云计算 与 云原生

news2026/4/29 11:19:05
核心定义1. 云计算Cloud Computing是基础设施交付模式将计算、存储、网络、数据库等物理资源通过网络虚拟化、池化、按需租用以服务形式对外提供。本质资源上云解决「算力、存储、机房成本、硬件运维」问题关键词虚拟化、按需付费、弹性资源、IaaS/PaaS/SaaS诞生目的替代自建机房降低硬件与运维成本2. 云原生Cloud Native是应用架构与研发运维方法论基于云的能力重新设计应用架构、开发模式、部署运维体系适配分布式、动态调度、自动化运维。本质应用上云改造解决「架构僵化、迭代慢、扩容难、故障多」问题关键词容器、K8s、微服务、DevOps、可观测、声明式诞生目的用好云最大化发挥云计算弹性、分布式优势层级关系关键云计算是底座 / 地基提供虚拟机、服务器、存储、网络等底层资源能力没有云计算云原生就没有运行环境。云原生是上层 / 建筑依托云计算的弹性、虚拟化能力落地现代化应用架构是云计算发展到成熟阶段后的高阶落地形态。通俗类比云计算 租精装写字楼提供场地、水电、硬件云原生 公司改用轻量化模块化办公、弹性招人、自动化管理、快速业务迭代核心维度对比对比维度云计算云原生核心目标资源集约化、降本、简化硬件运维业务敏捷、高可用、弹性伸缩、快速迭代关注对象硬件、资源、机房、虚拟化代码、架构、流程、服务、运维体系核心技术虚拟化、超融合、分布式存储、VPC容器、K8s、微服务、CI/CD、服务网格部署形态虚拟机、物理机、云主机容器、Serverless、Pod改造程度低迁移即可老旧系统直接搬上云高重构改造拆分微服务、容器化适用场景传统系统上云、资源扩容、灾备、混合架构互联网业务、高并发、快速迭代、国产化信创成熟阶段1.0 上云阶段2.0 用云阶段有序列表发展演进逻辑阶段 1传统自建物理服务器 单体应用重运维、成本高、扩容极慢。阶段 2云计算上云 1.0物理机→云虚拟机资源按需购买系统架构不变只是换了部署环境。痛点只是「搬机器上云」没法发挥云的弹性优势架构依旧笨重。阶段 3云原生用云 2.0虚拟机→容器 / K8s单体→微服务手工运维→自动化 DevOps架构全面云化。价值真正实现秒级扩缩容、灰度发布、故障自愈、资源高利用率。关键关联与边界包含关系云原生必须依赖云计算资源但云计算不一定是云原生大量企业只用云主机跑老旧单体系统不属于云原生。互补关系云计算解决资源层问题云原生解决应用层 运维层问题信创 / 政企现状政务、传统国企大多停留在云计算阶段虚拟机上云互联网、新兴业务、数字化转型项目全面落地云原生云原生底层架构云原生上层是业务底层依赖三层基座硬件基础设施 → 云计算虚拟化层 → 云原生运行时编排层核心基石容器化隔离 K8s 分布式调度 统一网络 / 存储 / 安全抽象。云原生底层 物理硬件 云计算虚拟化 Linux 内核容器隔离 K8s 分布式编排容器底层靠Namespace 隔离、Cgroup 限流、Overlay2 文件系统集群底层靠etcd 存储状态 apiserver 统一入口 kubelet 节点管控 CNI/CSI 统一基础设施第一层物理基础设施层硬件底座云原生最底层物理资源是一切的基础。计算x86/ARM64 服务器、异构算力GPU/NPU/AI 加速卡存储本地盘、分布式存储、块存储、对象存储网络TOR 交换机、VXLAN/SDN 网络、高速内网、负载均衡硬件机房算力集群、边缘节点、数据中心作用提供原始算力、存储、网络物理能力。第二层云计算虚拟化层云底座承接物理硬件做资源池化、虚拟化抽象是云原生的运行土壤。计算虚拟化KVM/QEMU、VMware 虚拟机实现硬件切分、资源隔离。网络虚拟化SDN、VXLAN、VPC、虚拟网卡、网关构建隔离虚拟网络。存储虚拟化分布式块存储、共享存储、快照、云盘挂载。