۱۶ نوآوری غیر قابل مقاومت در ابر

در پشت مدل قیمت‌گذاری مبتنی بر پرداخت، ابر عمومی مملو از جدیدترین و بهترین ابزارهای توسعه، توسعه و هوش مصنوعی برای ساخت برنامه‌های بهتر و هوشمندتر سریع‌تر است.

وقتی به ابر عمومی فکر می‌کنیم، اغلب اولین چیزی که به ذهنمان خطور می‌کند مالی است: انتقال بار کاری از مراکز داده نزدیک به ظرفیت به ابر، هزینه‌های سرمایه‌ای (CapEx) را کاهش می‌دهد اما هزینه‌های عملیاتی (OpEx) را افزایش می‌دهد. این ممکن است برای مدیر مالی جذاب باشد یا نباشد، اما برای توسعه‌دهندگان، عملیات‌ها یا کسانی که این دو را به عنوان devops ترکیب می‌کنند، دقیقاً جذاب نیست.

تکنولوژی Spotlight:
Hybrid ابر

• موانع ابر ترکیبی — و نحوه رسیدگی به آنها (CIO)
• Hybrid-Cloud ابزارهای جدیدی برای نظارت بر عملکرد می خواهد (دنیای شبکه)
• ۵ چالش برتر امنیت ابر هیبریدی (CSO)
• ۱۶ نوآوری غیرقابل مقاومت در ابر (InfoWorld)
• نحوه انتخاب پلت فرم مدیریت SaaS (جهان کامپیوتر)

برای این افراد، رایانش ابری فرصت‌های زیادی را ارائه می‌دهد که به سادگی در دسترس نیستند، زمانی که سرویس‌های نرم‌افزار جدید نیاز به خرید سخت‌افزار سرور جدید یا مجموعه‌های نرم‌افزار سازمانی دارند. چیزی که شش ماه طول می کشد تا در محل مستقر شود، گاهی اوقات ممکن است ۱۰ دقیقه در فضای ابری طول بکشد. آنچه که برای ایجاد on-prem به امضا از سه سطح مدیریت نیاز دارد، می‌تواند به یک کارت اعتباری در فضای ابری شارژ شود.

این فقط موضوع زمان و راحتی نیست. ابر همچنین سرعت بالاتری را برای توسعه نرم افزار فراهم می کند، که اغلب منجر به زمان کمتری برای ورود به بازار می شود. ابر همچنین می‌تواند آزمایش‌های بیشتری را انجام دهد، که اغلب منجر به کیفیت نرم‌افزار بالاتر می‌شود.

علاوه بر این، نوآوری‌های واقعی در فضای ابری وجود دارد که می‌تواند فوایدی را به همراه داشته باشد و مشکلات طولانی‌مدت را با محاسبات درون محل حل کند. در اینجا ۱۶ قابلیت ابر قانع کننده را ارائه می دهیم.

نمونه های درخواستی را محاسبه کنید

به یک پایگاه داده جدید در سرور داخلی خود نیاز دارید؟ در صف قرار بگیرید و خود را برای صبر کردن برای ماه‌ها، اگر نه سال‌ها، آماده کنید. اگر می‌توانید به جای سرور فیزیکی، یک ماشین مجازی (VM) را تحمل کنید و شرکت شما از VMware یا فناوری‌های مشابه استفاده می‌کند، ممکن است چند هفته صبر کنید. اما اگر می‌خواهید یک نمونه سرور بر روی یک ابر عمومی ایجاد کنید، می‌توانید آن را در حدود ۱۵ دقیقه آماده و اجرا کنید – و می‌توانید آن را مطابق با نیاز خود اندازه کنید و زمانی که از آن استفاده نمی‌کنید آن را خاموش کنید. .

تصاویر ماشین مجازی از پیش ساخته شده

اینکه بتوانید یک VM را با سیستم عامل انتخابی خود به نمایش بگذارید راحت است، اما همچنان باید برنامه های مورد نیاز خود را نصب و مجوز دهید. اینکه بتوانید یک VM را با سیستم عامل و برنامه های مورد نظر خود آماده اجرا کنید، قیمتی ندارد.

خدمات بدون سرور

“بدون سرور” به این معنی است که یک سرویس یا قطعه کد برای مدت کوتاهی، معمولاً در پاسخ به یک رویداد، بدون نیاز به VM اختصاصی برای اجرا بر اساس تقاضا اجرا می‌شود. اگر سرویسی بدون سرور باشد، معمولاً نیازی به نگرانی در مورد سرور اصلی ندارید. منابع از استخری که توسط ارائه‌دهنده ابر نگهداری می‌شود، تخصیص می‌یابد.

سرویس‌های بدون سرور، که در حال حاضر در هر ابر عمومی عمده در دسترس هستند، معمولاً دارای مقیاس‌بندی خودکار، در دسترس بودن بالا داخلی و مدل صورت‌حساب پرداخت به ازای ارزش هستند. اگر می‌خواهید یک برنامه بدون سرور بدون قفل شدن در ابر عمومی خاص داشته باشید، می‌توانید از یک چارچوب بدون سرور بدون سرور مانند Kubeless، که فقط به یک خوشه Kubernetes نیاز دارد (که به عنوان یک سرویس ابری موجود است؛ به زیر مراجعه کنید).

