容器管理:如何防止容器蔓延与成本蔓延

当好的东西使用的越来越多时,包括云容器在内,那么公有云中成本越来越多。这里有三个选择可以防止容器蔓延——所有高价标签都来自于此。


云计算中的容器简化并加速了程序的部署,但是这种易用性也导致用户更容易过度使用它。当公有云中发生这种情况时,容器蔓延会导致成本急剧上升。


幸运的是,容器蔓延是可管理的,但是企业需要迟早进行控制,而且要长期坚持。尤其是,不是所有的容器蔓延管理实践都能应用对云成本问题。


容器蔓延挑战 


虚拟机是第一个流行的虚拟化策略,但很明显,企业可能会过度采取虚拟化,导致主机管理和应用程序部署更加复杂。


容器在云计算,在数据中心,提供了一种方法创建虚拟主机共享一个系统,并共享物理服务器的一些中间件。这使得组织在服务器可以部署比虚拟机更多的容器。当然,这也意味着数据中心中的主机数量可能会成倍增长更多,同时,为容器系统更容易部署,组织也是像在虚拟中那样更容易碰到管理的复杂性问题。



公有云中,容器蔓延管理是一个挑战,但成本却是一个更大的挑战。如果云计算中的容器激增,提供商的费用也会大幅增加。更糟糕的是,大多的关于克服容器蔓延的建议都是要降低管理的复杂性,同时对成本不会有影响。


如果你希望为容器化应用控制公有云的费用,那么就减少你部署的容器主机的数量。评估一下下面的三个选择,来达到减少容器数量,节省成本的目的。


选择一:组合应用组件


许多容器用户过度配置,这意味着他们将应用打散成可加载的镜像,他们比所需的更小。如果你不打算重新以不同的方式使用组件的话,就不要分离他们。


理想情况下,组合的组件应该在工作流中相邻,因为这将缩短数据路径并且提高性能。更少的应用组件也意味着操作更简单,管理更便宜。


对于那些在你的数据中心中,且期望在公有云中部署的容器化应用,你要审查它们的所有组件。为了减少托管费用,确保在转向云端之前,你使用是最少的容器服务。


选择二:云端组合虚拟机与容器 


第二种减少蔓延成本的选择是在公有云中组合虚拟机和容器。为了实现这一目标,请在基础架构即服务平台中托管你的容器系统,如Docker。如果因为容器服务你使用了多个公有云容器,你可能需要为每一个容器付费。但是,如果你在云中托管了一个虚拟机,并在这个虚拟机中创建你自己的容器托管镜像,那么结果就是你会在每一个容器上减少成本。然而,但这却并不同100%保证,这一模型还是存在一些待解决的问题。


例如,在容器系统和裸金属之间的额外虚拟机将会影响性能。用户报告称,这种情况与直接在云计算中运行容器,最好的情况下你可能丢失25%的机器性能,甚至可以达到   40%。你需要看到大幅的成本收益来证明这一方法,并且要仔细选择你的应用。如果托管应用组件的容器没有使用过多的资源,如I/O或CPU和内存,但却需要长时间驻留,那么这种虚拟机和容器的方法就是有效的。


选择三:无服务器道路 


第三个选择是使用无服务器组件代替容器化组件。这种方法直接解决了蔓延问题,因为这让用户只对实际使用的流程付费,而不他们消费的托管点。但问题是组织需要经常重设计在无服务器上运行的应用或组件。


使用无服务器计算,应用程序被分成一系列简单的组件,当组织需要时才会加载他们。就像当你有许多作用的容器化的组件时,托管在容器系统中的虚拟可以良好运行那样,无服务器计算也做了这样的应用。你可以调用  上千个应用部件,如果调用不成功,你就不需要付费。


在应用无服务器计算之前  ,审查一下来自重要云提供商的可用框架,例如亚马逊WEB服务、谷歌云平台和微软的Azure。无服务器计算不仅只是一种不同的编程方式;它是一个全新的应用模式。你需要掌握其充分的上下文才能很好地利用它。


作者:Tom Noll  |  翻译:蒋红冰

原文链接:

https://searchcloudcomputing.techtarget.com.cn/5-15802/


推荐阅读:

从Pike版本开始,OpenStack组件走上模块化易组合之路

调查显示最常用的混合云是OpenStack+AWS




投稿邮箱:openstackcn@sina.cn


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。
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