高效使用容器要求数据中心软件联网

来源 :计算机世界 | 被引量 : 0次 | 上传用户:xmy870129
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
  在软件定义的数据中心,软件联网有助于容器环境的彼此通信,维护好网络策略,不需要管理员对每一项更改作出响应。
  随着DevOps越来越多地使用容器,数据中心网络管理员要响应网络上的不同需求,包括可扩展性、可预测的性能、多租户和安全性等。
  容器依靠物理网络相互通信并链接到其他应用程序,本文为管理自己内部IT资源的私有企业评估了数据中心联网需求。这不包括超大规模云提供商的数据中心,因为他们的需求和资源与典型IT企业的需求和资源完全不同。
  什么是容器?
  容器是一个独立的软件包,它提供操作系统级的虚拟化功能来部署分布式应用程序,还提供开销小于管理程序的服务器虚拟化功能。容器的优点包括更好的应用程序性能、每服务器/核心的密度更高,扩展起来更有弹性等。容器是DevOps类型(基于微服务)应用程序的理想选择,能够增强应用程序的可移植性。
  与虚拟机不同,容器是不断变化的。它们可以根据应用程序的要求快速扩展或者分解。容器编排工具,包括Kubernetes、Docker和Mesos等,用于部署和删除容器,并跟踪每一容器的位置和IP地址。
  容器对数据中心网络的影响
  基于容器的应用程序的体系结构不同于流行的基于管理程序的应用程序。例如,新的基于容器的应用程序可能具有5到10个甚至更多的微服务,所有这些服务都在不同服务器或者内核上的各个容器中运行。应用程序内的这些微服务之间的高频次会话有低延迟和高带宽需求。单个服务器或者内核(几十到上百个)中容器的数量非常庞大,可能需要对网络性能进行升级。
  通常可以在服务器之间移动基于容器的微服务的物理位置,所提供的位置和状态报告数据一般要少于相应的基于管理程序的应用程序。这使得IT专业人员更难“找到”它们并解决网络性能问题。
  容器用于新的DevOps類型的应用程序,应与复杂的网路进行逻辑隔离。基于容器的应用程序的所有者希望开发并扩展其环境,与数据中心网络团队进行交互时不会出现延迟,从而进行复杂的联网或者安全调整,例如配置vLAN。
  联网容器面临的主要挑战包括:
  容器技术有其独特的管理和控制系统。IT部门需要把容器自动化和管理信息集成到更全面的数据中心网络管理平面中——特别是在容器部署得越来越多、越来越复杂和更具战略意义的情形。
  容器平台联网的限制
  容器技术最主要的供应商都在其产品中内置了联网功能。这些网络协议/技术包括Calico、Flannel和Weave。而且,容器供应商(Docker、Kubernetes、Red Hat和Canonical)已经计划改进其容器联网功能的规模和范围。
  虽然容器供应商为小规模和试验性的容器部署提供简单的联网功能,但是很多客户发现内置容器联网选项的性能和可扩展性有严重的局限。容器需要在整个软件定义的数据中心网络(SD-DCN)体系结构中进行连接,这种体系结构与其他数据中心资源基于管理程序的应用程序进行联网。
  容器软件供应商不能很好地实现数据流的可视化,也不提供与数据中心现有MANO(管理、自动化和网络编排)平台相集成所需要的软件。如果不能很好地支持vLAN、VXLAN和第3层路由,容器的IP寻址是有难度的。
  容器联网选择
  IT部门在满足其新容器部署的联网需求方面有很多选择。如果部署规模相对较小(小于6个pod),并且包含在特定的应用程序中,那么企业可以利用内置在容器编排平台中的联网功能,例如Docker等。如果基于容器的应用程序需要与基于管理程序的应用程序集成,那么IT供应商(包括Red Hat、VMware和HPE)会提供解决方案。
  随着基于容器的解决方案变得越来越大、越来越多,IT部门需要把它们集成到其SD-DCN总体战略中。最大的数据中心网络供应商(思科、HPE/ Aruba和Arista)都提供容器联网解决方案。几家独立的网络软件供应商提供创新的解决方案来大规模部署容器,这包括Big Switch和Cumulus等公司。
  给IT领导们的建议
  容器是微服务类应用程序非常热门的新开发环境。很多企业已经开始针对容器技术进行试验,以解决部署难题,提高应用程序的性能。随着容器从试点转向投产,大规模将其联网并集成到SD-DCN中的挑战也越来越大。
  软件联网提供了抽象功能,把最初的容器部署与复杂的数据中心整体环境隔离开来。软件联网可以帮助容器环境进行扩展(彼此联网),并提供抽象功能,以支持容器环境维持其联网策略,每次进行改动时,不需要与数据中心网络部门进行交互。
  随着基于容器的应用程序成为数据中心环境的主流,IT部门需要把它们集成到SD-DCN及其相关管理/自动化平台的总体战略中。IT专业人员可以从很多数据中心大供应商以及大大小小的网络供应商那里获得容器的软件联网技术。
  Lee Doyle是Doyle研究公司的首席分析师,为智能网络的发展提供以客户为中心、有针对性的分析。他在IT、网络和电信市场领域从业25年,有丰富的分析经验。
