5种技术趋势将在2018年改变企业软件

企业软件过去常常运行缓慢,遗留,安全播放且比较保守。 但是,随着过去5到10年间我们所看到的新进步,那个时代已经过去了。 这种创新和快速变化的趋势将在2018年加速发展。这五个主要技术领域将改变人们构建,销售和使用企业软件的方式。 从IaaS到PaaS到FaaS —即使对于非常大型的企业,维护服务器基础架构也面临着挑战,因为维护它需要各种专业知识。 但是,随着2006年推出Amazon Web Services(AWS)及其EC2基础架构即服务(IaaS),这已经发生了很大的变化。 所有其他云供应商都遵循AWS,并提供了自己的解决方案,例如Microsoft Azure,Google Cloud平台。 然后是下一级云计算框架,即平台即服务或PaaS,其中云供应商既提供基础架构又提供操作系统和用于部署和运行用户开发的应用程序的通用平台。 这进一步降低了企业内部的成本。 亚马逊和微软已通过其云平台交付了众多平台即服务功能。 即使使用PaaS框架,当用户没有活动时,用户也必须在后台运行服务器,这无缘无故地使他们付出了额外的代价。 这是云中下一级别抽象的驱动因素之一,即功能即服务(FaaS)或无服务器框架,这些框架允许用户仅在有用户需求时才在云中运行其应用程序。 这极大地降低了企业用户的成本。 这种趋势将在2018年持续下去。…

DevFinOps:为什么需要将财务与开发和运营集成

DevOps的形成将两个截然不同的世界融合在一起,导致IT文化的转变,只有通过整合财务战略才能使它更好(并且更具成本效益),请进入DevFinOps。 我们只是在开玩笑地讲这个……是的,我们知道,您已经足够使用Dev-blank-blank mashup。 但是,实际上,这是自ParkMyCloud开始以来我们一直在讲的东西。 只要公共云仍然有用,每个人都应负责控制其云使用的成本,这意味着“持续成本控制”应集成到持续集成和交付过程中。 告诉我们-您至少需要开始将财务管理视为DevOps流程中的要素。 当财务团队(或CTO)不可避免地开始执行更严格的预算时,我们一次又一次地看到DevOps团队超支并面临重大组织挑战。 成本控制成为一个项目 ,通过将宝贵的资源重新安排用于实施支出管理流程,从而阻碍了向前发展的步伐。 不需要这样。 由于财政资源是有限的,因此从一开始就应将其作为一个整体要素,否则应尽快将其作为要素。 我们的产品经理Andy Richman最近在CloudCast的播客中进一步讨论了这个概念。 可以通过多种方式将财务集成到DevOps中,但是最接近我们亲切的方法是自动化云成本控制。 云资源与其成本之间的精神脱节会导致预算紧张和自上而下的压力,无法控制支出。 断开连接的原因是,随着开发和运营转移到云中,我们评估成本的方式已经发生了深刻的变化,就像基础架构发生了变化一样。 迁移到云就是转移随需付费的计算资源。 这是由于从传统基础架构向公共云的转变发生了定价结构和思维方式的变化。…

是时候重新考虑数据安全的新方法了

任何经验丰富的黑客都会告诉您,受密码保护的文件很容易被破解。 普通人买不起用于数据安全的军事级加密,对吗? 这是云存储服务介入的地方。与流行的看法相反,与离线数据存储相比,云存储实际上要安全得多。 全球顶级软件和IT工程师全天候工作,以开发更稳定和安全的互联网生态系统,是时候将您的日常活动转移到基于云的数据存储了。 您无需担心数据的物理失窃 几家老牌公司拥有数据中心,这些中心在远程监控方面投入巨资。 这些公司一直在采取新的,昂贵的措施来防止存储在硬盘驱动器上的数据被物理盗用。 借助云存储服务,您无需担心数据的物理失窃。 相反,大多数云存储服务器位于访问受限的偏远地区。 全天候增加数据的可访问性 您是否曾经忘记携带重要的拇指驱动器或硬盘驱动器参加重要会议? 如果有,您知道数据的可访问性是决定会议效率的关键因素。 快速高效的云存储服务可以帮助您有效地防止此类棘手情况。 借助快速的互联网连接,您可以访问地球上任何地方的文件,而无需特定的脱机数据存储单元。 除此之外,一旦在其他地方使用拇指驱动器,还可以防止将诸如木马之类的恶意文件带回计算机的风险。 使用云存储,您可以在同级之间共享数据,而不必担心会感染致命的病毒。 两/三因素身份验证以增加安全措施 只有几种方法可以提高脱机数据的安全性。…

云中的全球规模水监控

水在我们的生活中起着许多作用。 在最基本的水平上,我们每天都需要清洁,安全,可及的饮用水。 但是,我们还将淡水用于烹饪,卫生,娱乐,电力存储和发电以及灌溉。 但是,水可能会变幻无常。 自然产生的淡水的位置和可用性随天气而变化,并且由于人类的影响和气候的变化,将来可能会改变。 长期以来,我们一直致力于通过工程的壮举来驯服河流并稳定水源,从而在全球范围内建造了近7,000个水坝。 如今,我们还有一个额外的工具可供使用:大量的卫星图像和处理该图像的计算能力,这使我们能够监视全球范围内的水量。 在笛卡尔实验室,我们开发了一个地理空间分析平台,使我们的科学家可以轻松访问PB级的卫星图像,从而使用机器学习和人工智能工具构建模型。 乍一看,对水进行制图和监视似乎很容易-只是寻找蓝色像素,对不对? 但是实际情况要复杂得多:水可能会显示为蓝色,棕色,绿色或黑色,具体取决于光线及其污垢或藻类的水平。 而且某些非水的事物(例如阴影)可以共享与水相似的光谱特征。 为了建立我们的水模型,我们从1984年至今,从世界各地以及Landsat任务4至8和Sentinel 2中取样了超过一百万个30米像素。 使用公开可用的水发生数据集作为我们的“地面真相”,我们训练了增强型随机森林模型来预测水的概率。 除了卫星的六个本机波段(红色,绿色,蓝色,近红外,短波红外1&2)之外,我们还使用了两次转换到色相饱和度值空间以及归一化差异(如归一化差异水指数(NDWI))的方法。 最后,我们采用了高分辨率的坡度信息,这有助于我们将地形阴影与水区分开。 由于云层经常遮挡我们对地面的视野,因此我们将对三个月季节(例如,三月,四月和五月)中每幅图像的预测结合起来,以生成季度水面罩。 对我们的模型进行训练后,就该开始有趣的部分了:大规模部署它!…