用 Cisco 和 Google Cloud 挑战您的内在混合创造力

近年来，Kubernetes 越来越受欢迎，尤其是在开发人员社区中。而开发人员为何如此喜爱 Kubernetes？因为它在容器管理方面提供了令人难以置信的速度、一致性和灵活性。但对于企业来说，容器并非只有阳光和玫瑰——巨大的好处伴随着巨大的挑战。没有人喜欢部署、监控和管理容器生命周期，尤其是在多个公共云和私有云之间。此外，在环境选择方面也有很多，这也会造成很大的复杂性——工具太多，标准化太少。

因此，今年早些时候，思科推出了思科容器平台，这是一个由 Kubernetes 驱动的生产级容器环境的交钥匙解决方案。思科容器平台可自动执行重复性任务并简化复杂任务，以便每个人都能重新享受容器的神奇之处。思科容器平台是思科整体容器战略的关键组成部分，也是思科为客户提供各种公共云选择的另一种方式。

混合云应用程序是开发人员的下一个大趋势

今年年初，思科与谷歌云联手推出了一项混合云产品，该产品允许企业在本地部署基于 Kubernetes 的容器，并安全地连接到 Google Cloud Platform。

在 7 月份的 Google Cloud Next '18 大会上，我们启动了思科与谷歌云挑战赛。其理念是为开发人员提供一个了解构建混合云应用程序可能性的窗口。混合云应用程序是开发人员的下一个前沿。混合云基础设施具有如此多的创新可能性。这就是为什么我们甚至将其命名为“双云，无限可能”。

用于启发的物联网边缘用例

考虑以下用例——假设我们有一个工厂，该工厂会产生大量来自部署在整个物理建筑中的传感器的数据。我们希望在本地分析这些数据，但又希望利用 Google Cloud Platform 中的云服务进行进一步分析。这可能包括对这些数据进行预测分析，使用机器学习 (ML)（即，哪个机器部件将很快发生故障）。这里的“边缘”代表具有这些特征的通用类用例。

• 有限的网络带宽 - 许多制造环境位于偏远地区，带宽有限。收集来自数十万台设备的数据需要在带宽有限的情况下在边缘进行处理、缓冲和存储。例如，一个海上石油钻井平台每秒收集 50,000 多个数据点，但由于带宽限制，只有不到 1% 的数据可用于商业决策。相反，可以在边缘应用分析和逻辑，并将汇总的决策上报到云端。
• 数据分离和分区 - 通常，来自单个源的数据需要发送到不同和/或多个位置或云服务进行分析处理。通过在边缘解析数据以根据所需的分析结果确定其最终目的地，可以更有效地路由数据，降低云成本和管理开销，并能够根据合规性或数据主权需求路由数据。例如，将 PCI、PII 或 GDPR 分类的数据发送到一个云或服务，而设备或遥测数据路由到其他地方。此外，可以在边缘进行数据预处理，以将时间序列格式等数据处理成聚合格式，从而降低云端的复杂性。
• 数据过滤 - 大多数数据并不有趣。但在云服务中接收到数据并决定放弃它之前，您并不知道这一点。例如，火警的 99.999% 的时间发送的数据非常无聊。直到它们发送了极其重要的数据！通常不需要存储或转发这些数据，直到它们与您的业务相关。此外，许多数据科学家现在希望在边缘运行单独训练的模型，如果数据不再适合该模型或属于异常情况，则将整个数据集发送到云端进行重新训练。通过复杂模型进行过滤还可以实现边缘的智能过滤，支持边缘决策。
• 边缘决策和模型训练 - 直接在边缘训练和存储 ML 模型可以存储可能因合规性或数据主权要求而无法存储的临时模型。这些模型可以作用于未存储或转发的临时数据，但仍可获取信息和结果，然后发送到集中位置。或者，可以在云端集中训练模型，然后将其推送到边缘以执行任何其他列出的边缘功能。当数据不再适合该模型时（例如收集长尾时间序列数据），可以将整个数据集聚合到云端进行重新训练，并将模型重新部署到边缘端点。

例如，在思科 DevNet，我们开发了一个使用 IP 摄像机视频流进行对象识别的用例。边缘的视频网关实时分析视频流，在边缘进行对象检测，并将对象传递给思科容器平台，该平台进一步进行对象识别。识别出的对象及其所有相关元数据存储在此层。然后在公共云中编写了一个查询该数据的应用程序，以跟踪对象的路径。