式将物理设备连接到网络。就技术而言,物联网设备正变得越来越受欢迎。爱立信公司进行的研究表明,未来物联网设备将会超越手机。 目前,从智能照明到空气污染监测器,物联网设备有各种不同的形状和尺寸。消费者和企业都有大量的设备。这些设备的使用增长远远超出了云计算所能容纳的范围。 拥抱物联网设备是在竞争中发挥战略优势的好方法。94%已实施物联网设备的企业已经看到了他们对物联网投资的回报。对这些设备进行编组以提供新服务或改进过时程序,有助于现代组织大幅增长。 网络边缘的漏洞 尽管对于边缘计算的预测看起来很明显,,但也并非没有问题。其中一个问题是安全性。将重要设备移向网络边缘会为网络带来不同的易受攻击的点。雾计算运动相对较新,这使事情变得更糟。 雾计算是一个未知的实体,其中存在许多重大的安全风险。一项研究指出,由于雾节点位于终端用户附近,并且可以收集比核心网络中的远程云更敏感的信息,因此雾计算中的隐私面临巨大挑战。 这些雾节点的开放性是雾计算起步较慢的一个重要因素。但是,通过控制对雾节点的物理访问,可以降低对雾节点的安全风险。云计算的安全漏洞对阻止雾计算的进展没有太大作用。 边缘计算和雾计算:取代云计算? 尽管人们可能会被边缘计算的大肆宣传所吸引,但重要的是要认识到它并非没有自己的一套约束条件。正如云服务并非万无一失一样,边缘计算系统和雾节点也无法抵御攻击或篡改。建议向边缘或雾计算过渡的组织应当自我进行当前最佳实践的教育,以保护其免受外部威胁的侵害。 此时,基于处理靠近网络边缘的数据的性能优势和物联网设备的使用增长,边缘计算和雾计算的市场增长似乎是不可避免的。希望尽最大努力集成物联网设备的公司需要以某种形式部署边缘计算以跟上市场竞争。 在使用物联网设备时,处理网络边缘的数据是提高应用程序效率的最佳方法之一。愿意在管理边缘计算和雾计算的安全风险方面进行自我教育的组织可以保证最大化其结果,同时最大限度地降低利用该技术的风险。虽然云计算模型在某些情况下可能表现不佳,但它们在现代网络中仍然占有一席之地。云计算服务非常适合为分散用户提供可从世界任何地方访问的集中服务。虽然那些追求最佳性能的组织可能会开始采用边缘计算,但云计算在可预见的未来仍将存在。

云计算如何让企业业务更加安全?

随着云技术和互联网的不断发展,云计算技术跟随互联网的脚步不断发展起来,现在越来越多的企业加入到了云计算的开发当中。就国内云计算产业来说,近些年在云计算的学术领域、技术应用领域多诸多方面都进行了非常多的探索和尝试,现在我国的云计算技术已经发展到了一定的阶段。 那么云计算如何让企业业务更加安全呢?对此哟屋昂有表示称,企业的数据安全是一个很受重视的方面,只有企业数据安全得到了保障,企业才能保证业务的顺利展开。企业内部的数据访问比较复杂,用户账户和信息资源的高度集中就会出现数据丢失的可能性,也可能会出现较大的安全风险。传统方式的企业会将数据存储在一台服务器上,而云计算采用的是分布式架构,将数据均匀分散存储在多台独立的设备上,提高了可靠性和安全性。 当企业数据因为误操作而威胁数据完整的情况时,系统也会做备份处理,出现问题可以及时回复数据。如果是因自然灾害等不可控的因素,元计算也远强于企业自建设置,坚固、安全的大型数据中心,使得数据丢失导致业务中断的可能性降低。 云计算服务商有完善的监控和防范机制,当出现异常情况时可以提前发出警报,为企业争取了挽救的机会,及时将企业敏感信息保护起来。

