【阿朱洞察】中国云计算市场未来3年展望

本文回顾了云计算从2004年至今的发展历程,特别是Google和Amazon的关键时刻。中国云计算市场相对较晚,主要在2011年后起步,各大互联网公司纷纷推出云服务。目前,中国云计算厂商在IaaS层建设仍不完善,产品线有待补充。文章还探讨了中国云计算市场的典型应用场景、客户群体及其关注点,以及未来的销售模式和发展趋势。
摘要由CSDN通过智能技术生成

(1)中国云计算市场还处于起步期


一、看看史前云计算,整个云计算从世界来说也才十年光景


2004年我就用VMWare虚拟机,在上面装练习环境的软件,以便用户在练习环境熟悉ERP软件后好在正式生产环境上岗作业。那时候还没有云计算的概念,虚拟机也不是云计算技术栈中的一部分。


2004年也是Google火爆的一年。IaaS层面,Google服务器数量、IDC机房建设、Google网络技术首次公开,让人惊叹现代工程;PaaS层面,赏心悦目的Google Open API让人可以通过API直接访问Google的功能服务和数据,使基于云的模式编程成为可能;Gmail在4月1日愚人节横空出世,随后Gtalk、Google Doc、Google Earth各类互联网产品不断推出,构建了丰富的应用SaaS层。


2005年,Google发布划时代的三大论文:GFS、BigTable、MapReduce。随即,2006年,Hadoop开源项目成立。


2006年,Google首席执行官埃里克·施密特首次提出“云计算”概念,但2006年Amazon也随即发布“云计算”公有云产品,发布EC2(虚拟主机)和S3(简单存储)两款正式产品。AWS最早可追溯到2002年,Amazon通过WebService技术来发布Open API,供其他互联网企业通过Open API来调用Amazon的主数据,如商品信息。


从2006年开始正式算起,云计算已经如今十个年头了。


现在回头来看商用公有云(IaaS、PaaS、SaaS),Amazon居然比Google跑的还要快。我个人倒是觉得Google更有开展公有云计算业务的技术实力,但Google居然一直三心二意没有强势发力,公有云业务目前在Google都不是一项重要业务。而Google却一路绝尘在智能硬件、无人汽车、人工智能。我想,这可能正是百度和Google的本质差异。百度把搜索当目的,而Google把搜索当做数据收集、数据处理、数据应用的一种手段,除了搜索这种手段,Google还通过各种地图&卫星地球、智能Android OS&智能硬件、物联传感&无人汽车、机器人收集大量的数据。Google收集数据处理数据为自己所用,而云计算技术只是它实现自己目的的一个基础支撑手段而已,所以它没有想着把它商用来赚钱。这种思路可能会一直影响着Google在云计算业务方面的开展。


二、说说云计算主流技术时间表,大多是近5年内才起步


我们纵览了一下云计算主流技术的发布时间,发现:IaaS主要在2011、2012年,大数据主要在2014、2015年,人工智能主要在2015、2016年。


1、IaaS

2010年,OpenStack开放给业界;

2011年,Cloud Foundry由VMWare开源;

2012年,CloudStack由Citrix开源;

2014年,Docker1.0发布;


2、PaaS

2008年,MongoDB由10gen开发并开源(也可归入大数据领域)

2010年,Redis由VMWare资助获得大力发展(也可归入大数据领域)

2011年,Kafka由LinkedIn开放给业界

2008年,Zookeeper作为Hadoop的一个子项目对外开源


3、运维日志

2004年,Zabbix开源

2012年,Flume加入Apache开源

Logstash+ElasticSearch+Kibana

collectd+InfluxDB+Grafana 


4、爬虫、搜索、推荐

2009年,Nutch1.0发布

2000年,Lucene1.0发布

2007年,Solr1.0发布


5、大数据

2011年,Hadoop1.0发布;

2013年,大数据查询框架Presto发布;

2014年,Spark1.0发布;

2015年,HBase1.0发布和分布式关系数据库GreenPlum开源,

2015年区块链技术OpenChain也开源了;

2016年,Storm1.0和Elastic5.0发布;


6、人工智能

2015年微软开源了分布式机器学习包DMTK;

2015年Google开源了深度学习系统TensorFlow;

2016年雅虎开源了人工智能引擎Caffe On Spark;

2016年F

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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