说到CIO们最关心的问题可以总结为有三个,第一是灵活性,也就是企业推出新的应用有多快;第二是安全性,避免系统受到感染,并防御恶意软件;第三是高效,降低IT运营成本,减少工作量并提高效率。
Infoblox全球运营执行副总裁Thorsten Freitag
这些问题正是Infoblox所关注的,即提升网络的可用性、安全性和自动化水平。Infoblox全球运营执行副总裁Thorsten Freitag近日接受媒体采访时指出,“CIO要采取措施完成这三项目标,首先云计算产生了虚拟基础设施,它要有足够的灵活性;其次要保护数据不受攻击,消除安全漏洞风险;效率方面,最重要的是要使配置自动化,IT运营自动化。”
这三项指标看起来简单实则不易,就那拿虚拟化技术来说,不管是VMware还是微软,企业希望更快的获得虚拟服务,但实际效果并没有那么理想。除了虚拟化部分,还需要对其加快速度,比如IP地址的管理等。
阻碍IT发展的三大网络障碍
“通常情况下要通过手动方式进行这种网络配置,需要几周甚至更长的时间能完成。即使云的配置实现自动化了,但网络配置方面仍需要大量的手动工作或有太多的手动干预的过程,整体的速度较慢、效率比较低。”
Thorsten Freitag表示,“企业在安全、灵活性和效率上做了很多投资,但是现在看安全风险越来越高、灵活性在降低、效能也在降低。”
之所以这样说,是因为现在数据中心较多是自建和云端架构的混合,网络更为动态和复杂。在VMware虚拟机或Unix Bind服务器上看到DNS,管理员使用Excel表格进行IP地址管理并不少见。这些要求人工干预和管理的系统增加了复杂度、风险和成本,同时降低了灵敏度和灵活性。
Infoblox作用在网络基础设施和应用及终端的中间层,为该层提供重要的网络控制功能,例如DNS,DHCP和IPAM(统称为DDI)。首先处理针对关键基础设施的危险,防御外部攻击,防止恶意软件回呼。另外,为数据中心、分支机构和云交付稳定的高性能网络服务。然后,自动化最耗时的网络任务,如发现、变更和配置管理。
为了更容易理解Infoblox的关键价值,Thorsten Freitag拿一个用户举例到,“某大型生物科技公司要用VMware来建立他的私有云,所以用了大量的虚拟化基础设施,但是他们有很多网络配置任务是要用手动来完成。进行这些手动网络配置任务,虚拟机配置一般需要三周。利用Infoblox DDI的方案,加上云自动化适配器可以和VMware虚拟化设施以及其他公司的虚拟化设施进行整合和集成,通过这样一个集成能够自动化进行IP配置和虚拟机配置,总配置时间从几周骤减至几小时。”
这是Infoblox在自动化上发挥的出色功能,随着基础设施越来越大,有越来越多的设备需要管理,自动化是不能忽视的问题。如果需要很多人工干预或者人工管理,不可避免的会发生一些人工管理所带来的一些错误。通过Infoblox这种自动化的解决方案,能够提高服务水平,减少人工所带来的错误,并且使业务启动速度变得更快。
Thorsten Freitag还强调了Infoblox在安全尤其是DNS安全上发挥的独特价值,基于Infoblox丰富的DNS协议知识库,从而提供了独特的方法防御DNS攻击。它可以智能地区分正常的流量与攻击性流量,并在响应正常流量时自动将恶意的DNS流量丢弃。
现在,从高科技到零售业,从医疗保健科学到电信公司,从金融服务到政府机构,Infoblox为他们提供了优秀的网络控制基础。Gartner称,商用DDI解决方案可降低50%以上的(网络)OPEX。IDC的数据则显示,Infoblox是唯一一家在过去三年不断增加市场份额的DDI厂商。用户在Infoblox提供的解决方案中获得了价值。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。