基于ZStack Edge云原生超融合开启新能源数字化转型探索

通过KCSP认证!ZStack 成为CNCF认证Kubernetes 服务商! 通过KCSP认证! 阅读详情

随着能源结构的不断优化和环保意识的增强,目前我国新能源发电装机量逐年攀升,用电量占比逐年增加,截止2022年5年,新能源已占全社会用电量的30%。

关于新能源的行业趋势

由于风电和光伏系统的分布式特性,新能源领域公司需要进行大量的电力传输和管理工作,但这类发电项目基本属于场站级别,选址一般相对偏远、地理位置分散,且数量不断增加,导致运行维护困难、远程设备故障分析不便、发电量优化受限日益凸显,面向单一场站的管理本质上难以满足对新能源发电的高效、安全、可靠、经济的要求;

因此新能源领域公司都会建设新能源集控中心,通过集中监控、管理和调度实现对多个场站的统一管理,在提高新能源发电利用效率和发电量的同时,实现运维成本的不断降低。而受制于较多的场站接入数量、偏远建设位置、海量数据的分析与传输、实时监控与故障诊断等需求,新能源集控的运营管理又将成为新的挑战。

举例:某发电集团拥有数百个光伏/风电场站,为提升场站级设备巡检/功率预测/趋势分析/故障告警/指令下发,明确在数十个省就近各自承建新能源集控平台,通过大数据、物联网、时许数据库等应用提升下属所有场站的生产效率。


新能源集控的建设目标

在过去,传统集控中心的系统往往独立部署,调试及交付周期长,数据共享与扩展不便,资源利用率不高,难以实现统一维护和简易管理;如今,新一代的能源集控中心将适用于风/光/储、陆上/海上等多种离散场站的集中式运行管理;该新能源公司通过云原生、大数据、物联网三驾马车将新能源相关系统围绕应用自动化管理、数据共治共享,更好地推进场站“无人值班、少人值守”管理模式落地,最终提升生产人效,从而打造新一代高效的新能源运营数字化平台。


 

新能源企业在该场景下的痛点

业务维度:为满足监控/测量/计量/调度的时延、管理合规、及数据安全等场景要求,新能源集控建设需引入大量新型应用,该类应用基本实现了容器化及微服务改造,少量传统业务则保留了虚拟化,初步实现了从“资源管理”的传统模式进化到“应用驱动”为主的管理模式。

管理维度:在新能源集控这样的分支机构的交付场景中,由于现场条件有限,现场技术支持人员配置不足,无暇兼顾复杂基础设施的管理能力 ,而新能源集控就是以数字驱动业务进行可视化管理,对数据安全及可靠性要求较高,因此需要一套稳定、可靠、易维护的云原生基础设施。

成本维度:由于整体规模涉及全国性部署及后续运维,对于降本增效而言也是至关重要的,若以传统服务器+虚拟化+容器+集中式存储,建设成本依旧居高不下。

综合考量各方面因素,ZStack Edge云原生超融合凭借其在通用x86/ARM服务器上的创新融合技术,集成了“容器+轻量化虚拟机”双引擎并行运行模式,实现了高效协同。该方案内置分布式存储、应用市场、一键运维、安全灾备等能力,显著优化了成本结构,减少了传统虚拟化带来的额外开销,同时在架构设计上精简调度层级,提升了运维效率。这一整套体系与新能源公司的IT基础设施升级需求高度契合,故某新能源公司采用ZStack Edge云原生超融合作为新一代IT基础平台,作为其实现整体转型的坚实基础。


 

通过和ZStack Edge云原生超融合双引擎的适配,新能源公司重塑了新能源集控的基础设施管理和运营模式,一步到位解决虚拟化/容器化业务并存交付、统一运维、降本增效等问题。

