江苏龙网

  1. 首页 > 人文 > >

爱分析·中国云计算行业趋势报告(19)


5.哪些云计算新趋势将为企业创造更多价值？
展望未来 ， 随着云计算技术深入到企业的业务中 ， 必然会催生两方面需求：一方面是更好地让云计算的低成本、高性能算力为企业的数据利用服务 ， 加速企业的业务创新；另一方面是将云计算与传统网络拓扑进行无缝融合 ， 从而更好地为拥有大量历史遗留IT资源的传统型、集团型企业提供全面上云的支撑 。
5.1面向数据密集型应用的云原生技术中台
5.1.1数据密集型应用面临的生命周期管理挑战
相比于底层的IT基础设施 ， 数据和企业业务的联系更加紧密 。 因此 ， 对数据普遍应用是企业数字化转型的最直接表现 ， 它能够为企业带来业务营收和生产效率的增长 ， 同时有效改善客户体验 。
企业对数据进行利用的历史非常悠久 ， 从早期的面向主题的数据仓库建设与OLAP分析 ， 到后来的大数据技术、机器学习与深度学习的兴起 ， 数据的利用深度以及产生的价值也在不断进化 。
但是企业数字化转型进程的不断推进 ， 数据维度、数据类型的越来越复杂 ， 企业面临的业务诉求越来越复杂 ， 对数据利用效率的要求越来越高 ， 使得原有的数据利用过程遇到了效率瓶颈 。
在这样的背景下 ， 如何从应用管理的角度出发 ， 将数据利用过程转化为包括开发、部署、编排、持续测试和优化等环节在内的数据密集型应用的生命周期管理过程 ， 已经成为企业IT与组织能力的核心挑战之一 。
但是 ， DevOps过去仅仅关注的是非数据密集型的的应用 ， 对于以数据密集型应用的关注较少 ， 但两者存在截然不同的需求：
1）数据带来的管理挑战：面向非数据密集型应用的DevOps主要关注代码、工具、基础设施和人员之间的关系 ， 而数据密集型应用的开发过程则增加了数据这一额外的元素 ， 它比其他几者的管理难度更高 ， 需要通过有效的数据治理过程来整合多个数据源 ， 同时保证数据质量 ， 最终使得数据达到业务就绪状态 。
2）数据带来的工具和人员的挑战：数据密集型应用的开发和维护过程需要依赖于不同于非数据密集型应用开发的技术栈和工具 ， 包括数据建模语言 ， 以及传统的ETL/ELT、元数据管理、主数据管理、数据质量工具 ， 再到数据可视化BI工具和数据科学工具 ， 而涉及到的人员也发生了改变 ， 比如数据库管理员、数据分析师、数据科学家、业务或运营人员等 。
爱分析·中国云计算行业趋势报告
因此 ， 近些年业内有人提出了面向数据密集型应用的生命周期管理理念——DataOps ， 它尝试将数据、代码、工具、基础架构和人员进行标准化的流程管理 ， 最终提高数据开发过程的生产能力、可重复性、敏捷性和自助服务能力 ， 最终实现数据科学模型持续部署和优化 。 但目前DataOps的具体模式尚不成熟 ， 仍然在持续探索中 。
同时 ， 云计算逐步发展出为数据型应用提供计算、存储、分析、服务和生命周期管理能力的PaaS——DaaS（既包括了面向数据存储的DB PaaS ， 又包括了面向数据分析和AI建模的Business Analytics PaaS） ， 也就是通常所说的数据中台和AI中台 ， 它将数据开发过程变成一项能够在云计算平台中按需取用的服务 。
5.1.2 云原生技术实现提供多云、多数据中心数字化应用解决方案
然而 ， 面向数据密集型应用的DaaS与生命周期管理过程 ， 在云计算平台上的实践中仍然会面临一系列挑战：
1）环境异构性的挑战：传统领域企业在数据应用实践中 ， 往往会面临多云、多数据中心等异构环境 ， 而异构环境会直接影响数据汇集和利用的效率 ， 从而影响数据密集型应用开发的整体效率 。
2）生产环境性能的挑战：数据密集型应用在生产部署环境中需要进行大量的数据处理和模型推理 ， 对于计算的并发性要求更高 ， 单台服务器上部署多个业务会产生资源竞争 ， 但虚拟化会产生明显的性能损耗 ， 需要轻量化的隔离部署环境 。


推荐阅读


上一篇：哈萨克斯坦|? 俄国指证美军投毒！在中国投毒失败后，再次向中国的邻国投毒？

下一篇：浪潮信息智能技术成果驱动在线AI教育升级