【技术干货】云计算的架构模式

简介: 笔者自2008年开始涉足云计算以来,参与设计、开发、部署和运营了各类云计算平台,并分布在各个国家数据中心。由于国家和行业的不同,云计算设计模式也差别很大,现在终于有机会从笔者亲身经历的这些平台中总结一些云计算设计模式。


本文作者:上海驻云首席技术官  


                     驻云第一花美男 


                       (虽然是年轻的时候) 




​                  朱!维!刚!


以下正文



大谈云设计模式和发展

 

笔者自2008年开始涉足云计算以来,参与设计、开发、部署和运营了各类云计算平台,并分布在各个国家数据中心。由于国家和行业的不同,云计算设计模式也差别很大,现在终于有机会从笔者亲身经历的这些平台中总结一些云计算设计模式。

 

1. 虚拟化


以VMWare vCenter为主导的虚拟化时代,该时代笔者代表性作品是菲律宾移动通信Smart Cloud,以下是架构图:





在ESX集群基础上引入两类资源池概念:服务资源池和客户资源池,后端存储用的SAN,通过HP OO实现Smart内部系统的整合,HP SA管理虚拟机整个生命周期,MOAB作为资源调度和生产组件,单集群到了100台物理机规模。该架构的优点是简单易用,缺点是平台不可规模化扩展,资源生产效率一般。

 

2. 多数据中心和可用区Orchestration


突出租户,以VMWare为主导的多数据中心调度和完全自动化时代,该时代笔者代表性作品是比利时电信的BeCloud和新加坡政府的G-Cloud。以下是BeCloud架构图:




位于比利时的两个数据中心Evere和Machelen,跨数据中心实现资源调度。

该架构还引入了两个新的概念


1) vCloud vCDNI:网络池实现,通过Private VLAN实现网络隔离,弥补vlan 4096的数量限制。


2) vCloud vDC:为将特定于租户的拓扑复杂性抽象出来提供了一个好办法,还为管理资源提供了方法。

 

以下是G-Cloud架构图:



位于新加坡的两个数据中心Bedok和kimchuan,三个可用区,跨可用区和数据中心实现调度,数据中心之间通过MPLS互联,实现单个集群500台物理机规模,也是使用MOAB做调度,资源调度和生产效率一般。

 

优缺点显而易见,规模再大就很难扩展了,但对于新加坡政府这样的政务云来说是合适的,因为这些都是针对行业或专有领域的云计算平台,还不能称为公有云。

 

3. Openstack


笔者最早接触的Openstack版本是E版,并把F版和G版部署到了客户在中国的数据中心,存储也用了分布式存储CEPH。我们团队也踩了不少坑,虽然一路走来十分坚信,但最后也只能惨淡收场,心有不甘,但也没办法,笔者想表达的是Openstack是不错,但云计算运维和运营非常重要,不是一般技术型公司能做得了的。由于Openstack是开源软件,架构文章比比皆是,在此就不列举了。

 

4. AWS、阿里云为代表的新一代云计算


AWS、阿里云可为是新一代云计算平台,由于笔者在阿里云呆过,在此就拿阿里云来说吧,话不多说,先来张图看看。




该架构分了几个层次:


1)    数据中心和基本操作系统

2)    大规模分布式计算系统,飞天

3)    各类云服务

4)    集群部署和监控

5)    云市场及第三方服务和应用


阿里云实现了真正的云计算,以及云计算生态圈,大二层的网络打破了规模化局限,也让单集群支撑5000台物理机成为可能。依托稳定的分布式底层架构,可以生长出无穷无尽的平台服务,这也是用户想要的更高层次的服务,而不是之前介绍的纯粹的虚拟化,让用户真正集中在自己的业务核心上,下图形象地做了对比。