统一资源管控公有云 / 私有云 IaaS 平台统一管理宿主机、虚拟机、资源配额。关键云原生不强制绑定虚拟机可以直接裸金属服务器运行容器。第三层云原生底层运行时容器核心层云原生最核心底层实现「轻量隔离、镜像标准化、进程级封装」。1. 内核级隔离技术容器本质容器不是虚拟机共享宿主机 Linux 内核靠内核能力做隔离与限制Namespace资源隔离PID / 网络 / 挂载 / 用户 / IPC / 主机名Cgroup资源限制CPU、内存、磁盘 IO、带宽配额Capabilities权限精简削减 root 高危权限Seccomp系统调用过滤缩小攻击面2. 容器运行时分层高层Docker已弱化→ 业界标准containerd底层runcOCI 标准容器运行时直接调用 Linux 内核接口创建容器轻量新型Wasm RuntimeWebAssembly更强隔离、更小开销、秒级启动3. 镜像分层存储联合文件系统Overlay2只读基础层 可写容器层实现镜像复用、秒级启停、节省磁盘。第四层云原生编排与控制层K8s 核心架构云原生分布式系统的大脑是现代云原生底层架构的核心。1. Kubernetes 控制平面管控层kube-apiserver全局唯一入口所有增删改查、资源校验、鉴权etcd分布式数据库存储集群全部状态核心数据底座kube-controller-manager自愈、副本控制、节点管理、故障补偿kube-scheduler调度算法将 Pod 分配到最优节点云原生控制器Ingress、StatefulSet、PV 等扩展控制2. Kubernetes 节点层工作负载层每台宿主机通用底层组件kubelet节点代理接收 apiserver 指令管理本地 Pod 生命周期kube-proxy底层网络转发、Service 负载均衡、iptables/ipvs 规则容器运行时containerd runc真正拉起容器3. 核心抽象资源底层统一模型Pod最小调度单元一组共享网络 / 存储的容器Service固定访问入口屏蔽 Pod 动态漂移Volume容器持久化存储抽象Namespace集群内逻辑隔离云原生三大底层核心子系统1. 云原生网络底层架构容器本地网络veth 虚拟网卡、网桥跨节点网络CNI 标准 VXLAN 隧道封装服务治理底层iptables/IPVS 服务网格Sidecar 流量劫持外网接入Ingress 反向代理、网关2. 云原生存储底层架构临时存储节点本地磁盘持久化存储CSI 存储标准对接各类云存储 / 分布式存储统一抽象PV/PVC 解耦应用与底层存储硬件3. 云原生安全底层架构内核层seccomp、AppArmor/SELinux集群层RBAC 权限、网络策略、容器隔离链路层零信任、mTLS 加密、镜像安全加固云原生底层架构 关键特点内核共享、轻量高效容器共享宿主机内核无完整操作系统开销密度远高于虚拟机。声明式、分布式自治只定义目标状态控制器循环调谐自动容错、自愈、扩容。标准化、解耦分层OCI 容器标准、CNI 网络、CSI 存储底层硬件无关跨云、跨环境迁移。软硬协同底层依托 Linux 内核能力 云虚拟化 分布式集群架构支撑大规模集群。发展趋势云计算与云原生正从 “资源上云” 和 “容器微服务”同步迈向AI 原生、多云混合、云边端一体、平台化与安全内生的新阶段 —— 云计算变成 “智能算力底座”云原生变成 “应用构建与运营的标准范式”。云计算不再只是 “租服务器”而是AI 驱动、多云协同、绿色低碳的智能算力网络成为数字经济的 “水电煤”。云原生不再只是 “容器 微服务”而是以 K8s 为核心、Serverless 与 Wasm 互补、平台化与安全内生的应用构建与运营标准成为企业数字化转型的 “核心引擎”。