ظروف بر حسب تقاضا

کانتینر یک واحد اجرایی سبک وزن از نرم افزار است که بسیار سبک تر از ماشین مجازی است. یک کانتینر کد برنامه و وابستگی های آن مانند کتابخانه ها را بسته بندی می کند. کانتینرها هسته سیستم عامل ماشین میزبان را به اشتراک می گذارند. کانتینرها می‌توانند در Docker Engine یا در سرویس Kubernetes اجرا شوند. اجرای کانتینرها بر حسب تقاضا دارای تمام مزایای اجرای ماشین های مجازی برحسب تقاضا است، با مزایای اضافی نیاز به منابع کمتر و هزینه کمتر.

تصاویر کانتینر از پیش ساخته شده

یک کانتینر داکر یک نمونه اجرایی از یک تصویر داکر است که توسط یک فایل داکر مشخص شده است. یک Dockerfile حاوی دستورالعمل هایی برای ساخت یک تصویر است و اغلب بر اساس تصویر دیگری است. به عنوان مثال، یک تصویر حاوی Apache HTTP Server ممکن است بر اساس یک تصویر اوبونتو باشد. شما می توانید Dockerfiles از پیش تعریف شده را در رجیستری Docker پیدا کنید و همچنین می توانید فایل های خود را بسازید. می‌توانید تصاویر Docker را در نصب محلی Docker یا در هر ابری با پشتیبانی کانتینر اجرا کنید. مانند تصاویر ماشین مجازی از پیش ساخته شده، یک Dockerfile می‌تواند یک برنامه کامل را به سرعت ارائه کند، اما برخلاف تصاویر VM، Dockerfiles از فروشنده‌ها آگنوستیک هستند.

ارکستراسیون ظرف کوبرنتس

Kubernetes (K8s) یک سیستم منبع باز برای خودکارسازی استقرار، مقیاس‌بندی و مدیریت برنامه‌های کاربردی کانتینری است. K8s مبتنی بر فناوری داخلی «بورگ» گوگل بود. خوشه‌های K8 از مجموعه‌ای از ماشین‌های کارگر به نام گره‌ها تشکیل شده‌اند که برنامه‌های کانتینری را اجرا می‌کنند. گره‌های کارگر میزبان غلاف‌هایی هستند که حاوی برنامه‌های کاربردی هستند. یک صفحه کنترل گره ها و غلاف های کارگر را مدیریت می کند. K8s در هر جایی اجرا می شود و بدون محدودیت مقیاس می شود. همه ابرهای عمومی اصلی دارای خدمات K8s هستند. شما همچنین می توانید K8s را بر روی ماشین توسعه خود اجرا کنید.

سرورهای مقیاس پذیر خودکار

شما مجبور نیستید برنامه های خود را کانتینری کنید و آنها را تحت Kubernetes اجرا کنید تا به طور خودکار در فضای ابری مقیاس شوند. اکثر ابرهای عمومی به شما این امکان را می‌دهند که به طور خودکار ماشین‌ها و سرویس‌های مجازی را بر اساس استفاده، با افزودن (یا کم کردن) نمونه‌ها یا افزایش (یا کاهش) اندازه نمونه، به‌طور خودکار مقیاس کنید.

پایگاه های اطلاعاتی سیاره ای

کلادهای عمومی اصلی و چندین فروشنده پایگاه داده پایگاه‌های داده توزیع‌شده در مقیاس سیاره را با زیربناهایی مانند بافت داده، اتصالات اضافی و الگوریتم‌های اجماع توزیع شده پیاده‌سازی کرده‌اند که آنها را قادر می‌سازد تا به طور مؤثر و با حداکثر قابلیت اطمینان پنج ۹ کار کنند (۹۹.۹۹۹٪ زمان کار). . نمونه‌های اختصاصی ابر عبارتند از Google Cloud Spanner (رابطه)، Azure Cosmos DB (چند مدل)، Amazon DynamoDB (کلید-مقدار و سند و Amazon Aurora (رابطه ای). نمونه‌های فروشنده عبارتند از CockroachDB (رابطه)، PlanetScale (رابطه)، Fauna (رابطه/بدون سرور)، Neo4j ( نمودار)، MongoDB Atlas (سند)، DataStax Astra (ستون عریض)، و Couchbase Cloud (سند).

خدمات ترکیبی

شرکت‌هایی که سرمایه‌گذاری زیادی در مراکز داده دارند، اغلب می‌خواهند برنامه‌ها و سرویس‌های موجود خود را به جای جایگزینی با سرویس‌های ابری، در فضای ابری گسترش دهند. همه فروشندگان بزرگ ابر اکنون راه هایی را برای دستیابی به آن، هم با استفاده از سرویس های ترکیبی خاص (به عنوان مثال، پایگاه های داده که می توانند مراکز داده و ابرها را پوشش دهند) و هم با استفاده از سرورهای داخلی و منابع ابری لبه ای که به ابر عمومی متصل می شوند، که اغلب < نامیده می شود، ارائه می دهند. a>ابرهای ترکیبی.

