ITPub博客

平安银行根据数据生命周期内的关键安全工作事项并结合行内的部门职责和组织架构进行RACI分析，并构建三大类职责，横向联动，保障数据安全责任落地。

相比于传统架构成熟的应急处置体系，业界关于云平台存储开展应急演练和管理方面则稍显欠缺。

基于关键的可观测性指标了解应用服务运行状态，能够提升服务运行效能。本文分析了分布式应用的 4 个核心可观测性指标。

随着企业容灾备份的建设，定期进行容灾系统的切换演练，已成为验证系统高可用和练兵的重要窗口，然而容灾演练的现状却不尽人意。

存储多元化发展是金融业IT应用场景安全稳定、敏捷部署的关键一环，随着技术架构的不断迭代，虚拟化技术、分布式存储技术及以两者为基础的超融合技术发展迅猛。

利用数理统计、数据挖掘和预定义清理规则等有关技术将“脏数据”处理掉，从数据源中检测并消除错误、不一致、不完整和重复等数据，为满足要求提供高质量的数据。

OpenAI董事会或已原则上同意Sam Altman回归，且包括“政变”关键人伊利亚在内的多数董事会成员已愿意辞职。但诸多事项依然面临变数，该决定最快将于北京时间11月20日做出。形势仍在发展中。

随着金融科技领域的不断发展，金融机构改变了传统方式，将更多服务从线下转移到线上，为了提升客户体验和效率，金融机构不断探索自然语言处理、机器学习等技术手段来优化客服服务，其中大模型技术被广泛应用，成为当前最热门的研究方向之一， 是目前通往AGI的最佳实现方式。

通过部署生产主站点和同城备份站点的容灾方案，存储系统可以提供全天候7*24小时的连续稳定服务。配合上每个站点的弹性EC保障，在满足6个9(99.9999%)可靠性的同时，实现不低于75%的资源利用率。

G行数据湖项目的建设取得了一定的成果，基本实现了全行数据的统一存储和管理，支持了越来越多的基于数据共享和多维分析的业务场景，也助力数仓实现了数据的进一步加工和提取，使得业务应用的集市化建设更加便捷。

这几天朋友圈异常热闹，导火索来自前阿里AI科学家贾扬清的一则消息，他说某国产大模型抄袭了META 的LLaMA架构，并且只换了几个变量名称就说成是自研，谴责这种行为没有底线。

Doris的发展大家是有目共睹的。例如冷热分离等新特性的持续增加。使得Doris在易用和成本上都有大幅提升。

大模型，又称为预训练模型、基础模型等，凝练了大数据内在精华的“隐式知识库”，是实现人工智能应用的载体。

DDD可扩展架构的基本思想就是拆，多维度对系统进行拆解，将整体分解相对独立的部分，将每个部分的复杂度控制在一定范围内。

银行作为对网络可用性、可靠性、安全性、连续性要求极高的金融机构，日常运维涉及资产管理、监控巡检、故障处置、维护变更、备份恢复等多方面管理需求，都会占用大量运维资源及人力成本。

数据湖将成为管理大量原始、非结构化和半结构化数据的基础。它可以将历史数据存储为单一事实来源，这对于在不同部门和团队之间保持数据一致性、完整性和可信度是至关重要的。

Ceph本身的架构比较清晰明了，主要分应用接口层、存储基础接口层以及存储对象层，接口层主要对客户端的访问负责，分为本地语言绑定接口(C/C++, Java, Python)、RESTful (S3/Swift)、块存储设备接口、文件系统接口。从这个点上，其完整诠释了“统一性( unified )”的特性。

过去八年间，数据中台及其“统一数据、统一服务、统一身份(One data, one service, one ID)”理念的广泛采用，推动了中心化数据平台和职责的普及。

AI 智能时代，开发者需要一个真正的向量数据库吗?答案很简单，这取决于开发者的应用场景。举个例子，晚饭选择去一家五星级餐厅用餐或是是快餐店，往往和你的胃口和期望有关。

Kafka 最初是为分布式系统中海量日志处理而设计的。它可以通过持久化功能将消息保存到磁盘直到过期，并让消费者按照自己的节奏提取消息。与它的前辈不同(RabbitMQ、ActiveMQ)，Kafka 不仅仅是一个消息队列，它还是一个开源的分布式流处理平台。