成本方面:基于标准化云原生超融合,通过一套轻量化云原生平台统一了交付到运维的标准,实现了业务级开箱即用,交付人天及资源开销整体下降35%以上。

业务方面:基于容器/微服务架构,无需部署操作系统/软件依赖环境,应用一键发布/更新,结合分布式存储特性,实现了业务级高可用。

运维方面:云原生超融合平台具备主动巡检及故障自愈能力,有效降低了新能源集控现场IT运维门槛,为现场人员的管理体验带来了质的提升。

据悉,ZStack Edge云原生超融合于2023年6月率先发布,并在7月份,首批通过可信云“超融合面向云原生场景技术能力”评估。作为云原生超融合的代表厂商,ZStack也深度参与到信通院《面向云原生的超融合平台技术能力》标准制定中。

Kubernetes容器编排与云原生部署实战 本文系统阐述云原生与Kubernetes的核心理念,从物理机到云原生的四次演进出发,解析容器化、不可变基础设施、声明式编排与可观测性的技术支柱。深入剖析Kubernetes的控制循环、核心组件架构及工作节点协同机制,结合真实场景提供部署、发布与排障实战指南,助力读者实现应用的可复现、可回滚与高可用管理。 阅读详情

相关推荐

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

能源核心系统国产化破局:新能源集控新标杆

在“双碳”战略目标与信息技术应用创新(信创)政策的双重驱动下,能源行业的数字化转型正迈向深水区。作为国家关键信息基础设施的重要组成部分,电力系统的安全可控已成为国家战略层面的核心关切。在此背景下,不仅是技术升级的选择,更是保障国家能源安全、实现产业链自主可控的重要路径。近年来,以金仓为代表的国产数据库厂商,在能源行业核心生产控制系统中不断取得突破性进展,特别是在这一高复杂度、高可靠性要求的场景中,树立了多个行业标杆案例,真正实现了从“可用”到“好用”的稳步过渡。

arthemis_14的博客 1097

深入解析璞致PZ-ZU47DR RFSoC核心板:硬件架构与多通道ADC/DAC设计实战

本文深入解析璞致PZ-ZU47DR RFSoC核心板的硬件架构与多通道ADC/DAC设计实战。作为Xilinx Zynq UltraScale+ RFSoC系列的代表产品,PZ-ZU47DR集成了8通道5GSPS ADC和8通道9.85GSPS DAC,支持直接射频采样,大幅简化射频链路设计。文章详细介绍了其技术优势、设计挑战及实战技巧,为5G小基站、毫米波等应用场景提供高效解决方案。

meat5的博客 845

云原生超融合八大核心能力|ZStack Edge云原生超融合产品技术解读

ZStack Edge云原生超融合已经应用在商业智能、能源物联网、工业互联网、智慧城市、高校实训等新型场景中,帮助行业用户快速实现底层物理资源到上层业务场景的完整链路,打通业务“最后一公里”。

zstack_org的博客 1958

通达信浮筹多空波段抓牛擒龙指标公式源码

VAR33:=VA3>=REF(VA4,1) AND C<REF(C,1) AND VAR19=60 AND VAR18=0 AND 活跃线>=REF(活跃线,1) AND VA12<REF(VA13,1);DRAWTEXT(VAR28 AND COUNT(VAR28,30)=1,65,' ★超涨注意风险'),COLOR0000FF;DRAWTEXT(VAR26 AND COUNT(VAR26,30)=1,90,' ←继续等'),COLOR00FFFF;浮筹线:VA3,COLORFF00FF;

