91亚洲狠狠婷婷综合久久久Ih视频日本Ifreexxx丝袜办公室hdI超黄视频网站I精品亚洲欧美一区I欧美 激情在线I98涩涩国产露脸精品国产网I亚洲专区在线视频I一级亚洲I91红桃视频I一区五区电影I亚洲成人7777777I一区二区三区四区五区I国产精品A片I国产精品视频永久免费播放I久久视频在线I你懂的在线视频I亚洲H天堂

作者：JFrog大中華區總經理 董任遠

  JFrog中國技術總監 王青

今日，如果聽到許多領域的企業正在加大舉措，推進DevOps在實際業務中的實踐，再也不會令人驚訝。顯而易見，這樣的形勢正是源于企業緊迫的業務需求，DevOps的實施已經寫入了企業的發展寶典。

事實上，這樣的變化在金融企業中體現的尤為明顯。追溯過去，金融企業的運維曾受手工操作的制約，伴隨運維系統的數量從上百個增長到成千上萬個，傳統的手工部署方式的效率方面一直存在著落差。當下，這樣的落差必須盡快解決。JFrog認為，以金融行業為例，許多企業都有很大的熱情和意愿希望做出改變。

我們究竟該將注意力放在哪里？如何能幫助企業提升軟件發布效率、改善開發與運維協作，金融企業尋求解決方案的有效路徑在哪里？又該從何下手呢？JFrog最近深入發現，致力于推動DevOps的實施，以此來消除開發和運維之間的鴻溝和溝通成本。結合金融行業的特性，以下即在2024年將會呈現的兩大趨勢。

1. DevSecOps - 安全性成為首要關注點

近年來，在全球尤其是北美地區，安全性已經成為備受關注的熱門話題。由于黑客攻擊和勒索事件頻發，軟件供應鏈安全標準（XBOM）已在美國制定。JFrog預測，在2024年，國內將出臺相關標準和法規，引導金融領域加強對開源治理，特別是在DevSecOps（即在DevOps的基礎上加強安全性）中加入更多的安全性措施。

DevOps牽涉到多個自動化工具鏈的集成，包括需求管理、代碼管理、持續集成、測試、自動化部署和制品庫等多個環節。為更好地支持DevOps，金融企業可能需要進行組織結構調整，并對人員進行培訓。更多的金融企業通過采用DevOps將有效改變開發和運維的工作方式，以提高交付效率，增強創新能力。

目前，六大國有銀行與股份制銀行，基本都建立了各自的DevOps平臺，實現了CICD自動化部署。在證券行業中，企業對DevOps的需求僅次于銀行業，因為它涉及到證監會監管、軟件發布可靠性、避免生產事故以及對軟件供應鏈漏洞的高度關注。所以，當前的發展趨勢即金融領域整體上在DevOps方面經歷了學習、應用和逐漸完善的過程，不同類型的金融企業在這一進程中展現出各自的特點和進展。

金融企業成功實施DevOps的關鍵在于注重制品庫的統一管理，特別是在CICD流程中，制品庫扮演著連接CI和CD環節的關鍵角色。DevOps的本質是將需求轉化為軟件產品并部署到相應服務器，而制品庫關注的正是這個軟件包的生命周期信息，包括代碼貢獻者、需求滿足情況、測試通過與否等等。在金融領域，制品庫管理被看作是實現DevSecOps的基礎，通過統一的制品庫管理，使得整個供應鏈的漏洞掃描和管理得以實現。例如，某大型國有銀行即通過全行范圍內的制品庫使用，對漏洞進行評分和管理，以此實現全行范圍內的安全性提升。JFrog幫助企業快速定位了Log4j漏洞的影響范圍，并且在2天之內全部修復了收到影響的組件。

此外，金融企業還需關注模型安全問題。當前國內許多模型的做法是先從各大開源模型平臺獲取模型，再在內網進行修改和重新包裝，宣稱是自己的模型。然而，這種做法就存在潛在風險，可能會導致惡意代碼的嵌入，容易引發各種攻擊，包括惡意代碼執行、礦機部署、以及密碼獲取等。因此，在模型安全方面，金融企業更必須做到謹慎小心，采取相應的安全措施以保障系統的安全性。

2. AI工具對Ops開發團隊的賦能

在JFrog看來，2024年，金融企業當務之急都在設法找出自己最需要改善的地方，比如在DevOps方面更應聚焦AI工具（AI Ops和ML Ops）的發展趨勢，特別是在提高運維效率、處理錯誤日志和處理大規模模型計算方面，以確保其基礎設施足夠滿足未來的需求。通過整合AI技術，Ops團隊可以更加高效地管理和維護系統，實現自動化和智能化的運維流程，為企業帶來更高的效益和競爭力。

以通過智能分析監控數據為例，通過預測系統哪個機器會宕機，從而提高運維效率，AI Ops能利用人工智能工具解決運維問題。目前，高端芯片和機器學習的結合已經用于提供代碼補全等功能，未來還將支持大型模型的學習。尤其是對于金融企業而言，AI Ops能夠智能預測流量高峰和低谷，實現資源的自動化調配，從而提高系統的效率。

ML Ops則是將運維平臺的能力應用于模型發布的自動化，實現了用Ops來解決機器學習的運維問題。ML Ops通過DevOps平臺自動化地拉取、訓練、發布和更新模型，大大簡化了模型開發者的工作流程。我們認為，尤其對于金融企業而言，盡管對ML Ops的需求并不飽和，但ML Ops可以幫助提高大規模機器學習模型的訓練、部署和更新速度，從而提高開發效率，也存在對錯誤日志進行分析等需求的解決方案。

JFrog通過對Huggingface倉庫的支持，通過提供本地的大模型倉庫，解決了企業內部模型管理困難的問題，為企業進行大模型訓練和模型分發提供了便利。

3.應對趨勢，展開行動

AI Ops對DevOps的影響已經開始顯現，盡管目前并非全都彼此能得到有效應用。然而，隨著未來可能涌現出更為成熟的產品，我們可以期待這一趨勢將在運維機器，尤其是版本發布頻率不斷攀升的背景下，迎來更廣泛的應用。通過AI工具的引入，特別是在測試領域實現自動化的AI測試，將會極大地助力開發者。

企業若這么做，就是在做正確的事情，而且如果實施彼此匹配的測試，就能迅速提升開發者的工作效率，利用AI在測試方面展現出的強大學習能力，使其成為未來的重要利器。

在未來，我們將見證自動化工具生成的嶄新發展，尤其在這一領域對研發工作提供了重要的互補支持，為Ops開發團隊在2024年實現更大幅度的賦能打下了堅實的基礎，同時也將深刻影響開發者的工作方式，這將是商業上的標準實務。我們必須為企業著想，討論怎樣的創新是最有效的，有哪些地方還有改善的空間。隨著AI技術的不斷演進，我們有望看到更多創新性的自動化工具的涌現，從而進一步推動整個開發運維領域的可持續發展。