2015年4月15日,中国领先的应用网络及交付解决方案供应商——北京太一星晨信息技术有限公司(以下简称太一星晨)宣布,正式发布全新的TOMP(T1Network Open Multi-service Platform)开放式多业务平台。
太一星晨TOMP开放式多业务平台
TOMP开放式多业务平台是适用于传统大中型网络边界、云数据中心、SDN及其他新业务环境的网关产品。在硬件Hypervision虚拟化技术、tSwitch富特性软交换、T比特高性能硬件平台、四七层负载均衡等技术的支持下,TOMP开放式多业务平台首次实现了软硬件解耦合、弹性资源管理业务功能软件定义等特性,可为大中型行业客户提供最具开放性、前瞻性及敏捷性的边界网关及多业务网络平台解决方案,并满足客户对于性能、管理和可扩展性的要求。
太一星晨CEO印朝晖
太一星晨产品总监于振波表示:“传统的多业务网关试图用多进程或多板卡的方式满足用户对于应用网络的全部需求,但这种模式有着无法解决的弊端,就像十年前的功能手机一样,所有模块均依赖于单一厂商的开发能力,永远无法满足用户对多业务网关客制化、敏捷性及专业性的要求。太一星晨TOMP开放式多业务平台则像现在的智能手机,用户可按需选择并在TOMP平台上轻松部署任意厂商的软件网关。”
太一星晨产品总监于振波
从客户价值角度,太一星晨TOMP开放式多业务平台具备如下特色优势:
1、 开放性
在T比特级处理能力的专用硬件平台上,基于IntelVT-X/VT-D技术的硬件级Hypervisor虚拟化,提供计算资源及IO资源完全独立、相互完全隔离的标准虚拟化运行环境,任意第三方厂商基于标准KVM或Linux的软件网元无需修改均可直接部署使用。TOMP平台最多支持200个完全隔离的功能网元。用户可根据自身业务需求任意定义TOMP平台,这是业界第一款完全开放、用户自定义功能属性的多业务网关解决方案。
2、 弹性
太一星晨TOMP开放式多业务平台提供了充分的处理弹性以满足用户业务演进的需求。TOMP平台既可以通过计算资源动态分配的方式提高任意功能网元的处理性能(Scale IN),也可通过增加业务处理板卡的方式成倍提升整机处理能力(Scale UP),并支持最多32台设备的集群部署(Scale OUT)。
3、 敏捷性
在TOMP开放式多业务平台上,太一星晨独创性的实现了软硬件双交换矩阵架构。1.2T交换容量的硬件交换矩阵与具备负载均衡、四七层流量管理功能的tSwitch软交换矩阵相互配合,为用户提供最佳的流量及网元敏捷性,并快速完成功能网元的测试及部署,第一时间满足业务网络需求。
例如,传统环境下,用户如果需要新增Web应用防火墙以满足安全防护及合规需求,其测试、部署周期通常以月计算,而且测试结果与实际业务环境很难完全匹配;而在TOMP平台中,仅需数小时即可同时部署多个厂商的Web应用防火墙试用网元,并通过tSwitch向试用网元分配部分流量快速完成实际环境测试,整个测试及部署周期数天即可完成。
4、 软件定义
太一星晨TOMP开放式多业务平台不仅能完全替代传统多业务网关的部署需求,同时还是符合SDN及NFV特性的软件定义网关。TOMP开放式多业务平台提供符合SDN标准的API,满足标准SDN控制器的管理需求,可在采用SDN技术的新一代云计算中心轻松部署。同时,TOMP开放式多业务平台未来将提供符合NFV标准的北向和南向接口,作为NFV架构中同时具备高网络吞吐和高计算能力的通用基础资源承载各类业务网元。
太一星晨研发总监冯晓杰认为:“以TOMP平台为代表的软硬件解耦、处理资源池化且完全开放的多业务平台代表了应用网络演进的趋势,也代表了整个ICT行业的发展趋势。无论是SDN还是云计算,无论是NFV还是TOMP开放式多业务平台,都是这种趋势的最佳实践。”
太一星晨研发总监冯晓杰
在产品发布会上,太一星晨宣布,TOMP开放式多业务平台目前已完成数十款业务网元的实际部署测试,并与十余家应用网络厂商达成战略合作。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。