标签

云平台

Cloud SQL for SQL Server 迁移实战:用 sp_help_revlogin 保留登录名与 SID

来源: cloud.google.com 40
使用 Google Cloud Database Migration Service(DMS)完成数据复制后,真正的切换工作并不一定结束。数据库架构和事务数据已经同步,应用却可能在连接 Cloud SQL for SQL Server 时收到 。 常见原因是:DMS 迁移了数据库级对象和数据,但没有迁移源 SQL Server 实例级的登录名、密码哈希...

Airtel 如何扛住 IPL 2026:用本地边缘节点和主动运维交付零缓冲直播

来源: cloud.google.com 24
对印度超级联赛(IPL)这样的超大规模体育赛事来说,直播体验没有“差不多就行”。观众会在决胜局同时涌入,任何丢包、卡顿或起播延迟都可能被放大成一次大规模故障。IPL 2026 期间,Airtel 与 Google Cloud 合作,通过 Media CDN、本地化边缘交付和比赛日主动监控,支撑了 74 场比赛的高并发视频分发。 整个赛季产生了数百 PB...

Spanner DML 事务取消累计 Mutation 上限:大事务如何安全落地

来源: cloud.google.com 34
Google Cloud Spanner 现在为 DML 事务提供了更灵活的 Mutation 限制模型。过去,一个事务中所有 DML 语句产生的 mutation mods 会累计计算,并受到 80,000 的事务级上限约束;现在,这个上限改为逐条 DML 语句计算。 这意味着应用可以在一个 ACID 事务中组织更多 、 和 操作,而不必为了绕过累计...

用 Ray Serve 深度学习容器接管 TorchServe 之后的 GPU 推理栈

来源: aws.amazon.com 27
TorchServe 已不再维护,继续使用它意味着团队需要自行承担推理服务、GPU 运行时、依赖版本和故障排查的全部责任。对于已经运行在 Amazon EKS 上的团队,AWS Ray Serve Deep Learning Container(DLC)提供了一条更稳妥的迁移路径:把框架、GPU 驱动相关运行时和服务层预先组装在受支持、经过测试的容器中...

用自动化管理 Amazon Quick 的用户级自定义权限

来源: aws.amazon.com 27
Amazon Quick 的自定义权限可以按用户开关功能,把“所有人都能用”改成“每个人只能用到需要的部分”。真正困难的地方不在于创建一组权限,而在于让权限贯穿用户注册、角色分配、事件处理和历史用户治理这条完整生命周期。 本文整理四种可落地的自动化模式:在 调用时指定权限、配置账户或角色默认值、通过 Amazon EventBridge 与 AWS L...

Cloudflare Workers 重建模块注册表:Node.js 默认兼容、64 MiB 应用与按需编译

来源: blog.cloudflare.com 37
Cloudflare Workers 对模块系统做了一次底层重构:Node.js 兼容能力默认开启,应用体积上限提升到 64 MiB,同时引入基于 URL 的模块注册表、、延迟编译和共享代码缓存。这不只是“能导入更多 npm 包”,而是模块如何标识、解析、编译和报错都发生了变化。 一个现代 Worker 应用往往不再是单文件脚本。框架、数据库客户端、校...

Azure Virtual Desktop Hybrid 已正式可用,但许可证仍是落地前最大变量

来源: infoq.com 38
Microsoft 已将 Azure Virtual Desktop Hybrid 推向正式可用阶段。它把会话主机放在客户自有硬件上,通过 Azure Arc 纳入管理,同时继续使用 Azure 中的桌面连接代理服务。 这种拆分让企业可以保留本地算力,又不必自行搭建完整的桌面代理控制面。不过,“已经 GA”并不等于可以立即进入生产采购:Hybrid 服...

GPT-6 Astra 登陆 Amazon Bedrock:把深度推理接入生产系统

来源: aws.amazon.com 42
OpenAI 的 GPT-6 Astra 现已在 Amazon Bedrock 正式可用。对已经把身份权限、审计、网络和模型调用统一放在 AWS 上的团队而言,这意味着可以通过 Bedrock 的推理基础设施,将更强的推理与判断能力用于复杂任务,而不必额外维护一套独立的模型服务接入层。 “正式可用”解决的是采购和生产接入问题,却不等于模型会自动改善业务...

别只盯着基准分数:用自适应智能体推进科研探索

来源: azure.microsoft.com 24
对研发组织来说,智能体 AI 的价值不只是把某个基准测试再提高几分,也不是针对一个问题生成一次看似完整的答案。更值得关注的变化,是让 AI 参与持续探索:并行维护多个假设,用实验和文献证据检验它们,记录失败,从新信息中调整下一步行动。 这更接近真实的科学与工程工作。研究过程通常没有固定路线,好的系统必须知道何时继续深挖、何时补充证据,以及何时停止一条低...