从虚拟机到Kubernetes的演变

“历史不会重演,但它经常押韵”。事实证明,技术史也同样押韵。在我的整个职业生涯中, 也经常看到某些新的应用程序基础架构,存在着和过去相似的实现方式。

虚拟机

基础设施,一直是组织想要实现差异化竞争的关键指标。对于成功的组织而言,具备快速有效地部署和管理基础架构的能力,是保持竞争力必不可少的措施。

组织对速度的持续追求,往往推动了基础设施交付的技术创新。我们已经看到,交付速度的每一次增长,对组织都是一次考验,可以迅速发现组织中的弱点,并为下一个创新提供灵感。

我们只需要查看最近的历史,就能找到这样的例子。

众所周知,虚拟化已经以某种形式存在了近 60 年,但虚拟机在企业中首次亮相还只是2000年代初。不到10年的时间,它们就彻底改变了组织对基础架构交付和管理的看法或期望。

到2000年代后期,虚拟服务器的快速配置特征,提高了基础架构团队的效率,但也产生了一系列问题:资源的容易配置,导致了在共享环境中过度分配资源,大量浪费的趋势。

为了应对这些新挑战,2000 年代末,又出现了一波监控、警报和分析技术。

然后…… “云”来了。

十年前的虚拟服务器环境,可能会把数千个虚拟机分布在少数几个地理位置。而转向公有云和Kubernetes的组织,他们的虚拟机可能托管分布在多个服务商的数万个容器或地理位置中。

如果组织优先考虑速度,并没有成熟的可观察性和资源优化能力,那也有可能造成过度配置和成本上升。

那么作为 IT 专业人员,我们如何同时考虑平衡速度、质量、性能和成本控制?

从FinOps到AIOps

早些时候,很多组织将提高速度的创新,描述为发现组织运维弱点的快速方法。

新的运维模式和成熟的技术,如机器学习( Machine Learning,ML)可以帮助理解应用系统的复杂性,帮助组织做出更好的决策,并使运维成本更容易理解和管理。

从FinOps,一种跨职能利益相关者合作使用流程和工具来理解和管理成本的运维模型,到 AIOps,使用人工智能/机器学习来解析日志数据和预测不良事件,甚至在不利之前降低风险的概念事件发生,很明显,在下一个十年将看到比过去二十年更多的变化,例如对数据的重视和运用。

FinOps是将DevOps、财务和业务整合在一起的变革,其目标在于优化一个组织在云计算上的支出的财务规范和技术解决方案,即根据支出的历史记录和来自预期负载的信息,FinOps可以在需要时预分配资源或估算成本。FinOps可以称为“财务运营” ,或者更直白地称为“成本优化”,是将财务问责制引入云的IT支持,进行调整以优化质量和支出。

AIOps指多层技术平台,这些平台采用分析和机器学习技术分析从多种IT运营工具和设备收集的大数据,自动实时确定并应对问题,从而实现IT运营的自动化和增强。

但是,目前许多组织还没有准备好采用这些新方法和技术,他们还经常要应对将遗留应用程序转移到云的巨大压力,同时还要管理已经过渡的应用程序日益增长的复杂性和成本,因此必须要有一种方法来处理好速度、质量、性能和成本控制的关系。

转向使用 Kubernetes

最近,越来越多的公司开始寻找由机器学习(Machine Learning,ML)驱动的解决方案。例如,存储市场的硬件基础设施供应商,最近开始实施ML来预测即将发生的组件故障,甚至用来预测资源限制。

随着组织开始转向使用Kubernetes,在确保应用程序可用性和性能的同时,如果要预防浪费和控制成本,其中一种方法是在软件开发和交付模型中实施ML驱动的测试和优化,例如CI/CD。

这种方法,既可以为已经部署的应用程序中的问题提供修复建议,又可以作为新应用程序的质量控制措施。

Kubernetes虽然复杂但不乏可观察性,是应用ML的理想场所。

译文链接: https://thenewstack.io/parallels-of-vms-and-kubernetes/

K8S中文社区微信公众号

评论 抢沙发

登录后评论

立即登录