敏捷的云计算?

去年我们曾报道过,Arjuna Technologies(HP事务服务技术的初创者,现在Red Hat/JBoss的一部分)又把注意力转向了容错的网格基础设施。这篇文章在当时引起了极大的兴趣,即使当时并没有什么东西可供人们来尝试。然而,事隔一年之后,Arjuna发布了更加实在的东西:Arjuna Agility联邦云计算平台。这里有必读的白皮书网络研讨会(事实上非常不错),但是关于Agility最重要的是现在可供访问了。再加上

\
[Agility]是一个‘联邦云计算平台’,它被设计成可通过更灵活的基础设施来提高业务敏捷性。联邦,是因为Agility™是由分配给企业内外自治、合作的业务组织的IT资源构成的。
该文章继续描述道:
在组织间资源共享的真正障碍往往是信任和权限,Agility™提供了一种可掌控的方式使得企业能有机地壮大它们的‘内部云服务’。资源的所有者可对所分配的资源附加一定的策略用以描述在哪种情况下资源可以被Agility™共享,通过这种方式,资源所有者保有了对资源的控制权。一旦(资源)被分配并遵从于策略,Agility™就可以动态地配置资源池并提供服务以满足业务对IT变化的需求。
\

像其它的云计算平台一样,完成这一供应(provisioning)所需的服务和工具可能超出现有的基础设施投资。然而,要交付其承诺的益处,Agility最终需要获得对整个云架构的掌控:

\
虽然Agility™也可以部署于现有的基础设施而不需作出折衷的更改,但在增量地向其分配IT资源时Agility™的威力才能真正的体现出来。
\

将这一新平台与现有解决方案对照得出的差别会非常有益,然而它显然还处于开发的早期阶段。尽管如此,最新的白皮书还是给了我们一些线索:

\
和其它的途径不同,Agility不会强制企业的IT基础设施和应用作出“大爆炸”般的转变。
\

这一点初看起来和之前Agility需要完全控制的陈述似乎是相矛盾,但对于这种化圆作方(即不可能)的事,Agility作出了许多努力。实际上,据现有消息来看,Agility“不要求现有基础设施进行任何更改或重组”,也“不要求资源进行共享,除其所有者允许的情况之下”。这种无侵害的方式支持用户进行全面的扩展,甚至利用其服务时都不需要了解Agility的存在。

\

从该平台的表现来推断,应该是基于ESB的,因为有很多相关参考指出其“基于服务并包含支持多种访问协议的协议网关”。尽管它包括一些你所知道的关于云服务平台的常见疑虑,比如跨越管理边界的服务共享控制以及动态的服务配置与供给等等,但它还有一些新颖出彩的地方,这令它显得更加有趣:

\
  • Agility通过策略定义的方式获取服务和资源,例如,某种策略使得在特定环境下其他用户可获得其资源,比如在业务关键时刻,其它基础设施都已经超负荷的情况下。遗憾的是,Agility没有明显说明策略到底是如何定义的,WS-Policy吗?实际上所有关系都是通过服务协议来表示的。这表明云计算将可能向着更加注重SOA治理的方向前进吗? \
  • 接下来他们还提供了虚拟部署描述语言(Virtual Deployment Description Language),它是描述服务和服务所需软硬件资源,以及服务之间关系的一种高级语言。这和SOA治理的某些方面以及服务依赖图的相关工作是类似的。但从云计算的角度看来,这却是一种很新颖的手段。如果不是这样的话,在这方面可能会需要进行标准化,来消除对特定供应商的锁定问题。 \

但考虑到Arjuna的背景,Agility里将如何融合其容错技术呢?

\
……通过在检测到失效时支持动态地重新部署资源,依赖性得以改善。失效之后,随着服务需求与IT基础设施之间解耦,Agility可以确定能够满足服务需求的替代资源,并重新配置系统来使用这些资源,以保证可持续地满足服务的需要。
\

目前还没有迹象表明Agility使用的是现有失效探测机制还是其自已的技术。在缺少一个详尽架构描述的前提下,很难作出相应的判断。但看似有一件事是确定的:这一次事务处理没有被包含进整个宏图中(除非它们已经隐含为基础设施的一部分)。

\ 查看英文原文Agile Cloud Computing?
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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