虚拟网络功能是网络功能虚拟化(NFV)的核心。它提供只能在硬件中找到的网络功能,包括很多应用,比如路由、CPE、移动核心、IMS、CDN、饰品、安全性、策略等等。
但是,虚拟化网络功能需要把应用程序、业务流程和可以进行整合和调整的基础设施软件结合起来。
通信服务提供商(CSP)首先需要选择可以提供NFV的合适的合作伙伴。还需要一些很适合实施VNF的网络环境。
通信服务提供商必须首先评估合作伙伴提供的NFV应用。有很多VNF合作伙伴可以选择,包括:
• 领先的网络设备提供商(NEP):一般情况下,通信服务提供商会从这些领先的网络设备提供商中选择合适的网络基础设施,比如爱立信公司、思科、华为、阿尔卡特朗讯、诺基亚以及瞻博网络。所有这些顶级网络设备提供商都有各种不同的策略来帮助他们的客户迁移或者逐步迁移到日益增长的虚拟化和基于软件的架构中去。
• 领先的IT供应商:像惠普、红帽和戴尔这种领先的IT供应商都把他们在云和虚拟数据中心部署方面的专业技能和网络/电信软件结合到一起,来提供一个算是“完整”的NFV解决方案。IT供应商会通过与选定的网络设备提供商和NFV独立软件开发商(NFV ISV)之间的合作,来提供他们的NFV投资组合实力。
• NFV ISV:很多新兴和现有的供应商都纷纷推出用于VNF部署的虚拟化软件选项。通信服务提供商可以选择其中能满足他们的应用需求的最合适的软件/供应商。另外,也可以选择开源网络软件。比如OpenStack、OpenDaylight以及其它特定的NFV产品。在这种情况下,通信服务提供商(可能会和一些专业的服务合作伙伴)主要负责各种软件组件的测试和集成。
一些优秀的NFV独立软件开发商:
• Affirmed Networks(移动核心)
• 博科(路由)
• Connectem公司(移动核心)
• Cyan公司(业务流程)
• Edgewater网络公司(会话边界控制)
• Genband公司(IMS)
• Metaswitch公司(IMS)
• Overture公司(业务流程)
通信服务提供商在实施VNF时,面临着很多潜在的挑战和风险。
软件若像硬件那样扩展到数百万用户使用,会有很大风险。更重要的是,通信服务提供商必须学会新的管理和业务流程工具,并在虚拟网络和物理网络之间建立可靠的联系。
他们在把VNF与现有的通常很复杂的操作系统、支持系统和后台计费系统集成到一起时,往往会面临很多额外的挑战。从成本的角度来看,通信服务提供商必须能够权衡潜在的较低收入和较高的运营成本,因为他们的员工必须掌握新的工具来操作和管理虚拟网络。
第一次实施VNF比较合适的环境是那种可以降低通信服务提供商业务人员风险的环境。包括:
• 新区部署:通信服务提供商没有限制的或者没有物理网络部署的地理范围内的新的网络部署。
• 新的服务产品。通信服务提供商希望快速而且经济高效地推出新的服务,比如cable MSO提供无线服务或者通信服务提供商将他们的产品扩展到小型企业。
• 虚拟网络运营:新加入者提供电信服务,并有可能与现有具有物理网络的通信服务提供商合作。
对于现在大多数通信服务提供商来说,迁移到虚拟网络是一个5-10年的长久过程。规模较小的运营商或者那些提供新的电信服务的企业可以很快实现NFV。通信服务提供商必须承担引入新的VNF技术到现有高度可靠的网络所带来的风险。为了能够成功,通信服务提供商需要认真评估和测试特性的NFV技术,选择最合适的应用程序和部署类型,并且与那些可以提供可靠的NFV部署方案的合作伙伴合作。
好文章,需要你的鼓励
IBM Spyre加速器将于本月晚些时候正式推出,为z17大型机、LinuxONE 5和Power11系统等企业级硬件的AI能力提供显著提升。该加速器基于定制芯片的PCIe卡,配备32个独立加速器核心,专为处理AI工作负载需求而设计。系统最多可配置48张Spyre卡,支持多模型AI处理,包括生成式AI和大语言模型,主要应用于金融交易欺诈检测等关键业务场景。
微软研究院提出潜在分区网络(LZN),首次实现生成建模、表示学习和分类任务的真正统一。该框架通过共享高斯潜在空间和创新的潜在对齐机制,让原本独立的AI任务协同工作。实验显示LZN不仅能增强现有模型性能,还能独立完成各类任务,多任务联合训练效果更是超越单独训练。这项研究为构建下一代通用AI系统提供了新的架构思路。
意大利初创公司Ganiga开发了AI驱动的智能垃圾分拣机器人Hoooly,能自动识别并分类垃圾和可回收物。该公司产品包括机器人垃圾桶、智能盖子和废物追踪软件,旨在解决全球塑料回收率不足10%的问题。2024年公司收入50万美元,已向谷歌和多个机场销售超120台设备,计划融资300万美元并拓展美国市场。
上海AI实验室开发的VLAC模型让机器人首次具备真实世界自主学习能力。该系统如同给机器人配备智能导师,能实时评估动作效果并从中学习。在四个操作任务测试中,机器人成功率从30%提升至90%,仅需200次练习。技术结合视觉、语言理解和动作生成,支持跨场景适应和人机协作,为家庭服务、医疗护理等领域应用奠定基础。