  原文网址
  https://www.networkworld.com/article/3297379/data-center/efficient-container-use-requires-data-center-software-networking.html
其他文献
企业安全分为移动终端管理和桌面终端管理两个独立实体的时代即将结束。对此感到高兴的是基础设施和安全团队,因为他们将拥有具备强大机器学习功能的工具以及一个单一控制台。  传统上,移动和桌面基础设施的安全性取决于其所管理的内容,用户会针对移动设施和端点(无论是笔记本电脑还是台式机)购买产品。  尽管安全威胁正日益增长,特别是通过电子邮件、短信或超链接发起的网络钓鱼攻击,但是企业在移动安全方面花费的资金似
你是否正在考虑将数据分析和数据科学作为企业数字化转型的一部分?自动化的基础性方法和数据驱动文化可能是关键。  数据分析是一个不断发展的领域。跟上最新发展趋势对于确保企业在未来数月和数年成功部署分析战略和策略至关重要。对此,企业需要持续加大对分析的投资力度以支持数字化转型。  市场研究公司Market Research Future在今年2月预测,到2023年,全球数据分析市场将实现30.8%的复合
各行各业的企业组织都在力求更充分地利用数据,医疗保健行业尤其如此。医疗服务机构充分利用可获取的大量数据,借助分析技术改善患者治疗效果、简化业务运营并削减成本。  甚至早在新冠疫情成为全球现象之前,研究公司Acumen Research and Consulting就预测,到2026年,全球医疗分析技术市场的规模将增长到522亿美元。分析技术帮助医疗机构确定和消除工作流程瓶颈,为运营领导人提供预测性
我们在安全产品宣传中听到的许多关于人工智能和机器学习的内容大部分都是为了营销,外人很难从中知道这些工具的真实能力。以下我们将为大家详细介绍一下目前安全领域中人工智能和机器学习的状态。  让我们从破除最常见的误解开始:企业安全软件中几乎没有整合真正的人工智能(AI)。事实上,人工智能这个术语经常被提及的原因在大程度上与营销有关,反而跟技术本身没有什么关系。纯粹的人工智能主要是复制认知能力。  也就是
要记住:无服务器计算的设计初衷是要实现基础架构配置自动化并消除服务器管理的负担。  你的企业是否已经为迎接无服务器的到来做好了准备?无服务器计算如今正在迅猛发展,但是这并不意味着它们适用于所有的场景或企业。  无服务器计算是一种软件架构模型,即云计算服务提供商为客户运行服务器并动态管理计算资源的分配。“无服务器”这个术语是一个误称,因为在某种意义上,服务器仍然参与到计算过程中。这种类型服务的价格是
近几年,银行在面对数据中心大幅提升的数据量,以及要求越来越严格的数据管理、安全标准的情况之下,提升自身运维管理能力,提高数据中心运维效能就显得刻不容缓。但是,目前市场上大多数基础设施运维管理平台对其他品牌产品的兼容性比较差,如果需要实现全平台、全品牌的兼容管理就需要采用自主研发的手段来实现。  近日,民生银行科技部系统管理中心硬件运维主管毕伟光介绍了近几年民生银行在数据中心建设、运维管理,以及民生
虽然物联网技术在医学领域中的应用充满了复杂性,但是用户仍在努力尝试。  政府法规、安全性和技术整合都是物联网在医学领域所面临的严重问题,不过该领域的专家表示,尽管遇到了一些障碍,但是医疗物联网仍在努力向前发展。  供应商:很难获得认可  Adheretech是一家医疗物联网初创公司,其主要产品是物联网药瓶。该公司的联合创始人兼首席执行官Josh Stein称,他们的产品可以监测重症患者是否服用了正
数字化转型是企业更好地为客户提供价值而进行变革的基础。本文介绍转型实际会涉及哪些工作,并给出一些确保企业走上正确道路的建议。  首席信息官们开始鄙视数字化转型这一概念了,因为它被过度使用而导致其含义变得模糊不清。  你可以责怪那些把它当作现代化托词的首席信息官们,所谓现代化包括从老的本地系统迁移到云软件,或者责怪那些在推销解决方案时滥用了这个术语以满足每一IT领导要求的供应商。  但精明的首席信息
事后诸葛亮谁都会当,要是企业在往无法获得预期投资回报(ROI)的项目投入过多的资金、时间和精力之前就知道何时止损,那就好了。  这是总部位于多伦多的房地产服务和投资管理公司高力国际(Collier International)汲取的教训。该公司的全球IT副总裁Mihai Strusievici表示,全球IT部门不是基于传统的需求收集和早期评估来开展新项目,而是从短小的迭代开发周期开始入手,这种迭代
用戶需要大量的数据,对数据进行清洗,并在合理的时间内训练数据模型,这样才能创建高效的机器学习和深度学习模型。有了高效的机器学习和深度学习模型之后,用户需要部署和监视这些模型。如果发生了变化,用户还得根据需要重新对它们进行训练。  对于那些已在计算资源和GPU等加速器上投入了巨资的用户,他们可以在本地执行所有这些操作,不过这些用户可能会发现,在资源足够的情况下,许多资源其实在很多时间都处于闲置状态。