横评美国IaaS“8匹狼”:AWS、GCE、Azure、Rackspace、SoftLayer、Dell、HP、Joyent

“我们”会帮助你忘记复杂系统,摆脱服务器安装困扰,不再担心备份,也不会再因为种种出错而造成损失,专心一致地完善企业核心竞争力。只要你将数据和信用卡拿出来,为自己仅支付一点点费用,其他的工作都可以交给云计算服务器商来完成。

这段宣传已经成为云计算的口号。更让人动心的是,其方便(在需要时购买,在需要时付费),而且便宜(大部分服务和糖果价格差不多,不到5美元)。

不过,业“外”人士也许想象的“云计算服务”:都是雷同的,或者像是乐高玩具一样可以随意搭配。但事实往往并非如此,这些服务一般都很“多姿多彩”。一方面,固然是因为云计算服务商的宣传需求,希望将他们的服务与竞争对手相比有所差异;另一方面在,针对细分市场需求,不同产品及服务差异汇总在一起,必然也有很大不同

为此,针对美国重要的8家IaaS服务提供商:AWS、GCE、Azure、Rackspace、SoftLayer、Dell Cloud、HP Cloud、Joyent,InfoWorld特别发布了横向评测报告

基准测试


首先是操作系统。尽管Linux已经无处不在,各类标准版、发行版可供选择,比如Ubuntu等。但仍有一些公司还是创建了自己的版本,即使仅是轻微或者一般意义上的增强。

AWS(Amazon Web Services )和GCE(Google Compute Engine)都有其自己版本的Linux。Rackspace则可以选择一个数量的免费版本或者像Red Hat Enterprise Linux按月付费。Linux并非唯一选择,很多云服务商可以提供 Microsoft Windows 等服务,不过需要额外收费。当然,Microsoft的Windows Azure 和Dell Cloud可以除外(本身已提供相关服务)。除了微软和DELL以外,这些企业希望通过微软商店等服务,将那些已经在微软技术方面投入很多的企业逐步迁移到自己的云中。但并不容易。而另外一家,Joyent Cloud则通过对Open Solaris的改造形成了自己的SmartOS。

其次,不容易被看到的区别。也许有人认为这些服务底层都是Intel主机被放到了各自的机架中,但事实却是,通过不同虚拟化软件将高性能硬件进行切分后的一小部分才是给消费者提供的服务基础。换句话说,就你租的不是地,仅仅是其中一间公寓或分时度假(timeshare)。

最后,具体数据还是要以基准测试为准。

当开始计时后,这些机器之间的差异开始变得很明显。这些公司都尝试帮助我们创建单位来测量CPU功率,但是很明显,这些指导方针很粗略。通过DaCapo collection of Java routines来做测试,显然对于构建Java applications的测试非常合适。

DaCapo套件测试不同的工作就如同在Java中创建图像和启动Tomcat服务器。而对那些不使用Java的也可以通过看到功能对比通用视图得到一些参考,毕竟每个基准都会在机器上产品一种不同的压力测试。

详细比较结果见下表。

AWS、GCE、Azure、Rackspace、SoftLayer、Dell Cloud、HP Cloud、Joyent测试图(点击看大图)

注意虚拟化


如此戏剧性的对比结果真让人难以相信是在同样机器运行同样测试下得到的。追其根本原因,还是因为不同机器采用了不同类型的虚拟化层来处理不同的设备的驱动程序。当这些“不同”以有趣的方式来应用时,产生的结果自然也完全不同。

在考虑Lucene,一种常见的大量文本文档索引工具。在创建索引测试时,SoftLayer所提供的机器要比Amazon基本实例快上至少两倍。但是在索引建成后,在搜索索引时,SoftLayer仅比Amazon快30%多一点。

即使是同一个云计算服务商的云中,不同机器之间的结果也会显著不同。比如Google, 举个例子,提供一定数量的机器,但是表现却与预期不符。比如在大多数的基准测试中,High-CPU machine极有可能与 standard machine性能基本相当或略有提升。而在Tomcat simulation中,前者速度是后者的两倍;令人费解的是,在Avrora benchmark中,前者则比后者要慢3倍。

当然,在这些关于Google机器的测试中,可以添加更多的CPU来帮助多线程测试,但结果显然与预期不符,有时候甚至会减缓速度。增加RAM虽然可以加速,但结果显示也不并非总是如此。这些明显的增速措施有时候仅能增加一点速度,大部分测试还是维持结果不变,而少数(如XALAn解析器等)变化显著。

所有这一切意味着你要一个博士学位和大量实践经验来确定一个基本问题:这些机器究竟价值如何?这些测试显然能够帮助你精打细算。比如,如果是构建Lucene而不是搜索索引,显然通过SoftLayer更合算。而如果单纯对比3美分/小时或者4美分/小时显然没有多大意义,因为只有广泛实际测试实例才能真正揭示出服务的价值。

数据存储


虚拟化影响最深的是数据存储。显然,数据库速度严重依赖磁盘驱动器的I/0通道速度,每个额外的虚拟化都会降低其速度。有些云服务提供商没有对此提出解决方案,是由于他们认为客户可以运行自己的数据库系统。