云计算从资源池到智能算力基础设施1. AI 原生云AI-Native Cloud成为标配云基础设施围绕大模型训练 / 推理重构GPU/NPU 异构算力统一调度、分布式训练优化、高带宽低延迟网络。**MaaS模型即服务** 普及企业直接调用云厂商大模型 API无需自建训练集群。成本结构改变AI 算力需求激增云服务告别 “只降不升”进入成本传导与精细化运营时代。2. 多云 / 混合云成为企业必选单一厂商锁定风险高多云战略选各厂商最优服务组合从可选变必需。混合云深化核心数据 / 敏感业务留私有云弹性业务跑公有云无缝打通、统一管控。驱动因素数据主权、合规要求、成本优化、避免锁定。3. 算力网络与 “东数西算” 落地全国 “算力一张网”高速网络 智能调度东部数据、西部算力协同。边缘计算崛起算力下沉到5G 基站、工业网关、园区节点支撑低时延场景自动驾驶、工业互联网、AR/VR。云边端一体化中心云做训练 / 存储边缘做实时推理 / 决策端侧做采集 / 交互协同闭环。4. 绿色低碳与 FinOps 精细化运营PUE 降至 1.2 以下液冷、自然冷却、可再生能源成为数据中心标配。FinOps 常态化成本可视化、资源右调、闲置资源清理、跨部门成本分摊解决 “云成本失控”。云原生从容器微服务到全栈智能自治平台1. Kubernetes 升级为 “云原生操作系统”从容器编排工具变成统一调度、治理、观测的核心平台覆盖虚拟机、容器、Serverless、边缘节点。生态标准化服务网格Istio、可观测性Prometheus/Grafana、安全OPA/Trivy、GitOpsArgo CD深度集成开箱即用。多集群 / 混合云管理统一控制平面跨云 / 跨地域应用一致发布、治理、观测。2. Serverless 与容器融合全栈无服务器化K8s 原生 ServerlessKnative、Kubeless 等让 K8s 具备函数计算能力0→N 秒级扩缩容低负载缩至零。全栈 Serverless从函数扩展到数据库、消息队列、大数据、AI 推理按实际使用量计费降低闲置成本。Wasm 容器崛起比 Docker 更小MB 级、更快启动ms 级、更强隔离适配边缘与 Serverless与传统容器互补。3. 平台工程Platform Engineering降低云原生复杂度企业构建内部开发者平台IDP封装 K8s、CI/CD、安全、观测能力提供自助式服务降低开发者门槛。DevSecOps 一体化安全左移代码提交→漏洞扫描→镜像加固→零信任部署→运行时防护全流程自动化。AIOps 自治运维AI 驱动异常预测、根因分析、自动修复、性能调优故障排查时间缩短 90%。4. 云原生安全内生与零信任普及零信任架构ZTA默认不信任任何网络身份为中心、最小权限、持续验证适配分布式 / 多云环境。供应链安全软件物料清单SBOM、镜像漏洞扫描、签名验证防范供应链攻击。运行时安全容器微隔离、行为基线检测、异常阻断防止横向移动与权限提升。云计算 vs 云原生趋势对比维度云计算趋势云原生趋势核心定位智能算力底座资源 AI 网络应用自治平台架构 流程 治理技术焦点异构算力、高速网络、绿色数据中心K8s 生态、Serverless、服务网格、AIOps企业价值降本、合规、弹性、AI 能力获取敏捷迭代、高可用、故障自愈、资源高效演进阶段从 IaaS→PaaS→MaaS全面 AI 化从容器→微服务→服务网格→自治系统总结云计算把资源搬到云上解决「机器不够、机房难管」云原生把应用改成云架构解决「系统卡、更新慢、扛不住高并发」先有云计算再有云原生上云是基础云原生是进阶。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2565390.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…