“为什么是昆凌?”,这是周董大婚的消息传来,很多人的第一反应。的确,盘点周杰伦历任女友的帖子,在天涯社区已经盖了高楼,为何蔡依林、桂纶镁这些大牌女星最终未能与周董修成正果,反而是名不见经传的昆凌钓到金龟婿?就像周董在自己歌中唱到的那样:漂亮得让人面红、温柔得让人心疼、透明得让人感动、坏坏得让人疯狂,也许只有当事人才最明白,怎样才是最合适,最相配。无独有偶,跳出娱乐圈,我们来看IT圈的一桩“好姻缘”:云计算和SDN。
云计算就像周杰伦,年少成名(83年SUN就提出“网络即电脑”的概念),但星途坎坷,九年前始得贵人提携(AWS、Google 06年实质化进展),终凭借过人资质一飞冲天,成为当红巨星。反观SDN,出世晚了许多,虽颇有“颜值”,但一直不温不火,偶有绯闻,但围观摇旗呐喊者多,“迎娶”回家开枝散叶者少。直到云计算与SDN相遇,才发现彼此就是生命中最重要的另一半。SDN之于云计算,重要性已超过服务器和存储,成为当仁不让的“头牌”,SDN正携手其同胞NFV,以及“软件定义一切”七大姑八大姨们,努力扮演着云计算不可替代的“伴侣”角色。于是,基于这些技术的创业公司也逐渐从幕后走到台前,纷纷扮演颠覆者的角色。初创公司网锐科技(xNet)就是这样进入大家视野的,在率先以whitebox在国内掀起浪潮之后,xNet于2014年底发布了应用定义交换机(ADS, Application Defined Switch),将SDN与NFV双剑合璧,旨在顺应云计算趋势,颠覆数据中心L4~L7层架构,将战火烧到了传统应用交付和网络安全厂商的家门口,并获得了2014年度应用交付创新解决方案大奖。
为何说颠覆,凭啥获大奖,我们不妨借用周董的话来解释一下:
漂亮得让人面红
女人独特的美丽往往源自内心,所谓秀外慧中, xNet ADS的动人之处正是源于内在的开放式操作系统——NITOS,它从IT角度来重构网络设备和网络应用, 通过标准的硬件抽象,支持用户自定义的应用交换机 (user self-defined switch)。用户可以使用最新Linux应用、自动化工具和SDN技术。新的IT应用能被快速开发集成到NITOS中,与上层业务系统耦合,完美适配,岂止让人面红,更让人眼红。
温柔得让人心疼
当前SDN的任何一种实现方式(NetworkAPI,SDNController,VirtualOverlay)都不够“温柔”,需要使用者有比较高的IT集成能力,ROI不成比例。xNet首创flexSDN技术,让SDN可以更“温柔”的对待每一位使用者,广泛满足用户需求的差异性,支持:集中控制器、分散控制器、自控智能APP等三种模式。
flexSDN三种控制模式
透明得让人感动
传统应用交付平台性能是巨大的瓶颈,L4~L7层流量基本要靠CPU来处理,面对日益繁忙的云数据中心,心有余而力不足。xNet ADS基于交换机,L4~L7层流量转发由ASIC芯片来完成,流量可以近乎“透明”转发,应用交付吞吐能力等同于交换机上行接口带宽,低延迟、无损耗,“透明的让人感动”
坏坏得让人疯狂
坏,有时也是个褒义词,它体现了xNet处处快人一步的创新思维,你以为ADS只是一款应用交付交换机,那么就大错特错了,说明没有看清它企图颠覆整个L4~L7层设备市场的“坏心”。其实,在SDN和NFV的双轮驱动下,xNet ADS可以是高性能集群防火墙、VPN、UTM、WAF、IPS、SLB。同时,采用ADS构建的应用层网络不再有单点故障、性能瓶颈、扩容风险。目前xNet已经推出了SLB、Firewall/UTM与ADS进行联动,还可以配合HAproxy等诸多开源软件一起使用。试想,当有一款低成本、高性能、多功能、无限扩展的应用网络解决方案扑面而来,是不是有很疯狂的感觉?这就是ADS!
xNet ADS与 Firewall/UTM NFV服务器联动模式下的新IT架构
周董大婚,以静制动,声东击西,告别满汉全席般的喧哗,给娱乐圈也来一抹“青花瓷”般的简明快感;xNet逆袭,携SDN与NFV双剑,揽应用交付创新大奖入怀,给IT圈刮起“龙卷风”般的彻底颠覆。
数据中心的管理员们,过去的一年,你配置了交换机千千万,你管理的服务器万万千,整一堆设备容易,用得好太难,xNet ADS,让一切更简单!
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。