当然,也有提供了特殊数据存储服务的,可以按照字节来收费。SoftLayer实例,可以提供 MongoDB的服务。而HP Cloud和Rackspace Cloud 提供的是类似MySQL这类服务。还有很多企业通过不同数据库技术,剥离虚拟化层之后构建API,已提供按照字节而非机器收费的存储服务。其寓意就是通过高度调优的操作系统提供超越你自己常规机器的性能表现。

其他服务强调的是不同性能属性。亚马逊有一个广泛收集数据存储的解决方案,其中Glacier就很有意思。其为档案存储服务:可以按照“几小时”检索时间收费。注意,不是毫秒、秒和分钟,而是按照小时。(延伸:最初推出Glacier服务(冷存储)时,存储 1GB 大小的档案,每月支付1美分。)

这些方案之外,一般还会有其他工具与之相对应。比如为Glacier服务中会有AES-256 技术来为用户数据加密。

网络选项


网络是另外一个需要重点关注的领域。一些云计算服务商,比如DELL,提供了私有网络连接机器。这很容易创建数据库机器,从安全性上看,可以回避一些公网攻击。这并不是完美的技巧,不过云安全而言,起码是一个好的开始。

另外一些会提供云服务中更详细的地理信息。这对于那些希望了解机器所在,进而决定如何存储数据的企业而言挺有吸引力。比如他们可以针对最宝贵的数据进行多地容灾备份,以抵御那些不可抗拒的风暴、火灾及其他灾难时的危险。比如,谷歌针对带宽的成本统计都很透明,便于在不同的数据中心,以及相同数据中心不同位置的选择。

带宽计量在认可情况下都容易造成混乱。这一点一定要非常注意。

超越基础的服务


在云的服务中,最有意思的是专有服务。比如Amazon有一组video cards (GPUs) 服务。你可以通过这些服务轻松实现构想或者算法验证。物理学家、生物学家、计算机科学家都可以验证之前很难得以尝试的设计。

这些特殊的堆栈并不需要特殊的硬件,这就是关键。大量的云——包括Amazon、Joyent和Windows Azure,都开业提供特殊的Hadoop机器来支持一些奇思妙想。他们优化底层操作系统并提供JVM更好的性能。Joyent甚至声称可以提供“快三倍的速度”。

当然,还有其他特殊的服务。一些特殊的工作和性能的指示版挺不错,而对大多数的开发人员而言,一般会自己来统计数据,以便更好地感受吞吐量等关键数据。

而另外一个相似的特性也在浮出水面——自动化管理。比如Amazon容许通过镜像来创建数以百计的新机器,然后通过配置信息进行修改。而不需要登陆每台机器来进行独立配置。

这类服务会帮助某种类型的工作大幅提升效率,不过如果你的栈是静态的,显然意义不大。但是如果你要建立或取消大集合机器,这个自动配置就至关重要了。而这类特殊服务显然越丰富越好。

总结:需求越具体,可选的范围就越广泛。当然,对有些企业适合的不一定就适合你。即使是下文对这8类公有云服务提供商的测试报告,也仅供参考。

印象八家服务商


AWS:云之父。AWS提供了豪华的21项选项,资源和服务(EC2和S3还是最基础的, Simple Workflow Service ,SimpleDB等等)。而且这一系统还在不停的增加新成员,另一方面,Amazon通过种种市场活动进行促销,获得更大市场份额。而从中成长起来的创新企业,比如Netfix,也实现了自身的成长。有些客户甚至吹嘘自己每月要支付给AWS100万美元服务费(这比多数自建数据中心的企业支出还多)。 由此也可以看出AWS的价值。但是具体到对比中,却并非每一项都有压倒性的优势。

Google Compute Engine:作为一种新IaaS服务,GCE在Linux实例上为用户提供了丰富的选择。

Windows Azure:微软云产品性价比很赞(虚拟机、数据库、存储块以及增值类服务如企业服务总线、网络连接数据地址验证、位置数据、bing搜索引擎、调试代码的工具、发送邮件、安装MongoDB、ClearDB版本的MySQL数据库等),集成了微软大部分的工具和大量开源选项,使得企业应用更为简单便利。其优势很明显,Rackspace或许需要投入更多费用用以搭建Microsoft Windows server,但是在Azure这一投入基本可以和Linux持平。Azure支持用户启动虚拟机并安装流行的Linux发行版,比如Ubuntu Server 12.04 或者OpenSuse 12.1。据悉,其价格与WindowsServer 2008 R2和Windows Server 2012产品相同。此外,还支持PHP,node.js,Python和Java,及更多免费工具。考虑到5月,通过世纪互联,Windows Azure将落地中国,感兴趣的朋友不妨仔细看下。

Rackspace:一贯保持让IaaS简单的理念,提供了成熟的工具、开放标准和企业级服务支持。 

SoftLayer:快速而灵活。其自带了细粒度的配置选项,高性能,有趣的自助服务。

Dell Cloud:通过与VMware的合作,使得在虚拟平台方面灵活性和复杂性表现好。

HP Cloud:目标就是企业市场。基于OpenStack所建立的IaaS云在开放性和可移植性方面优势明显。

Joyent Cloud:速度。smartOS提供的云服务很好。


  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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