2401_86043146的博客 5281

智能车竞赛独轮组信标灯系统全解析:从硬件选型到实战调试

本文全面解析了智能车竞赛独轮组信标灯系统的核心原理与实战应用。从硬件架构(灯板、灯罩、控制器)的深度剖析,到红外信号(特别是40kHz调制信号)的接收与解码策略,再到车模的灭灯机构设计与路径规划,提供了从硬件选型到软件调试的全链路指南。文章重点分享了实战调试技巧与常见问题排查方法,旨在帮助参赛队伍深入理解系统,提升车模的识别精度与比赛表现。

e4f5g6h的博客 1124

云原生运维学习笔记:Docker 数据卷、网络管理与镜像自定义深度实践

本文深入探讨Docker数据持久化、网络管理与镜像自定义三大核心运维技术。通过数据卷(Volume)实现容器数据持久化,支持匿名卷、命名卷及宿主机目录绑定;利用--volumes-from构建数据卷容器,实现多容器间数据共享。在网络层面,掌握端口映射(-p/-P)、自定义网络及容器通信机制。最后,基于Dockerfile实现应用镜像的定制化构建,为Kubernetes等云原生平台部署奠定基础。内容涵盖实践操作与原理剖析,是进阶容器运维的关键一环。

2604_96593683的博客 462

Multisim14.0仿真实战:从零搭建RS/JK触发器电路(附真值表+波形图)

本文通过Multisim 14.0软件,提供了从零搭建RS触发器和JK触发器电路的详细仿真实战教程。内容涵盖核心概念解析、电路搭建步骤、动态波形观测及真值表分析,重点探讨了RS触发器的非法状态问题以及JK触发器的四种工作模式,帮助读者直观理解时序逻辑电路的“记忆”功能与设计要点。

weixin_29175469的博客 278

云原生运维实战:Docker 底层存储、Compose 编排与 Ceph 入门

Docker Compose 用来定义和运行一组关联容器,通过 YAML 描述服务、网络、存储。v1:Python 开发,已经停止维护;v2:Go 开发,集成进 docker CLI,命令。。services:定义容器服务;networks:容器网络;volumes:数据卷持久化;configs:配置文件。

Wzh5452830的博客 221

拆开一个烧坏的IGBT模块,手把手教你识别过压、过流、过温的“案发现场”

本文详细解析了IGBT模块失效分析的实战技巧,通过观察铝层熔化纹路、焊锡溢出形态等物理痕迹,手把手教你识别过压、过流、过温的典型失效模式。文章提供了从基础工具包到现场快速诊断的完整流程,帮助工程师精准定位IGBT模块失效的根本原因。

weixin_30655569的博客 429

IGS精密星历高效获取与解析指南

本文详细介绍了IGS精密星历在高精度定位中的核心作用,对比了IGS Final、IGR和IGU等不同产品的精度与时效性差异。指南提供了从武汉大学、NASA CDDIS等数据中心高效下载数据的实战方法,并深入解析了SP3文件格式,帮助用户掌握精密星历的获取、解析与自动化处理技巧,以支持厘米级定位应用。

garlic的博客 839

云原生项目三:Docker秒级启动NextCloud个人网盘存储办公系统

首先讲解一下我的环境,我没有新建虚拟机,做上一个项目的时候在ping通外网后我给拍摄快照了,所以我就直接恢复快照了,小朋友不要和我学习哦,尽量新建虚拟机or克隆一个node出来,保证环境的干净,不然端口容易冲突,配置文件也是容易改错,最后导致实验失败。这次依旧是openeuler 22.03的镜像,处理器1个2核的,4GB的内存,20GB的存储打开虚拟机后先检查是否ping通外网,然后依旧关闭selinux,firewalld,然后就可以开始接下来的操作了。

zfm242397396的博客 242

Comsol&Matlab 亥姆霍兹共振消声器传递损失理论解与仿真解

当外界噪声以共振频率进入共振器时,共振器内的空气质量发生周期性的振动,从而减少或消除噪声。当特定频率的声波进入共振器时,共振器的空气质量会发生周期性的振动,从而实现对该频率的噪声的减弱或消除。5. 反射和吸收:共振器的几何形状和容积还可以影响共振器内空气振动的反射和吸收。然而,对于不同频率的噪声,需要相应调整共振器的参数以匹配新的共振频率。3. 腔体内的空气振动:当特定频率的声波进入共振器时,共振器内的空气质量会发生振动。2. 声波进入共振器:外界的声波通过共振器的颈部进入共振器的封闭空腔。