让大数据说话 创新转换文化产业咨询管理思维

随着移动互联网的高潮迭起,全国数据量呈指数级高速增长,中国互联网再次进入重大变革期,DT时代正在加速向我们走来,数据红利成为各行各业持续成长前进的核心逻辑之一。大数据环境下,面对新兴产业业态不断涌现、新型政府管理模式不断完善和新的企业需求不断迸发等多重产业发展变化,文化产业咨询管理者如何提升自身认知、管理和利用大数据的专业能力,促进各级政府文化产业管理创新和区域文化产业转型升级,显得尤为重要,这是一场商业模式及服务理念的颠覆式革命。模式之变,数字化政府管理模式是适应文化产业高质量发展的必然选择 一直以来,各地政府对文化产业的管理给人留下了“务虚不务实”的刻板印象, “摸不清家底、政策照搬照抄、产业标准模糊不清、信息壁垒大量存在、网络舆情分析应对能力弱、产业监管手段滞后”等诸多问题根深蒂固。在当今信息化时代,大数据技术手段为优化政府管理模式、提高政府管理效率提供了前所未有的机遇,各级相关政府机构充分利用大数据推进文化及文化产业治理体系和治理能力现代化势在必行。 面对新机遇、新趋势,政府不仅仅是促进大数据产业繁荣发展政策的制定者,更是大数据技术应用的领头实践者。相关部门、相关单位、相关人员,积极践行以大数据智能化为引领的文化及文化产业治理战略,在文化产业政策制定、文化市场监督执法、文化产业招商引资、文化人才培养等方面加强大数据智能化应用探索,搭建文化产业大数据平台,真正数清楚区域文化资源、文化企业、文创人才数量,搞清楚特色产业优势产业的产业集中度、市场占有率、产业链分布等关键性指标,弄清楚各类市场主体发展过程中的各项经营管理数据,看清楚全网覆盖、及时抓取的舆情信息,通过大数据技术手段在落实政策和发现问题、解决问题过程中实现精准发力、及时调整,对政府快速适应和应对文化产业高质量发展要求具有至关重要的作用。 角色之变,智库机构由政府军师向区域产业战略精准创新盟友身份转变 20多年来,智库一直是推动中国文化产业快速发展的一支重要力量,在中国文化产业迈向高质量发展的关键阶段,中国文化产业智库也随之进入“去粗取精、去伪存真”的新阶段,新时代的角色定位与责任担当也在悄然发生变化。智库机构不再是单纯帮助政府写规划方案的执笔先生或指导区域产业发展的战略顾问,新时代的智库是利用自身研究实力、对产业发展本质和规律的把握能力,逐渐成为引领区域文化产业创新发展的资源精准聚合平台和一体化解决方案供应商,和政府一道问诊产业、把脉未来。在这个角色转换过程中,大数据将成为智库引导区域文化产业战略从“拍脑袋创新”到“精准创新”转变的最有力武器,致力于围绕大数据生态建设帮助政府部门实施大数据产业监测、大数据产业招商、大数据产业管理等战略创新和实践创新,将把中国文化产业智库事业推向更多样、更个性、更科学、更专业的新高度,而那些没有数据、用不好数据的咨询机构逐渐被淘汰。 方式之变,大数据为产业研究创造了高科技水平的新工具新技术新方法 利用互联网开放共享模式,基于AI、机器学习等先进技术,形成涵盖产业政策、工商登记、市场执法、税务、企业财务、新闻信息、投融资、产业人才、消费者行为等多维数据的立体化智能化数据平台,打造垂直整合、横向共享、多维应用的文化产业大数据生态体系,彻底实现全网、全量、全时段的产业数据集成效应。这是一种具有高科技含量的全新的文化产业研究工具和思路,能够帮助咨询机构和政府充分借助数据时效性强、处理速度快、获得信息全、分析准确等一系列文化产业大数据优势,跳出宏观统计、调研问卷、定性分析等传统数据统计和研究方法的窠臼,大幅提升产业数据的快速搜集和科学整理能力,有效避免了因政府信息孤岛、牛鞭效应、样本局限、人为干扰等因素导致的数据失真问题。对政府部门根据数据反映出的现象和问题及时作出针对性部署具有很强的现实意义,也对大数据更好应用到文化产业研究与管理领域具有巨大的示范意义。近水知鱼性,近山识鸟音。大数据概念大家耳熟目染,大数据价值日益彰显,政府也好,企业也罢,对大数据的学习和运用越来越有一种紧迫感。时代在进步,思维也要跟上,传统文化产业咨询管理模式和方法也到了迫切需要变革的地步,谁能紧紧握住大数据这把利剑,谁最先最快学会用大数据说话,谁就掌握了时代主动权。

