在以激烈競爭和不斷升級的客戶需求為特征的行業(yè)中，速度已成為關鍵的差異化因素。憑借支持應用程序快速開發(fā)和部署的能力，云計算已成為實現這一速度的圣杯——簡單的按需容量，可隨業(yè)務擴展，這些全部都采用運營成本模型。

公共、私有和混合云的使用量激增，容器和編排平臺，特別是 Kubernetes，在開發(fā)過程中找到了自己的位置。隨著企業(yè)轉向外部解決方案以發(fā)展運營、支持新的工作方式并增強業(yè)務彈性，全球大流行只會加速云、容器和 Kubernetes 的采用。

就在這時，現實中的困難出現了。

云計算的發(fā)展——特別是 Kubernetes——導致系統(tǒng)和組織的復雜性，這些復雜性在多個方面都沒有得到很好的理解。Kubernetes 帶來了意想不到的挑戰(zhàn)，一項研究發(fā)現，94% 的采用 Kubernetes 的企業(yè)表示這是他們的痛苦之源。

企業(yè)努力實施 Kubernetes 的重大教訓是速度會以高云成本的形式產生摩擦，而這些增加的成本實際上會減緩企業(yè)發(fā)展勢頭。

然而，云計算成本的不斷增加只是影響的一個方面，因為 Kubernetes 的采用及其產生的復雜性也給運行它的工作人員帶來了新的負擔。

這就引出了一個問題：企業(yè)是否愿意犧牲敏捷性來換取長期盈利能力和運營倦怠的風險?

1、簡化的嘗試并沒有解決真正的問題

為了解決系統(tǒng)復雜性問題，開發(fā)團隊采用了專門構建的可觀察性平臺來理解構成應用程序的組件(包括軟件和硬件)之間的關系，以及它們如何為最終用戶服務。不幸的是，被動的、只關注性能的可觀察性平臺并不能解決問題，它們只是識別問題，之后應該做出何種措施?

企業(yè)需要尋求其他方法來解決這些問題，這導致了云上自動化運維和構建運行團隊的出現，他們負責理解需要遷移到云的應用程序移動和構建所帶來的復雜性。云上自動化運維組織匯集了人員、流程和工具，專門關注云模型如何影響 IT 和業(yè)務的所有領域。構建-運行的目標是讓開發(fā)團隊對應用程序和服務的日常性能負責，并使開發(fā)人員能夠專注于產品而不是項目。

與此同時，企業(yè)需要實施云成本優(yōu)化框架，將跨職能的利益相關者聚集在一起。這個偽應用級指導委員會旨在為云計算的可變支出模型增加財務責任。

這需要很多時間、人員和流程來解決問題。

2、打破常規(guī)之后的措施

雖然曾經流行的口號敦促軟件開發(fā)人員快速行動并打破常規(guī)，但今天的現實是常規(guī)已被打破。我們需要以一種允許開發(fā)人員提高速度的方式來修正它們，同時確保我們不會陷入反復破壞相同事物的陷阱。

對于那些將云計算視為敏捷和速度的圣杯的企業(yè)來說，曾經是靈丹妙藥的云，現在已成為無法控制的成本和管理復雜性的來源。這會在兩方面產生問題：

利潤率下降：首先，不斷上升的云成本開始侵蝕利潤率，增加總收入成本 (COR) 或銷售成本 (COGS)，以及錯過的 SLA;其次，當開發(fā)團隊被告知要降低云成本時，他們不知道如何平衡這些削減與對業(yè)務承諾的服務水平協(xié)議的影響。

當云計算的成本取代了它旨在創(chuàng)造的業(yè)務價值時，就會導致業(yè)界廣為流傳的云悖論：如果你不開始使用云，你就是瘋了;如果你堅持下去，你就瘋了。

3、AI 和 ML：新的工具如何提供幫助

幸運的是，機器學習 (ML) 等技術正在進入這一過程，并能夠使優(yōu)化性能和成本之間權衡的能力得以改善。借助這項技術和一類新的工具，開發(fā)團隊可以做個人無法做到的事情：徹底了解和調整所有可用變量，以確保針對每個應用程序優(yōu)化性能和成本。

人工智能 (AI) 和機器學習已成為支持速度任務不可或缺的一部分。當然，這些新工具正在進入部署過程。因此，企業(yè)開始制定實踐來管理 AI 和 ML 工具的采用和集成。AIOps 工具現在使 Ops 團隊能夠通過利用分析和機器學習來實現自動化和改進運營。

同時，DevSecOps 致力于將安全集成到軟件開發(fā)的所有階段的過程自動化。最后，持續(xù)優(yōu)化在持續(xù)集成和持續(xù)開發(fā)之間的 CI/CD 管道中找到了自己的位置，并在投入生產之前使用機器學習來優(yōu)化 Kubernetes 配置。

通過識別需要解決的問題并找到理想的解決方案，這種持續(xù)優(yōu)化是解決可能減慢應用程序交付速度的瓶頸的關鍵。這就是機器學習遠遠優(yōu)于人類認知能力的地方。

通過在 CI/CD 流程中實施這些功能，開發(fā)人員和運營團隊現在有了工具來應對那些降低企業(yè)速度的云賬單，并加速了他們向云的過渡。

4、當今云優(yōu)先開發(fā)的優(yōu)化解決方案

新的資源優(yōu)化解決方案可以幫助企業(yè)主動確保效率，并在成本和性能之間進行智能業(yè)務權衡，而無需耗時、無效的反復試驗。

使用 ML，這些解決方案可以自動發(fā)現最佳應用程序配置。部分企業(yè)采取主動的方法，通過結合性能測試在預生產中的應用程序上生成負載，調整應用程序以滿足負載，然后為 Kubernetes 創(chuàng)建理想的配置以將這些應用程序部署到生產環(huán)境中。這有助于工程師節(jié)省時間，而不會增加運行應用程序的成本或影響應用程序的性能和可靠性。

使用資源優(yōu)化解決方案可以最大限度地減少資源浪費，使開發(fā)人員能夠根據業(yè)務目標做出決策并減輕復雜性，以便開發(fā)人員可以將精力集中在實際開發(fā)上。這樣可以使速度加快成為可能。