声学黑洞仿真工作室 4581

云原生运维学习笔记:Docker 存储驱动原理、Compose 编排与图形化管理实战

本文深入解析Docker存储驱动原理,重点剖析overlay2的分层机制与底层目录结构。通过构建含sshd服务的镜像,实操验证了写时复制(COW)特性及各层依赖关系。结合docker info与container ps -s命令,直观展示容器可写层极小占用。进一步通过清空数据后导入镜像,揭示diff、lower、merged等核心文件的作用,揭示多层叠加与联合挂载机制。最终实现从单容器到多容器编排的运维升级,为后续使用Docker Compose与图形化管理奠定基础。

2604_96593683的博客 475

双有源桥变换器(DAB)TPS控制:从理论建模到Simulink/PSIM仿真实践

本文深入探讨了双有源桥变换器(DAB)的三重移相(TPS)控制技术,从理论建模到仿真实现。文章详细分析了TPS相比SPS和DPS的优势,阐述了其12种工况的划分逻辑与电流应力最优调制策略,并提供了在Simulink和PSIM平台搭建仿真模型的详细步骤与实战经验,帮助工程师掌握这一高效控制方法。

white的博客 585

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

云原生运维学习笔记:Docker 镜像定制、仓库管理与企业级底层技术剖析

本文系统梳理Docker镜像定制、仓库管理与底层技术。通过Dockerfile实现白盒化镜像构建,掌握RUN、CMD、ENTRYPOINT等核心指令及格式差异;基于私有仓库(Registry/Harbor)实现安全分发;深入剖析Namespace与Cgroups在资源隔离与限制中的作用,为生产环境排障与优化提供底层支撑。

2604_96593683的博客 415

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

一次完整的云原生迁移:容器化、Kubernetes 与 CI/CD

本文记录一次完整的云原生迁移实践,涵盖容器化、K8s部署与CI/CD流水线搭建。强调迁移前提:服务边界清晰、无状态、可回滚。分三阶段推进:容器化确保镜像一致性;上K8s实现服务发现与弹性伸缩;构建GitOps流水线支持一键发布与回滚。架构采用Ingress+API网关+Service+持久层,决策选用Kustomize管理配置,暂不引入服务网格。可观测性依托Loki、Prometheus与Jaeger三板斧。总结关键踩坑:镜像拉取策略误用、资源限制缺失、健康检查配置不当,并给出针对性解决方案,强调“先夯实基

软件工程师文艺 1158

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【云原生】Ubuntu部署 Kubernetes1.33

本文详细介绍了在Ubuntu 24系统上部署Kubernetes 1.33集群的全过程,涵盖三台主机(master、node1、node2)的基础环境配置,包括主机名设置、hosts绑定、关闭swap、开启IPv4转发及时间同步。重点完成Containerd安装与配置,包括卸载Docker残留、生成配置文件、启用systemd cgroup、添加国内镜像源及修改pause镜像地址。最后通过nerdctl验证容器运行时,为后续kubeadm初始化集群奠定基础。

weixin_73059729的博客 791

单体架构到云原生的数据报表系统重构踩过的坑

在当今的互联网行业中,数据统计与BI系统已经成为企业运营中不可或缺的一部分。而作为一个开发者,在不同阶段的架构演进过程中,我也亲历并经历了多个关键的技术转折点。从最初基于单体架构的报表系统,到微服务化改造,再到如今转向云原生的部署方式,每一次的重构都伴随着无数个技术细节和决策判断。本文将以数据报表系统的实际开发经历为背景,分享我在架构演进过程中踩过的坑及教训,供准备跳槽或面试的开发者参考。

qq_41106321的博客 208

〖物流云原生实战 01〗K8s Operator 在物流定时任务中的实践:从“裸 CronJob”到“声明式任务编排”

