DC/OS 1.12 正式发布—支持多集群Kubernetes与数据服务的跨云部署

为了在激烈的市场竞争中占据优势，企业必须拥有足够敏捷的IT基础设施，以快速应对不断变化的业务需求。

今天，我们正式发布：

• Mesosphere DC/OS 1.12 。DC/OS 1.12是增强版的云平台，可以使得企业在多个云端以及边缘计算基础设施上，运行传统的、云原生的、数据驱动型的应用程序。

• Mesosphere Kubernetes Engine (MKE)。MKE使企业IT组织以前所未有的效率，在多集群资源池上完成Kubernetes平台的高密度部署与调度。

• Mesosphere Jupyter Service (MJS)。MJS      可以帮助用户以更低成本，加速推进机器学习项目。

esosphere DC/OS （分布式云操作系统）长期以来一直致力于在不同的基础设施上带来一致性的自动化体验。根据我们最新的云原生生态系统报告显示，在过去两年里，多云部署的比例已经提升了2倍多。截至今天，有四分之一的Mesosphere用户正在将他们的应用同时地运行在多个云平台上。

而，本地部署数据中心的建设也没有落末。实际上，Mesosphere的很多用户都在采用混合云方案，而不是仅仅采用公有云。这意味着用户可以根据自身的需求以混合云的方式交付应用，在1.12版本中，除了可用性与性能的提升之外，我们同样增加了其它引人注目的特性。

如今，企业希望能够在多个云提供商、本地数据中心以及边缘计算环境之间得到简单一致的体验，从而快速应对不断变化的业务需求。

无论部署何种应用，Mesosphere DC/OS 都可以为用户带来一致、安全以及可扩展的运维与开发体验。DC/OS 1.12新增了Universal Cloud Installer，它可以让用户在10分钟内，通过4步简单操作，即可简单、直接地安装并搭建起一个集群。集群的升级也同样简单。

02

用户安全与软件可控性

当今企业需要安全地保护自己不受威胁，并对组织变化作出快速反应，而这些的前提是要确保软件包和版本均符合公司的相关标准。

DC/OS支持私有镜像库，可以让用户在完全没有网络访问的情况下维护并搭建自己内部的服务超市。这样既可以满足开发人员对应用的使用，也可以保证IT部门对软件的控制。通过将私有镜像库与企业现有认证系统的深度集成，用户可以实现访问权限的自动控制，同时确保软件安全策略的合规性。DC/OS 1.12 在LDAP集成方面做了很多提升，包括动态同步以及匿名绑定等。

03

运维实时可视化

无论是微服务应用还是传统应用，其复杂的依赖关系和数据工作流都在与日俱增。洞察这些信息具有很大挑战性，但这在确保应用性能达标、减少故障定位时间，以及容量规划方面起着至关重要的作用。

DC/OS 1.12在内部计量服务上有着很大的提升，可以采集常用的性能指标，并将这些指标传输并汇集到Telegraf 和 Prometheus等框架中。用户可以在同时查看多个集群的实时信息，从而更快速地作出正确决策。

如今，为实现创新并提升业务价值，很多开发团队更倾向于选择Kubernetes平台。然而，在公有云、私有云以及边缘基础设施中大量部署Kubernetes会导致各个方案相对孤立，IT部门无法实现集中控制，从而进一步导致了基础设施与运维成本的提升，安全隐患的增加，也为专业人才的招聘带来负面影响。

而Mesosphere Kubernetes Engine可以让IT部门集中式管理分散在裸机、虚拟机以及公有云上的Kubernetes集群，从而减少不必要的运维成本，提升安全控制能力，极大降低基础设施成本。

• 多集群K8s的集中式管理

IT组织可通过集中的界面以自服务的方式管理运行在多个云端、数据中心以及边缘基础设施上的Kubernetes集群。

• 无需虚拟化的多K8s高密度部署

用户可以在同一个服务器、虚拟机或者云实例上，运行多个Kubernetes组件，包括多个Kubernetes集群，从而节省两倍以上的基础设施资源消耗。

• K8s生命周期自动化管理

自动完成Kubernetes的安装、升级、高可用部署、性能优化以及安全提升。

以更低成本加速机器学习项目

数据是一切之根本，经济学家将数据比喻为新的石油。如果说数据是新的石油，那么机器学习便是钻取和精炼的过程，因此至关重要。如果仅是采集数据并放置一旁，那么它不会产生任何新的价值。机器学习模型应用的挑战性在于它需要特定的工具，并且需要在规模极大的计算资源上处理海量的数据集。然而，这也导致整个机器学习的进程缓慢，增加数据泄露风险，更浪费了那些被高薪聘用的数据科学家资源。

Mesosphere Jupyter Service Beta（MJS）可以让数据科学家根据自身需求，访问当前流行的Jupyter交互环境。MJS预集成了数据科学家所需要的各种工具，让科学家们可以直接地对企业内任何基础设施上的数据源进行操作，从而利用高性能的基础设施实现模型开发，通过安全的方式分享研究成果，并自信地将模型投放到生产环境。

• Jupyter Notebook-as-a-Service

数据科学家可以立即直接使用一个功能全、交互性强的数据科学部署环境（Jupyter Notebooks）——一个以服务方式交付、预先集成各种工具、框架和库的环境，而不再需要像以往一样等待基础设施和工具的就绪。

• 安全地协同办公

数据科学家不再需要像以往一样，先将文件保存到本地PC，再进行分析，而是可以直接在共享基础设施上办公。通过这种方式，IT管理人员可以对文件和数据源进行更细粒度的访问控制。

• 提升机器学习的速度

DC/OS 使用共享资源池进行模型训练，取代了通常所用的单个节点的模式。这种方式意味着notebook可以与高性能的集群资源进行集成，并采用分布式的分析引擎加速模型的训练。