混合云或成未来主流趋势

“混合云是指来自公有云的计算、存储与来自私有云基础架构的组合,并且私有云架构通常以本地云软件堆栈的形式运行在服务器上。在混合云模式下,公有云和私有云环境既彼此独立,又能通过连接加密的形式相互关联。”

混合云只是云发展进程中的过度阶段?

最初,唯一的“真正的”云是公有云。

在公有云出现之前,有些人认为它并不适合企业,或者可能只用于测试/开发环境。但事实并非如此,公有云成为了信息技术领域创新和变革的重要推动力。

私有云诞生以后,同样被公有云支持者所嘲笑。这只不过是种传统思维,或者公有云商家企图以此来保住他们在云计算领域的地位。Wikibon 在2015年提出了“ 真正的私有云 ” 一词,表明云既是一种技术,也是一种操作模型(私有云需要的不仅仅是“虚拟化+”)。

同样的情况又出现了。在2010年,混合云经常被认为是云计算发展过程中的过渡阶段,或者是“双峰”战略的一部分,而不是被作为未来云计算领域的主角对待。

混合云走向主流

未来云计算领域可能更加需要混合云和多云解决方案

对于如今大多数企业而言,混合云和多云(具有多个云,混合云的超集)与过去的多供应商一样已经成为现实。

调研公司Wikibon认为,未来云计算领域可能更加需要混合云和多云解决方案。在亚马逊、VMware和Nutanix等公司的首席执行官支持下,也出现了一种普遍共识,即混合云的必要性。

现在,企业工作数据越来越多地转移到云,但也出现了某些弊端 ,例如监管障碍、数据安全问题、对传统应用程序的依赖以及异常数据集等问题,这些已成为将整个企业数据迁移到公有云的最大障碍。

而混合云模式利用公有云提供商的优势,同时保持私有云解决方案的速度和可靠性。

公有云服务提供商能够按需立即配置计算和存储资源,而无需构建内部部署解决方案所需的大量前期成本和时间。它还使组织能够利用通过云提供的人工智能服务,例如 Amazon Rekognition,一种深度学习驱动的图像识别系统,以及支持Alexa虚拟助手的语音识别和自然语言处理技术Amazon Lex。

私有云组件可以快速传递信息,并且不依赖于互联网连接来运营。拥有私有云组件可使用内部部署服务器,对互联网连接的干扰不会使业务运营完全停顿。

对于具有季节性或可变工作负载的行业,通过私有云以处理正常工作负载,同时依靠公有云资源来处理突发工作负载,可能是一种最佳IT策略。这为企业节省了大量成本。

庞大市场吸引云计算主力军加入

对于混合云解决方案的认知,还没有达成普遍共识。就现状来看,混合云市场还处于起步阶段。

在公有云领域,各大公司都有不同的定位,如AWS在基础架构即服务方面处于领先地位,微软公司凭借众多SaaS业务在基础架构领域排名第二,Google LLC则在数据服务领域处于领先地位。这些厂商都是混合云的主力军,都有可能成为领导者。

数据中心和私有云领域的公司也是如此。VMware及其母公司戴尔、上文中出现的微软、Oracle、IBM、思科以及惠普等公司都拥有大量数据中心,并且他们正在创建私有云、现代化应用程序以及利用AI挖掘数据价值。

越来越多的供应商正在迎合市场对混合云解决方案的需求,亚马逊、谷歌、微软和Rackspace等公有云运营商提供软件(一些通过第三方合作伙伴),以便轻松部署混合云解决方案。

例如AWS re:Invent 2018中引入的解决方案AWS Outposts,允许企业使用相同的API和工具扩展AWS应用程序,并允许开发人员在本地部署相同的应用程序,而无需重写数据以适应位置变化。微软公司的Azure Stack软件也提供了相似的功能。

另外,IBM在2018年以340亿美元收购RedHat软件公司,大多数公有云和私有云环境都支持Red Hat Linux和OpenAccess,这更加凸显了混合云和多云领域存在商机。

简单来说,混合云就是在公有云和私有云之间重建一个云服务架构器,使它同时包含公有云和私有云的部分功能,同时又规避了这两种云的缺陷。混合云的发展已经具备自身优势和技术支持,同时拥有庞大的市场需求。混合云想要成为云时代的主角,只是时间问题。

来自 “ https://www.techrepublic.com/article/hybrid-cloud- ”,原文链接:http://blog.itpub.net/31545808/viewspace-2640454/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/31545808/viewspace-2640454/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值