带你读《2022龙蜥社区全景白皮书》——4.3 未来技术演进与展望

简介: 带你读《2022龙蜥社区全景白皮书》——4.3 未来技术演进与展望

4.3 未来技术演进与展望


当前信息产业既面临着诸多技术挑战,也存在许多潜在的技术创新空间,而云计算也成为应对挑战和突破创新的中心。


摩尔定律失效造成算力增长缓慢

算力增长缓慢是目前信息产业面临的重要挑战。在后摩尔定律时代,产业界也提出了领域专用架构(Domain Specific Architecture,DSA)来应对大数据、人工智能领域对算力增长的需要。云计算的业务形态使得其可以通过将底层异构芯片的算力进行抽象,让用户更方便的使用异构芯片和DSA架构。

操作系统是支持芯片最为基础的系统软件,因此对异构芯片和DSA架构的支持就成为未来龙蜥社区的重要演进方向。未来社区和Anolis OS会持续投入和完善对异构芯片的支持。当前Anolis OS已经完成对主流处理器芯片的支持,未来社区在继续完善操作系统、编译器和工具链组件对异构处理器芯片支持的同时,会持续支持更多DSA架构,让Anolis OS提供云-边-端多场景异构处理器的支持。


云计算催生全新计算范型


计算产业的形态已经产生了极大的变化,从机器抽象的IaaS态,到容器抽象的CaaS形态,再到服务器无感的Serverless形态,云计 算推动了计算产业形态和相关技术的快速发展。而随着计算服务的边界抬升上移,一方面可以让底层异构芯片的算力更容易被抽 象,形成对用户透明的统一算力。另一方面也为实现从运行时(Runtime)到硬件(Hardware)充分的软硬件协同提供了必要基 础。通过软硬件协同配合DSA架构充分发挥异构硬件算力已经成为当下重要的技术发展趋势。


龙蜥社区也将持续孵化云计算相关开源项目。云原生相关技术既是云计算未来技术演进的主要方向,更是社区重点投入的领域。云 原生与Serverless以及软硬件协同技术结合,在持续释放底层算力的同时,能够让用户更好的享受到云计算在算力、资源弹性等方 面的优秀体验。同时,社区也将持续改善用户迁移上云方案和工具,让Anolis OS成为用户平滑迁云的基石。


image.png


软硬件全栈协同设计与优化


软硬件协同是充分发挥各类硬件算力的关键。在“硬件 + 操作系统 + 编译器”相结合的基础上,将软硬件协同的边界拓展到运行时组 件,结合Serverless等新型计算技术,实现用户业务逻辑与底层基础设施的彻底解耦与高效运行,帮助用户业务快速便捷的实现架 构现代化。


数据爆炸需要突破内存墙限制


从智能网卡SmartNIC到存内计算PIM,软硬件协同趋势促使硬件不断创新。其中以CXL为代表的新型总线技术对未来基础软件架构 设计影响最为重要。CXL总线提供了缓存一致性能力,在处理器与外设之间提供了更细粒度的数据访问能力,为减少数据移动提供了 必要的基础,为提高大型软件的运行效率提供了可能。同时CXL总线的服务界面让操作系统和编译器更容易对其进行封装,减小对用 户应用程序的侵入,避免用户应用程序的大规模改造。


数据安全和隐私保护推动新的计算技术


随着国内外数据安全和隐私保护法律规范的相继出台,用户会更加关注自身数据的安全保护。硬件芯片厂商近年来不断加强自身芯 片中与隐私计算相关的技术,如TrustZone、SGX、SEV等芯片特性相继发布。而与之配套的计算技术发展仍然相对滞后,这也推动 了相关计算技术的快速发展。


信息安全作为信息产业重要的领域,是龙蜥社区未来重点持续发力的方向之一。未来社区会持续通过软硬件协同等方式实现系统 安全与机密计算技术,形成更加成熟的数据保护与隐私技术栈,让用户在享受云计算所带来的红利时,也能够更好保障自身的数 据安全。


云计算在过去十年间推动了信息产业的变革,也促进了以操作系统为代表的基础软件行业的发展。龙蜥社区也会继续秉持平等、 开放、协作、创新的信念,在基础软件领域持续创新开源技术、拓展开源生态、扩大开源影响力,助力社区伙伴与用户便捷平顺 的过渡到以云计算为基础的数字基础设施上。

相关文章
|
前端开发 JavaScript
基于React的简易在线图书管理系统设计与实现
基于React的简易在线图书管理系统设计与实现
429 1
|
运维 Linux Windows
【帕鲁更新攻略】如何快速在阿里云上更新游戏服务端版本
幻兽帕鲁游戏服务端版本升级后,需要玩家同步更新才能继续游戏,您可以按照以下操作完成游戏服务端升级。
50169 840
【帕鲁更新攻略】如何快速在阿里云上更新游戏服务端版本
|
10月前
|
机器学习/深度学习 存储 数据可视化
KG4MM:融合知识图谱与多模态数据预测药物相互作用
本文探讨了用于多模态学习的知识图谱(KG4MM)在药物相互作用(DDI)预测中的应用。知识图谱通过整合药物的分子图像和文本描述,提供结构化先验知识,指导模型关注关键信息。具体实现中,利用图神经网络(GNN)连接知识图谱与多模态数据,通过注意力机制提取最具区分性的特征。以 Goserelin 和 Desmopressin 为例,模型结合直接边关系和共享节点路径,生成透明可解释的预测结果。实验表明,KG4MM 方法显著提升了预测准确性与可解释性,为生物医学领域提供了新思路。
408 0
KG4MM:融合知识图谱与多模态数据预测药物相互作用
|
机器学习/深度学习 算法 前端开发
基于Python深度学习的果蔬识别系统实现
果蔬识别系统,主要开发语言为Python,基于TensorFlow搭建ResNet卷积神经网络算法模型,通过对12种常见的果蔬('土豆', '圣女果', '大白菜', '大葱', '梨', '胡萝卜', '芒果', '苹果', '西红柿', '韭菜', '香蕉', '黄瓜')图像数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django框架搭建Web网页端可视化操作界面,以下为项目实现介绍。
255 4
基于Python深度学习的果蔬识别系统实现
|
监控 前端开发 开发者
前端代码规范 - 日志打印规范
前端代码规范 - 日志打印规范
|
SQL 存储 分布式计算
如何配置 ADS 表?
【8月更文挑战第11天】
583 3
|
机器学习/深度学习 人工智能 弹性计算
|
存储 前端开发 Java
Android应用开发中的MVP架构模式实践
【5月更文挑战第5天】随着移动应用开发的复杂性增加,传统的MVC(Model-View-Controller)架构在应对大型项目时显得笨重且不灵活。本文将探讨一种更适应现代Android应用开发的架构模式——MVP(Model-View-Presenter),并展示如何在Android项目中实现该模式以提升代码的可维护性和可测试性。通过对比分析MVP与传统MVC的差异,以及提供一个实际案例,读者将能深入了解MVP的优势和实施步骤。
326 9
|
存储 分布式计算 Spark
实战|使用Spark Streaming写入Hudi
实战|使用Spark Streaming写入Hudi
590 0