企业网络软件更新滞后是由于采用新技术有很多障碍。好消息是,这些挑战都不是很难克服的。
在采用新的软件网络技术方面,相比起电信服务供应商,一般企业速度要慢很多。
事实上,根据Doyle研究表明,企业占软件定义网络(SDN)和网络虚拟化支出总费用少于40%。
企业采用新技术的障碍包括缺乏明确的业务驱动力,以及不知道哪家的技术策略值得信任的感知风险和混乱。
网络软件由软件定义网络(SDN)和虚拟网络因素两者组成,包括4-7层提供独特价值的设备,且分别由底层网络硬件商出售。
事实上,网络软件有各种用途,包括用于数据中心网络;路由选择;交换;广域网优化;应用交付控制(ADC);网络监控和管理,以及网络安全。几乎4-7层设备的每个供应商都有一个虚拟设备选项。
很多大型企业正在评估网络软件的部署,但是对于技术成熟性存在恐惧,不确定和怀疑。本质上,他们想要确保选择了“正确”的架构,并且和一个值得信赖的合作伙伴来发展其网络。
不像云服务提供商,他们普遍采用绿场部署新的软件,也就是在以前不存在网络的地方部署。而企业必须考虑到新技术对于他们传统网络和目前正在使用的数以百计的应用程序的影响。
以下是可以解决目前在企业部署网络软件所存在障碍的方法:
• 用商业案例证明:提供已存在的,公共的网络软件部署案例,以清晰地展示商业利益和挑战。
• 传统网络和应用程序集成:行业内需要公开讨论并解决在一个传统的网络环境中,管理新的软件定义网络(SDN)/虚拟网络元素所带来的挑战。
• 提供使用案例:厂家总是急于吹嘘网络软件,而常常错过介绍具体而又基本的使用案例。厂家应该告知客户其软件可带来的利益,还有相对容易实现的优势。
• 解决多厂商互操作性:所有的大企业都有大量的网络和安全供应商。网络软件部署必须证明,可以和领先的供应商的设备互操作,如思科、VMware、F5等。
也许部署网络软件最大的障碍是不知道如何从广泛的技术选项中进行选择。首先,有几个要考虑的关键技术:
• VMware NSX: NSX是一种数据中心的网络软件叠加技术。它最初使用是由安全需求(微分段)所驱动。VMware表示,其拥有超过250个NSX付费用户。
• 思科的应用策略基础架构控制器(APIC):应用策略基础架构控制器(APIC)为数据中心网络提供自动配置和管理。在其早期版本中,思科表示其拥有超过200个应用策略基础架构控制器(APIC)客户。
• OpenDayLight: ODL(OpenDayLight)是一个网络可编程的开放控制平台,可确保软件中网络服务的广泛使用。ODL(OpenDayLight)可以作为开源软件部署,也可以从很多网络提供商获取。
• 网络软件独立供应商(ISVs): 目前有不少网络软件供应商可提供各种功能产品,包括白盒交换机控制,路由选择,广域网优化,应用交付控制(ADC),以及网络监控,所以IT经理有不少选择。目前已经拥有一些大客户的网络软件独立供应商(ISVs)也有不少,包括Adara, Big Switch, 博科,Cumulus, Nuage, Pluribus, Plumgrid, Sideband和Viptela。
尽管现在是企业网络软件的发展早期,但是还是有一些大型机构已经成功地部署了网络软件,无论是在绿场还是传统环境中。例如,金融服务公司Lucera已经在它的数据中心和广域网部署了软件定义网络(SDN).
2014年10月的开放网络用户组(ONUG)会议上,工程公司MWH Global解释了它将如何用虚拟广域网替代它大部分的多协议标签交换(MPLS)网络。与此同时,一些其他大型企业讨论了其数据中心和局域网内当前和计划的网络软件部署。
最近的新闻显示,在OpenStack环境中背后有着很大的网络软件部署潜力。在未来几年,OpenStack环境中相对弱的网络功能将会是网络软件部署一个有力的驱动。部署了OpenStack的IT经理可能会向商用网络软件供应商投去橄榄枝,以得到他们所需要的虚拟网络功能。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。