在物流系统中,裸用K8s CronJob执行定时任务面临依赖缺失、重试无序、状态不可观等困境。通过引入Operator模式,以CRD定义任务业务属性,控制器实现调和循环与状态机管理,可精准处理依赖、分类错误重试,并实时暴露任务进度与指标。该方案将定时任务从“盲跑”变为“有状态、可依赖、可观测”的业务单元,真正实现“跑得对、看得见、管得住”。

Eyf • 半字节的博客 453

云原生运维学习笔记:ECShop全链路容器化部署与Docker底层资源隔离深度剖析

本文基于Docker与Harbor私有仓库,实现ECShop电商平台(LNMP架构)全链路容器化部署。通过自定义PHP镜像、创建隔离网络、挂载宿主机配置与数据,解决镜像源失效、端口冲突等实战问题。同时深入Linux Namespace与Cgroups,剖析Docker资源隔离底层机制,掌握云原生环境下应用部署与系统原理的双重能力。

2604_96593683的博客 626

〖物流云原生实战 02〗Serverless 在物流峰值场景的弹性调度:如何用“无服务器”抗住大促洪峰?

物流大促期间流量呈“潮汐式”波动,传统K8s HPA扩容滞后,难以应对瞬时峰值。借助Serverless架构,通过KEDA基于Kafka积压量触发毫秒级弹性伸缩,结合GraalVM原生镜像实现0.05秒启动,可高效处理打单队列、月末对账等异步与低频任务。配合连接池代理与状态外置,规避无状态带来的数据库压力。实践表明:Serverless适配突发、非核心场景,而非替代所有微服务,是降本增效的利器。

Eyf • 半字节的博客 283

云原生运维学习笔记:Ceph 分布式存储架构深度解析与生产级部署实战

本文深度解析Ceph分布式存储架构,涵盖其统一存储、去中心化设计与CRUSH算法核心优势。基于Cephadm实现三节点生产级部署,详述环境准备、时间同步、容器镜像预拉取及集群引导流程,重点演示MON、OSD、MGR等组件编排,并覆盖扩容、下线等高频运维场景,为云原生环境下高可用存储落地提供实战指南。

2604_96593683的博客 416

云原生安全新范式:从“边界防护”到“身份成为新边界”

云原生并没有让安全变得不重要,而是让安全的判断依据发生了根本变化。当网络位置不再稳定、不再可信时,身份成为唯一贯穿请求全过程的稳定信号。把身份作为新边界,意味着以最小权限为前提、以持续验证为手段、以可观测为保障,构建一套随工作负载流动而始终有效的安全体系。这既是技术架构的演进,也是安全治理思路的升级。

2301_78078966的博客 201

云原生安全:容器、密钥与软件供应链治理

容器镜像通过扫描,不代表工作负载已经安全;Secret 使用 Base64 编码,也不代表数据已加密;镜像带有签名,更不代表集群一定会拒绝未经授权的制品。云原生安全需要从构建、存储、部署到运行时建立连续的控制,并明确每道控制能解决什么、不能解决什么。

m0_62221377的博客 216

云原生可观测性架构设计及其应用

第一,尾部采样的一致性路由在Gateway扩缩容或节点故障时仍可能出现Span分散,导致部分Trace的采样决策基于不完整上下文,遗漏边缘错误链路。第二,高基数治理目前以“禁止进入指标标签”的负向约束为主,缺乏正向的基数预算机制,新服务上线时标签设计的随意性仍可能逐步推高序列基数。:以DaemonSet形式部署,初始CPU request控制在50m量级,日志采集路径避免对全集群Pod的重复list/watch,仅处理本节点流,将采集侧的资源消耗限制在可预算的范围内。是成本与排障能力之间的核心权衡。

jcgu的专栏 295
上一篇: AA级期货采用ZStack ZSphere虚拟化替代VMware实现多机房部署
下一篇: VMware替代 | 省级医院采用ZStack ZSphere虚拟化承载核心业务
ZStack开发者社区
博客等级 码龄2年 682粉丝 257原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值