我国大数据产业发展前景广阔,物联网将成为主要驱动力

2018年全球大数据储量达到33ZB(1ZB=1万亿GB),其中中国的数据产量占比最高,约占全球数据产量的23%,并且我国数据产量的增长速度十分迅猛,平均每年增长速度比全球快3%。我国互联网普及率超过60%,成为本轮大数据发展的主要驱动力我国互联网普及率稳步增加,服务器托管给我国大数据的发展奠定了雄厚的数据基础。如图1所示,2008年我国网民数量只有2.98亿人,之后便呈现出一路上升的态势,截至2018年底,我国网民数量已达8.29亿人,2008至2018年期间我国网民数量年平均增长率CAGR为9.75%。互联网普及率方面,2008年我国互联网普及率仅为22.6%,之后便稳步增长,2018年底达到了59.6%,预计2019年底,我国互联网普及率将突破60%。随着互联网市场饱和度的逐渐提高,我国互联网普及率的同比增速已经下降到较低水平,但整体网民数量仍在不断增加。由于网民数量不断增多,大规模的多样化数据资源被积累起来,为我国大数据产业的发展奠定了雄厚的数据基础。根据日前IDC披露的数据,截至2018年底,我国数据量为7.6ZB,相同时点美国的数据量为6.9ZB,预计2025年我国数据量将达到48.6ZB。 我国数据资源价值密度不断提高,促进我国由数据大国向数据强国转变 我国数据量庞大,但是整体价值密度较低。本轮大数据的发展主要得益于互联网的普及,随之而来的是我国数据资源价值量偏低、标准化与准确性偏低、整体利用率不高的现状。如图2所示,从2015年我国数据资源分布结构方面来看,数据信息价值量较低的娱乐数据占比最高为46%,其次是非娱乐图像数据占比37%,而数据信息价值含量较高的生产力数据与物联网数据合计占比仅为11%,尽管近几年我国物联网在逐渐发展,工业数据与物联网数据也在不断累计,但是由于物联网的发展尚处于探索阶段,高价值的物联网数据尚未呈现出爆炸式的增长格局,目前我国仍有将近一半的数据资源为价值含量较低的娱乐数据。 我国移动互联网市场规模增速放缓,物联网将成为下一轮数据信息爆炸式增长的主要驱动因素,并且会极大提高数据信息的价值密度。根据中国互联网协会发布的《中国互联网发展报告(2019)》显示,截至2018年底我国网民规模达到8.29亿,其中手机网民规模达到了8.17亿元,网民通过手机接入互联网的比例高达98.6%,但是随着移动终端的渗透率逐渐饱和,移动互联网市场增速开始放缓,如图3所示,2014年我国移动互联网市场规模同比增速高达183.84%,之后便呈现出连年下降的态势,2018年已经下降至38.4%。另一方面,我国物联网产业近些年来发展十分迅速,根据工信部披露的数据,2008年我国物联网市场规模仅为780亿元,2018年这一数字已超过1.2万亿元,年平均增长率CAGR为28.2%,目前依然处于高速增长阶段,物联网的发展必然伴随着局域连接与广域连接(包括蜂窝和LPWA)的爆发,并且叠加5G商业化落地的推动作用,联网终端会进一步增多,将会产生海量的生产力数据与物联网数据,在为我国大数据产业的发展持续提供巨大规模新增数据量的同时,不断提高数据信息的价值密度,从而促进我国由数据大国向数据强国转变。 我国大数据产业进入快速推进期,与云计算以及人工智能不断深入融合 我国大数据产业市场规模与产业规模增长迅速,进入快速发展期。2015年我国开始提出《大数据发展行动纲要》大力支持大数据产业发展,并于2016年将大数据上升为国家战略层次,得益于政策的重视与推动,近些年来我国大数据产业发展迅速,根据公开数据显示,2015年我国大数据产业整体规模2800亿元,之后便保持着年均30.34%速度扩张,截至2018年底,我国大数据产业规模增长至6200亿元,并且预测2020年突破1万亿元大关。 大数据与云计算以及人工智能结合紧密,未来会协同发展,不断深入融合。云计算是大数据的基础,大数据的特色在于对海量数据进行分布式挖掘,但是单台电脑在规定时间内无法实现大规模的数据处理,必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。大数据与云计算的结合共同促进了人工智能的发展,作为人工智能的基础层,大数据结合云计算能够对采集到的大量数据进行迅速而准确的分析与判断,从而对人工智能技术层以及应用层起到支撑作用。人工智能是新一轮的技术革命,未来发展空间巨大,人工智能的崛起必将促进大数据与云计算的融合度不断加深。 结语 大数据是信息时代的产物,时至今日,数据信息俨然成为了堪比石油、黄金以及钻石的战略资源,近年来相关政策日渐完善,我国大数据产业在技术以及应用等方面均取得了明显的进展,并且随着物联网的普及以及人工智能的发展,我国大数据产业必将迎来更加广阔的发展空间.

