混合云帮 TCL O2O 平台搞定了双十一


导读

   

      作为TCL集团O2O平台,与传统内部IT系统构建大大不同,针对电商平台更多互联网架构和直接用户场景中资源和性能突发的线上业务,以及后台交易、线下传统物流、零售门店等数据隐私和安全相关的核心业务综合的特点,适应业务形态的混合云架构成为了TCL O2O 平台的最佳选择。


截至11月11日 24:00,TCL全网累计销售额达14.3亿元,同比增长43.5%。其中,TCL电视拿了8.8亿的销售额,同比增长达到61%;TCL空调开售10分钟销售额已超5000万,全天销售额为10月日均销售额的100倍。


销量骤增的背后,不仅要稳定可靠地应对订单高峰,还要同时兼顾交易安全和用户数据隐私,作为我国第一批混合云用户,TCL O2O运营平台用混合云的独特方式成功应对了”双11”!


国内最早一批混合云实践用户


IDC数据显示,73%的企业云用户会采用混合云战略,因为从成本优化和安全性/合规性角度来看,混合云因为兼具公有云的灵活性与私有云的安全性而日益受到企业用户的欢迎。


作为TCL集团O2O平台,与传统内部IT系统构建大大不同,针对电商平台更多互联网架构和直接用户场景中资源和性能突发的线上业务,以及后台交易、线下传统物流、零售门店等数据隐私和安全相关的核心业务综合的特点,适应业务形态的混合云架构成为了TCL O2O 平台的最佳选择。


TCL O2O基础架构负责人霍炬谈到:“作为国内最早一批混合云实践用户,我们最早体会到混合云兼具的私有云的核心数据隐私性和安全性,以及公有云的资源灵活性,更好地打造了以用户为中心、线上线下融合方案及相关的专业运营平台,助力TCL集团双+转型,建立“产品+服务”的新商业模式。“


私有云为主,公有云为辅的混合云特征将长期存在


从传统2B线下渠道到打造O2O平台2C线上商城,线上销售平台、服务网络、物流网络等业务系统的改变,让TCL O2O混合云平台建设的目标充满挑战:资源管理的集中化、可视化,资源利用率的提升,资源使用的弹性、按需、分钟级响应,自助服务IT,资源服务可计量等。


对于混合云工作负载的划分,霍炬表示,从业务层面,像2C的互联网业务,如TCL粉丝社区、官网商城等互联网业务,会选择部署在公有云上;而对于核心数据相关的后台系统,如订单交易、大数据分析、线下物流、服务支持等核心系统均放在私有云数据中心。而对于日常应用不多,短期峰值明显的应用业务,则选择部署于私有云,并利用公有云做补充以实现弹性扩充。


此外,除了TCL本身的垂直电商订单,来自于天猫、京东、苏宁易购等第三方电商平台的订单,也都将汇总直接在私有云中处理。


霍炬认为,随着业务量的增加,就TCL O2O平台而言,私有云资源池的扩充将一进步扩容,而公有云作为线上应用前端业务波峰时期的灵活补充将保持相对稳定的应用规模,因此,由于运营平台对业务组合的安全性和弹性需求,混合云部署将长期存在。


在项目实施层面,TCL电商平台在2015年就携手国内领先的开源云计算企业EasyStack进行混合云项目实践,合作已经持续了2期。


在一期的项目中,利用OpenStack私有云平台实现了对Vmware虚拟化平台的重要替代,也实现了和AWS公有云平台的资源对接和统一管控。在长达1年的稳定运行后,在第二期的项目中实施了扩建,物理节点的规模扩大到数十个,工作负载由部分测试开发转向全面的生产业务。而从当前虚机部署规模来看,私有云虚拟机约700个,公有云虚拟机100多个,私有云和公有云的规模占比达到7:1,也符合混合云客户为私有云为主,公有云为辅的特点。


通过两年多以来的运营实践,第一,用OpenStack开源云计算的架构逐步替代了传统虚拟化架构,使得公司业务更为灵活高效。第二,EasyStack私有云+AWS公有云平台的组合在稳定性和灵活性上确实达到了业务的要求。第三,通过私有云平台实现了对所有资源的统一管理体验,运维和操作都更为方便。


这意味着TCL O2O平台不仅实现了资源利用模式改变,内外部资源协同能力提升,实现由买到租,带来投入成本降低,敏捷性提升;也实现了资源管理模式改变,资源从分散式到集中化、从保姆式到自助式,带来维护成本降低,管理效率提升;还实现了支持应用架构与开发流程的重构,具备支撑高扩展、高可用、弹性等云化特征。


需求升级,容器成混合云下一个战略高点


那么,未来TCL O2O平台将如何升级?


2015年,这个平台的需求主要是对内部资源的云化、对外部公有云的资源统一管控及可视化,并实现对内外资源进行统一调度和基本操作。而到了现在,平台已上线3年,霍炬表示,在IaaS资源管控的基础上,我们希望混合云平台能提供应用服务敏捷部署、调度、迁移的能力,以及大数据分析等PaaS服务能力。


为此,EasyStack在今年发布了基于Kubernetes的容器产品ESCloud Container,并就混合云解决方案ESCloud Hybrid进行了重大升级。


新的EasyStack ESCloud Hybrid旨从在业务应用的用户视角,不仅可以打通计算、网络、存储等IaaS资源层,还通过容器技术打通支持业务运行的应用层,做到业务在私有云和公有云之间的分钟级部署和自动迁移,为混合云的进一步普及奠定技术基础。此外,它还通过可视化的统一平台进行跨资源池的统一调度和管理,具备跨多云、跨厂商、跨资源池的特色,从而解决了企业用户选择单一公有云的可靠性问题。


霍炬对此表示,作为国内第一批混合云用户,TCL O2O平台也将与时俱进,采用经过验证的最新技术以更好地满足业务需求,从而更好地助力集团双+转型的目标。




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