互联网+存储转型之道:左手开源,右手融合

2016年8月5日,全球开源领导厂商红帽携手ZD至顶网、Intel、云达科技共同举办的主题为“开放 融合 开源开启存储新世界”的2016年中国开源企业存储峰会在北京富力万丽酒店隆重召开。ZD至顶网总编高飞先生为峰会致辞。

互联网+存储转型之道:左手开源,右手融合

高飞在致辞中表示:“过去的两年间,几乎所有的行业都在走向“互联网+”的转型过程。因为互联网,移动互联网在信息渠道中扮演愈加重要的角色。很多企业的业务都变成一种双重业务状态,一边是传统的商业模式,一边是逐步发展的由互联网为代表的技术驱动的业务。在这种情况下左手拥抱开源技术,右手拥抱以新的存储架构为依托的大数据所带来的业务创新,正在成为多数企业的互联网+转型之道。”

以下是致辞内容:

欢迎大家参加由红帽公司,携手英特尔公司,以及ZD至顶网共同举办的2016年中国开源企业存储峰会。非常感谢大家今天的到来。

今天会议的主题是开源和存储,至顶网在过去的十余年间,一直在关注开源技术在企业中的应用。我们认为,无论从技术的演进,还是具体的业务实践,应该现在都是最佳的发展时机,而发展背后的发动机,就是企业面向互联网的业务转型。

过去的两年间,几乎所有的行业都在走向“互联网+”的转型过程。因为互联网,移动互联网在信息渠道中扮演愈加重要的角色。很多企业的业务都变成一种双重业务状态,一边是传统的商业模式,一边是逐步发展的由互联网为代表的技术驱动的业务。

新的技术,几乎让所有行业都以新面貌出现。我举三个行业的例子:

制造行业,正在通过数字化设计,和数字化工厂,迈向工业4.0。在中国,这被称作中国制造2025。

在金融行业,互联网和金融的结合方兴未艾,科技加金融的结合体又忽如一夜春风来,Fintech,金融科技,区块链等概念,正在改变传统金融逻辑。

医疗行业,也在迈向精准医疗和移动医疗。最近有一本书叫未来医疗,谈的就是智能时代的个体医疗革命,

这种双重状态叠加的情况,不仅存在于商业模式,也存在于企业的技术架构。

分析机构Gartner在2014年提出了"双模式IT"的组织模型。

模态1(model 1)叫做可靠(Reliable)IT或传统IT,强调扩展性、效率、安全和精确度;模态2(model 2)叫做敏捷(Agile)IT或新型IT,强调的是速度和灵活性,例如给予Web-Scale、PaaS/大数据的应用。

从现在的业务发展来看,企业模态2的新型IT比重越来越高。

这种新型IT在至顶网看来,有一个非常重要的特点,就是非常依赖开源技术。

其实这是非常好理解的。毕竟企业的商业形态还在迅速的变化之中,技术形态就不可能是固化不变的。

只有开源这种不断演化的技术生态,才能适应企业的瞬息万变。以往单一厂商自己封闭环境开发,很难追得上社区创新的速度。

对于开源的重要性,红帽公司的CEO Jim Whitehurst曾经有过一番表态,我这里做一下引用,他是这样说的“过去的创新往往集中于不多的人,现在需要人人(甚至包括客户/用户)参与企业创新,才能最终赢得竞争。而开源是软件开发最好的方式,因为只有开源才能让人人参与进来。”

尽管开源有巨大的好处。很多企业在驾驭开源技术的时候,是有一些阻碍的。开源的优势在于快速演进,这在技术方面是好事,但是对于企业应用来说,就面临缺乏最佳实践的问题。同时,也对技术团队的能力有了很高的要求。

面对这个问题,我们很欣喜的发现,以红帽为首的开源生态公司,其实在这方面能够给企业带来很多帮助。因为红帽和合作伙伴公司,一直根植于开源技术的企业实践,而且与社区结合紧密。某种程度上来说,既能够提供开源技术所需要的速度,又能够提供企业业务所需要的稳定性。某种程度上,做到了横跨了我们刚才说的双模式IT。

我们再来谈一谈大数据。这也是当前一个非常重要的概念,因为它不仅是一个技术概念,也是一个商业概念。很多新兴的商业模式,实际上是非常依赖于大数据技术平台。

但是要实现大数据,必须在技术底层首先有健壮和灵活的存储架构,软件定义存储正在走向实践。代表开源存储技术的Ceph,Gluster具有可扩展性、可靠性和成本效益正在脱颖而出。

左手拥抱开源技术,右手拥抱以新的存储架构为依托的大数据所带来的业务创新,正在成为多数企业的互联网+转型之道。

今天的中国开源存储峰会,就成为这样一个讨论开源与存储的*技术盛宴。我们既有来自红帽的全球开源软件的技术和方案专家、又有来自英特尔,云达科技等开源生态伙伴,同时更有来自中国移动苏研的技术实践者。

因此,相信今天的会议,一定是一场一场开源与存储的知识盛宴,再一次感谢各位与会嘉宾,预祝今天的大会圆满成功。谢谢大家!


原文发布时间为:2016年8月5日

本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。

上一篇:清理多个varnish服务器缓存的脚本


下一篇:SparkML机器学习之特征工程(二)特征转化(Binarizer、StandardScaler、MaxAbsScaler、Normalizer、N-gram、Tokenizer等)