本文到这里就结束了,如果喜欢我们的话就赶紧订阅我们吧~~~每天定时推送新鲜干货~~~也可以关注我们的微信公众号:架构云专家频道~~~每天同步更新呦~~~


相关文章
|
29天前
|
机器学习/深度学习 安全 算法
十大主流联邦学习框架:技术特性、架构分析与对比研究
联邦学习(FL)是保障数据隐私的分布式模型训练关键技术。业界开发了多种开源和商业框架,如TensorFlow Federated、PySyft、NVFlare、FATE、Flower等,支持模型训练、数据安全、通信协议等功能。这些框架在灵活性、易用性、安全性和扩展性方面各有特色,适用于不同应用场景。选择合适的框架需综合考虑开源与商业、数据分区支持、安全性、易用性和技术生态集成等因素。联邦学习已在医疗、金融等领域广泛应用,选择适配具体需求的框架对实现最优模型性能至关重要。
372 79
十大主流联邦学习框架:技术特性、架构分析与对比研究
|
2月前
|
Kubernetes Cloud Native 微服务
探索云原生技术:容器化与微服务架构的融合之旅
本文将带领读者深入了解云原生技术的核心概念,特别是容器化和微服务架构如何相辅相成,共同构建现代软件系统。我们将通过实际代码示例,探讨如何在云平台上部署和管理微服务,以及如何使用容器编排工具来自动化这一过程。文章旨在为开发者和技术决策者提供实用的指导,帮助他们在云原生时代中更好地设计、部署和维护应用。
|
3月前
|
运维 持续交付 云计算
深入解析云计算中的微服务架构:原理、优势与实践
深入解析云计算中的微服务架构:原理、优势与实践
151 3
|
25天前
|
机器学习/深度学习 缓存 自然语言处理
DeepSeek背后的技术基石:DeepSeekMoE基于专家混合系统的大规模语言模型架构
DeepSeekMoE是一种创新的大规模语言模型架构,融合了专家混合系统(MoE)、多头潜在注意力机制(MLA)和RMSNorm归一化。通过专家共享、动态路由和潜在变量缓存技术,DeepSeekMoE在保持性能的同时,将计算开销降低了40%,显著提升了训练和推理效率。该模型在语言建模、机器翻译和长文本处理等任务中表现出色,具备广泛的应用前景,特别是在计算资源受限的场景下。
432 29
DeepSeek背后的技术基石:DeepSeekMoE基于专家混合系统的大规模语言模型架构
|
2月前
|
监控 安全 API
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
本文详细介绍了PaliGemma2模型的微调流程及其在目标检测任务中的应用。PaliGemma2通过整合SigLIP-So400m视觉编码器与Gemma 2系列语言模型,实现了多模态数据的高效处理。文章涵盖了开发环境构建、数据集预处理、模型初始化与配置、数据加载系统实现、模型微调、推理与评估系统以及性能分析与优化策略等内容。特别强调了计算资源优化、训练过程监控和自动化优化流程的重要性,为机器学习工程师和研究人员提供了系统化的技术方案。
228 77
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
|
22天前
|
机器学习/深度学习 算法 文件存储
YOLOv11改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
YOLOv11改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
70 10
YOLOv11改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
|
18天前
|
机器学习/深度学习 算法 文件存储
RT-DETR改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
RT-DETR改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
30 4
RT-DETR改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
|
1月前
|
存储 缓存 关系型数据库
社交软件红包技术解密(六):微信红包系统的存储层架构演进实践
微信红包本质是小额资金在用户帐户流转,有发、抢、拆三大步骤。在这个过程中对事务有高要求,所以订单最终要基于传统的RDBMS,这方面是它的强项,最终订单的存储使用互联网行业最通用的MySQL数据库。支持事务、成熟稳定,我们的团队在MySQL上有长期技术积累。但是传统数据库的扩展性有局限,需要通过架构解决。
69 18
|
1月前
|
监控 JavaScript 数据可视化
建筑施工一体化信息管理平台源码,支持微服务架构,采用Java、Spring Cloud、Vue等技术开发。
智慧工地云平台是专为建筑施工领域打造的一体化信息管理平台,利用大数据、云计算、物联网等技术,实现施工区域各系统数据汇总与可视化管理。平台涵盖人员、设备、物料、环境等关键因素的实时监控与数据分析,提供远程指挥、决策支持等功能,提升工作效率,促进产业信息化发展。系统由PC端、APP移动端及项目、监管、数据屏三大平台组成,支持微服务架构,采用Java、Spring Cloud、Vue等技术开发。
|
2月前
|
运维 Cloud Native 持续交付
云原生技术深度探索:重塑现代IT架构的无形之力####
本文深入剖析了云原生技术的核心概念、关键技术组件及其对现代IT架构变革的深远影响。通过实例解析,揭示云原生如何促进企业实现敏捷开发、弹性伸缩与成本优化,为数字化转型提供强有力的技术支撑。不同于传统综述,本摘要直接聚焦于云原生技术的价值本质,旨在为读者构建一个宏观且具体的技术蓝图。 ####

热门文章

最新文章