真正的大数据问题以及为什么只有机器学习才能解决它

为什么很多公司仍在努力构建从采集数据到获得洞察力的平稳运行的管道?他们希望投资和采用机器学习算法来分析数据,并做出商业预测。但是,不可避免的是,服务器托管他们应该意识到算法并不是魔法:如果采用的是垃圾数据,得出的就不会是一流的见解。因此,他们雇佣了一些数据科学家,但通常他们90%的时间都花在数据清洁上,只剩下10%的时间来完成分析工作。 这个过程的缺点还在于企业喜欢采用终端算法的机器学习。Tamr公司的联合创始人兼首席执行官Andy Palmer表示,他们应该在数据早期清洁阶段尽可能地应用机器学习,而不是依靠工作人员来处理庞大的数据集。该公司帮助组织使用机器学习突破他们的数据孤岛。 许多公司在大数据收集系统上花费了大量资金。他们强调的是数据数量而非质量,这是显而易见的。 Palmer说:“任何在大公司工作的人都可以告诉你,他们从大多数内部系统获得的数据很简单,简单明了。” Tamr公司联合创始人兼首席技术官Andy Palmer和SiliconSLE Media公司移动直播工作室CUBE的主持人Michael Stonebraker与Dave Vellante和Paul Gillin在会上进行了探讨,他们最近参加了在马萨诸塞州剑桥举行的麻省理工学院CDOIQ研讨会。他们探讨了大数据采用机器学习技术,以及为什么Tamr认为初创公司会比传统公司提供更好、更具可扩展性的大数据解决方案的原因。 大数据的清理和组织 Palmer和Stonebraker多年来一直关注大数据技术。早在2007年,他们就预测ApacheHadoop大数据框架不会带来很多人所期望的结果。 Palmer说,“有人说大数据将是一场灾难,这有些太激进了。” 他表示,这并不是说大数据集不好,显然大数据是训练分析模型和人工智能的必要工具。有些人认为,只要数据量够大,其余的分析或人工智能方面就会到位,但这让很多公司都感到失望。 企业现在意识到数据质量不可忽视。他们还知道,数据科学家不应该花费80%到90%或更多的时间清理数据,必须采用一种更好、更快的人工智能方法用于分析数据。 Palmer表示,其答案是将机器学习视为一种非常实用的工具,用于执行这些庞大而无趣的任务。许多供应商使用机器学习来使预测、推荐引擎等软件的营销更具吸引力。Tamr公司将其用于最不具吸引力的事情:在任何人分析、预测、营销或销售任何东西之前清理和组织大数据。 机器学习可以大规模处理数据 如今,并不缺乏针对数据沼泽问题的建议解决方案。许多科技公司正在推出或更新其原始产品。然而,Stonebraker指出,这些系统中通常使用的主要技术存在关键缺陷。这些传统技术包括ETL(提取、转换、加载)系统和主数据管理系统。但其缺点是不能扩展。 ETL基于这样一个前提:明智的企业会为用户想要的所有数据源提供全局数据模型。然后让每个业务部门查看他们获得了哪些数据,如何在全局数据模型中获取数据,将其加载到数据仓库中等等。Stonebraker表示,人工密集型流程往往无法扩展。他们通常会在数据仓库中集成10或20个数据源。 那么这些数据足够吗?以现实世界中的一家公司为例。TAMR公司的客户丰田汽车欧洲(TME)公司在各国都有经销商。如果有人在西班牙买了一辆丰田汽车,然后将其开到法国,那么其在法国的经销商对此一无所知。 总的来说,丰田汽车欧洲(TME)公司拥有250个独立的客户数据库,拥有使用50种语言的4000万条记录。该公司正在将它们集成到单个客户数据库中,以解决此客户的服务问题。机器学习提供了一种合理的方法来实现这一目标。Stonebraker说,“我从未见过能够处理这种规模的ETL系统。” Stonebraker解释说,主数据管理(MDM)无法扩展的原因主要是因为它是基于规则的。通用电气公司是Tamr公司的另一家客户,希望对其交易支出进行分析,该公司在去年有2000万笔交易支出,希望将所有这些分类为基于规则的层次结构。 “所以通用电气公司制定了500条规则,只采用了18条规则就将2000万笔交易中的200万笔进行了分类,但其余的400多条规则并不会像那18条规则那样更快地进行分类。” 他指出,这是收益递减规律。他说,“企业将不得不写出大量无法理解的规则,如果不使用机器学习技术,那么将会不堪重负。” Stonebraker承认,机器学习技术不是万能的。真正的数据驱动需要技术和文化的调整。事实上,据NewVantage Partners 公司的一项研究,77%的受访企业高管表示,尽管有大量新软件涌入市场,他们的组织很难采用大数据/人工智能计划。但这比去年的调查有所增加。这些高管列举了采用机器学习的一些障碍,其中95%是文化或组织方面的障碍,而不是技术方面的障碍。Gartner公司分析师NickHeudecker说:“企业需要为此制定一个计划,但大多数公司不会把大数据技术进行计划和处理。” Stonebraker表示,尽管如此,技术仍然很重要,并且可能在某种程度上述案例显示了通用电气公司数据科学家如何在高达90%的时间内过滤和分类,而不是致力于混合动力汽车或燃气轮机的开发和维修。如果大数据对于现实世界的企业来说是实用的,那么机器学习就是前进的方向。 他说,“必须用机器学习取代人类,因为人们都明白,大规模传统的数据集成技术根本不起作用。” 很多企业正在考虑这一点,并将机器学习打造成他们产品的核心。Stonebraker说:“总的来说,传统的供应商落后于时代10年,而创业公司可以提供尖端的产品。” 这种“尖端”的东西是否提供了一种简便的数据货币化途径?是否会弥补在数据沼泽中浪费的时间?Palmer指出,“我们正进入一个更快消耗数据的阶段。这一阶段是否会最终满足企业数据仓库的高期望?我不知道。但可以肯定离它越来越近了。”