آموزش و پیش بینی یادگیری ماشین مقیاس پذیر

آموزش یادگیری ماشین، به ویژه یادگیری عمیق، اغلب به منابع محاسباتی قابل توجهی برای ساعت ها تا هفته ها نیاز دارد. از سوی دیگر، پیش‌بینی یادگیری ماشین به منابع محاسباتی خود برای هر پیش‌بینی برای چند ثانیه نیاز دارد، مگر اینکه پیش‌بینی‌های دسته‌ای انجام دهید. استفاده از منابع ابری اغلب راحت‌ترین راه برای انجام آموزش و پیش‌بینی مدل است.

Cloud GPU، TPU و FPGA

یادگیری عمیق با مدل‌های بزرگ و مجموعه داده‌های بسیار بزرگ مورد نیاز برای آموزش دقیق اغلب می‌تواند بیش از یک هفته در خوشه‌های CPU طول بکشد. GPU ها، TPU ها و FPGA ها همگی می توانند زمان آموزش را به میزان قابل توجهی کاهش دهند و وجود آنها در فضای ابری استفاده از آنها را در صورت نیاز آسان می کند.

خدمات هوش مصنوعی از قبل آموزش دیده

بسیاری از خدمات هوش مصنوعی را می توان با مدل های از پیش آموزش دیده به خوبی انجام داد، برای مثال ترجمه زبان، متن به گفتار و شناسایی تصویر. همه سرویس‌های ابری اصلی، خدمات هوش مصنوعی از پیش آموزش‌دیده‌شده را بر اساس مدل‌های قوی ارائه می‌دهند.

خدمات هوش مصنوعی قابل تنظیم

گاهی اوقات سرویس های هوش مصنوعی از قبل آموزش دیده دقیقاً آنچه را که نیاز دارید انجام نمی دهند. یادگیری انتقال، که تنها چند لایه شبکه عصبی را در بالای یک مدل موجود آموزش می‌دهد، می‌تواند خدمات سفارشی‌سازی شده نسبتاً سریعی را در مقایسه با آموزش یک مدل از ابتدا به شما ارائه دهد. باز هم، همه ارائه دهندگان خدمات ابری بزرگ، یادگیری انتقال را ارائه می دهند، اگرچه همه آن را به یک نام صدا نمی کنند.

خدمات نظارت

همه ابرها حداقل از یک سرویس نظارت پشتیبانی می کنند و پیکربندی سرویس های ابری خود را برای نظارت برای شما آسان می کنند. سرویس‌های نظارت اغلب یک داشبورد گرافیکی را به شما نشان می‌دهند و می‌توان آن را طوری پیکربندی کرد که استثناها و شاخص‌های عملکرد غیرعادی را به شما اطلاع دهد.

خدمات توزیع شده

پایگاه‌های داده تنها سرویس‌هایی نیستند که می‌توانند از اجرای به‌صورت توزیع‌شده بهره ببرند. موضوع تأخیر است. اگر منابع محاسباتی از داده ها یا فرآیندهای تحت مدیریت دور باشند، ارسال و دریافت دستورالعمل ها و اطلاعات بیش از حد طول می کشد. اگر تاخیر در یک حلقه بازخورد خیلی زیاد باشد، حلقه به راحتی می تواند از کنترل خارج شود. اگر تأخیر بین یادگیری ماشین و داده ها خیلی زیاد باشد، زمان لازم برای انجام آموزش می تواند منفجر شود. برای حل این مشکل، ارائه‌دهندگان خدمات ابری دستگاه‌های متصلی را ارائه می‌کنند که می‌توانند خدمات خود را به مراکز داده مشتری (ابر هیبریدی) یا نزدیک طبقات کارخانه مشتری (محاسبات لبه‌ای) گسترش دهند.

محاسبات لبه

نیاز به نزدیک کردن تجزیه و تحلیل و یادگیری ماشین از لحاظ جغرافیایی به ماشین آلات و سایر اشیاء دنیای واقعی (اینترنت اشیا یا اینترنت اشیا) منجر به ایجاد دستگاه های تخصصی مانند دستگاه های محاسباتی مینیاتوری با GPU و حسگرها و معماری هایی برای پشتیبانی شده است. آنها مانند سرورهای لبه، پلتفرم های اتوماسیون و شبکه های تحویل محتوا. در نهایت، همه این‌ها دوباره به ابر متصل می‌شوند، اما توانایی انجام تجزیه و تحلیل در لبه می‌تواند حجم داده‌های ارسال شده به ابر را تا حد زیادی کاهش دهد و همچنین تأخیر را کاهش دهد.

دفعه بعدی که در مورد هزینه‌های ابری خود ناراحتی شنیدید، شاید بتوانید به یکی از این ۱۶ مزیت اشاره کنید – یا به یکی از ویژگی‌های ابری که به شما یا تیمتان کمک کرده است. هر یک از نوآوری های ابری که در مورد آن صحبت کردیم می تواند استفاده از آن را توجیه کند. در مجموع، مزایا واقعا غیر قابل مقاومت هستند.