深入浅出云计算Part2
2020-06-11 14:01:21 2 举报AI智能生成
登录查看完整内容
深入浅出云计算PaaS篇
作者其他创作
大纲/内容
深入浅出云计算PaaS篇
正确理解和评估PaaS
PaaS的核心概念
Platform-as-a-Service，云计算提供的平台类服务
抽象和可复用的单元
让用户将更多精力放在业务逻辑上
PaaS的核心优势
生产力/效率
尤其在搭建和运维层面
怎样学习和研究PaaS
第一维度：服务是否带有内生的运行环境
第二维度：PaaS服务存在的位置和范围及给予你的控制粒度
第三维度：服务是否是“有状态的”
第四维度：支持PaaS的虚拟机是否对外暴露
怎样衡量和评估PaaS
PaaS的核心在于封装，既带来了效率优势也带来了灵活性上的牺牲
检查PaaS限制的方法
功能屏蔽
版本选择
性能极限
更新频率
版本陷阱
当云上官方的PaaS不满足需求时也可以考虑第三方PaaS
对象存储服务
对象存储的功能
云上创建的一种“网盘”
存储任意结构化的和非结构化的二进制文件
可以随时上传下载、修改删除
保证了数据的可靠性、可用性和扩展性
对象存储和云硬盘的区别
访问的接口和形式不同
云硬盘作为虚拟机的块存储设备而存在
对象存储本质是一个网络化的服务
对象存储内本身不存在一个真正的文件系统
一个键值形式的存储服务
对象存储的巨大容量
能够轻松容纳PB级的大容量数据
对象存储的高级特性
存储分层
设置访问频率从高频到低频等不同的存储级别
生命周期管理
允许设置一定的过期规则，自动执行一些清理操作
对象的版本管理
启用此特性会自动记录版本号以便进行回滚和恢复
对象存储的应用场景
一切需要保存数据的地方都可以适用
应用托管服务
理解应用托管服务
本质是为应用提供一个隔离的独立运行环境
让用户只专注于业务逻辑而无须关注运维
主流云厂商产品
AWS ElasticBeanstalk
阿里云Web应用托管服务（Web+）
Azure应用服务（Azure App Service）
应用托管的增值服务
监控
针对Web应用的特点而进行的HTTP层面的监控
基于这些监控指标可以指定相应的报警规则
扩展
既包含了底层机器配置的垂直扩展
也包含了机器数量层面的水平扩展
集成
与其他PaaS服务的集成很方便
与云上DevOps组件和流程的无缝对接
云上数据库服务
理解云数据库服务
将数据库服务搬到云上，让用户更方便轻松地使用、管理和维护数据库
和传统关系型数据库的共同点
外部交互层面，保持了和原版数据库几乎一致的编程接口和使用体验
和传统关系型数据库的差异点
搭建、运维和管理层面实现了相当程度的智能化和自动化
极大提升用户友好度，降低使用门槛
云上数据库最具代表的高级特性
支持读写分离
只需在后台略加操作配置即可完成
支持自动调优
自带有性能分析和改进模块帮助发现性能热点
新一代云原生数据库
主流产品代表
AWS Aurora
阿里云 PolarDB
Azure Cosmos DB
优势和特点
更强的可扩展性
存储规模和算力
更高的可用性和可靠性
默认多副本高可用
支持多种数据模型
兼容关系型与NoSQL
低成本启动
自然地跟随业务增长，经济适用
为何能不断占领市场
上面提到的易用性和丰富功能性
云厂商能够端到端地掌控影响一个数据库的设计和性能的所有因素，为它配备最新最好的软硬件组合
借助云计算平台，云数据库拥有非常好的流量入口
Gartner大胆预测到2023年全球3/4的数据库都会跑在云上
使用云数据库的建议
如果是老的应用迁移/与自建数据库保持高度兼容性的场合
使用经典RDS服务
如果应用场景中数据量大、性能要求高/没有历史负担
直接考虑云原生数据库服务
云上大数据服务
理解云上大数据服务
大数据是技术手段，而云是一种资源和能力的载体
如果云是一艘航母，是一个大型综合作战品台，那大数据就好比战斗机，在航母上就是舰载机
云上大数据的特点
简单易用，方便管理
大大降低了学习和应用大数据技术的门槛
尽可能的保证了兼容性
和熟知的大数据技术别无他样
解耦了大数据架构中的计算和存储
存储端一般优先选择对象存储
计算端集群可以动态地创建和销毁
提供了很多增值服务
性能监控、Jupyter Notebook等
主流云厂商的大数据服务
大数据计算
AWS EMR
阿里云 MaxCompute、E-MapReduce
Azure HDInsight
大数据存储
AWS S3（EMRFS）
阿里云 OSS、JindoFS
Azure Blob Storage、Data Lake Storage Gen2
云上容器服务
容器和云的关系
容器和云是相辅相成的
云承载着容器的运行
容器生态也驱动着云的发展
容器与云厂商力推的一些云服务存在竞争和替代关系
部分PaaS服务也可以使用IaaS服务来实现
Google积极创立和发展CNCF
云上K8s服务的特点
云端的多租户特性，可以免除在Master节点方面的开销
云厂商做了很多工作，使得K8s可以和IaaS/PaaS组件有很好的的集成
易部署多集群，保证不同的集群有更好的隔离性
容器镜像服务
云厂商都提供了自己的容器镜像服务，如AWS ECR、Azure ACR等
全托管容器实例服务
“全托管”思想在容器服务商的体现
不用关心底层基础设施
AWS Fargate、阿里云弹性容器实例等
适合有容器镜像且想要尽快在云上跑起来的场景
无服务器计算服务
理解无服务器计算
无服务器
“无服务器”是云计算中资源抽象的极致体现
用户感觉不到服务器的存在，可以专注于业务逻辑而不再关心基础设施
完全屏蔽计算资源，引导不再关心底层环境
AWS Lambda、阿里云函数计算、Azure Functions
无服务器计算的计费机制
两个指标：调用次数 和 调用时长
适合场景：偶尔触发、短时间运行的工作
无服务器计算是多面手
事件模型是无服务器的核心编程模型和运行逻辑
云上Serverless服务一般都配套提供了多种多样的触发器
多样的外部交互方式也让无服务器计算能够对外访问，并向下游输出
以工作流的方式进行云函数等事件处理单元的组合和编排
无服务器计算服务的限制
本质是受限的环境
冷启动的延时
内存的限制
云函数的运行时长
并发数上线
......
云上AI服务
开箱即用的API服务
这类服务将非结构化数据处理分析的通用需求场景，进行了封装和开放
图像、视频
语音、文本
可以通过云端标准的API和SDK来进行调用，一般按调用次数进行收费
各领域的AI服务
计算机视觉
人脸识别、物体检测、OCR、安全扫描等
自然语言处理
机器翻译、文本分析等
语音类智能服务
语音识别、语音合成等
视频类智能服务
视频分析、用户内容审查等
构建自己的AI模型
按照特定的需求来构建自己的定制模型，是普遍而常见的场景
云厂商开始提供帮助用户构建AI模型的基础设施服务
主流产品
AWS SageMaker
Azure Machine Learning
阿里云机器学习平台PAI
适合对象
数据科学家、算法工程师
云上机器学习服务帮助进行贯穿生命周期的模型构建和管理
数据准备
集成了数据标注相关的功能简化操作难度
模型训练
内置常见机器学习和深度学习算法
也兼容开源的机器学习和深度学习框架
模型发布和部署
简化了模型部署和推理调用操作难度
0 条评论
回复 删除
下一页