大数据应用尚需打通采集与规范间的藩篱

数字技术是行业、机构发展的战略制高点。达沃斯发布报告显示,全球企业在数字化转型中投入超万亿美元,仅1%达到或超过预期。医疗行业的数字化程度更是远远落后于其他行业,埃森哲(Accenture)认为其尚不足交通等行业的20%“这并不是说医疗行业没有数据沉淀,恰恰相反,医疗大数据量增长已达到了PB级,但可用性不够。”宣武医院信息中心主任梁志刚表示,缺乏大数据质量校验和建设规范,使临床面临“无数据”可用的尴尬。 大数据的三大特质与应用挑战 每个人一生会产生无限量的医疗健康数据,全球医疗数据量预计到2020年将达到2.314PB,但数据的可用性不高,现阶段数据合格率能达到50%-60%的医疗机构在极少数。 “各行各业都在大谈大数据,‘繁荣’的背后容易轻视追溯大数据的本源,尤其是忽略大数据为谁服务。”梁志刚指出,我们需要的不是“死的”数据,而是要挖掘它的利用价值。单纯的数据汇集或是盲目的数据收集,不足以支撑大数据在决策支持、科研管理等方面的应用。 他认为,真正的大数据应具备三个特质:足够大的量级、多样性、有意义。但现阶段收集的医疗大数据,多为过程数据,属于离散的、不连贯的文本描述性数据,存在非结构化程度高,无法直接用于计算机分析和应用;数据录入也不规范、不完整,有的数据甚至是没有实际意义的,数据质量有缺陷。 “缺乏统一的标准规范、严格的校验机制与平台,没有好的数据治理观念,再多的数据也难以起到反哺临床的作用。”他认为,只有做到数据的标准化、统一化和智能化,才能推动数据的临床价值“变现”。 建立标准规范是大数据服务落地的重要前提 资本行业一直在描绘医疗大数据应用的蓝图;86%二级及以上医疗机构建立了规范化的电子病历系统;作为政策引导方,国家业已出台了数十条 “纲要”或“意见”,建立了医疗大数据初步利好的环境。 但具体如何落实到服务医生、服务患者层面?梁志刚认为,目前尚没有真正成功的大数据应用落地,其最大的壁垒在于缺乏标准和规范。 他介绍,政府层面虽搭建了大数据框架体系,如,居民健康档案、数据中心建设等,也发布了电子病历书写规范,对医疗文书、出院小结等作出了明确定义。这些工作为数据采集和规范奠定了基础,借助人工智能、深度学习技术的运算能力,大数据存取、处理和分析看似已水到渠成了。 “但政策引导是战略性的,缺乏对具体内容的内涵性定义,如果没有执行也是‘纸面’上的。即便AI在某些领域能够超越人类专家,技术始终绕不开路径规范。”梁志刚说,建立大数据的行业规范和标准细则,需要首先建立数据采集的规范。 “通过对数据元素的值域进行定义,利用信息化手段表达出来,建立以病种为单位的专科数据集,梳理出真正有用的数据信息,这是我们目前最需要做的事。”在他看来,标准规范建设可以自下往上,由企业或者行业来梳理,政府层面可以牵头组织,让行业规范上升为国家标准,从而推广至大范围应用。此外,大数据分析不能盯着“历史数据”,不能停留在数据收集上,更重要的是规范“明天的数据”,做好诊疗过程的标准化,从源头上对诊疗内涵质量和病历内容进行规范,减少垃圾数据的产生。

  • 4006-130-160
  • 在线客服
  • 扫一扫,有惊喜