互联网+、三网融合、云计算领域风起云涌,对互联网在可扩展性、安全性、可控可管等方面需求激增,现有网络构架已不能更好支撑未来网络发展。而SDN/NFV作为一种新型的网络架构,其倡导的软件化和虚拟化,能全面突破现有网络困境,目前已成为未来网络演进发展的重要趋势和特征,相关技术及协议将被用来构成未来网络基础设施。可以说,SDN/NFV意味着未来网络的发展趋势。
在5月18日-19日在北京盛大召开的“2015全球未来网络暨SDN技术大会”上,作为国内最早从事SDN技术研究的创业公司,网锐科技(Netrimx)为大家带来了引领“软件为中心”新IT基础设施解决方案——“锐IT”。网锐科技CEO&Co-Founder高雄柄博士强调,网锐聚焦于软件为中心的网络和IT融合的解决方案,希望变成SDN跟NFV技术的真正的落地者,能够助力企业IT架构的转型。
| 合纵连横,以IT业务为中心的A.S.P.E.R保障
为了满足IT市场的需求,提升服务质量与用户体验,要求所有的IT业务方案都必须提供业务保障,网锐科技认为,业务保障 = A.S.P.E.R(Availability、Scalability、Performance、Extensibility、Reliability)。
目前IT业务的A.S.P.E.R保障主要是纵向的保障,由纵向设备或IT应用独立保障,这就造成了IT业务更复杂,缺乏一体化,协作困难,虽然投入很大,但用户体验却不好。 利用SDN和NFV,网锐通过自主研发的应用定义网络架构(AD Network Fabric),在横向实体基础设施层直接对每个纵向设备或IT应用提供A.S.P.E.R功能支持,也就是对IT应用直接提供支持,同时,基础设施层面可以跟传统的基础设施互联,从而达到在传统的网络合纵连横的效果,简化IT架构及管理,减少设备数量及种类,提升设备标准化, 促进协作和一体化,更有效的改用户的体验。
【以IT业务保障为中心的网络基础设施】
| “锐IT”—— 新IT基础设施解决方案
“锐IT”解决方案,其核心组件是支持 AD Network Fabric 的ADS应用定义交换机和pureIP系列网络功能虚拟化软件。ADS交换机支持包括网络交换和路由功能、A.S.P.E.R横向功能,NFV应用以及SDN应用;pureIP系列网络功能虚拟化软件分为SLB、UTM、NAC、VDI等多个软件。通过ADS交换机和集成pureIP系列软件的服务器/虚拟机一起协同工作,为网络应用,IT应用和NFV应用提供了一个开放式的网络和IT协作环境,满足企业复杂的IT业务保障 A.S.P.E.R需求。
【“锐IT”新IT基础设施解决方案】
| “锐IT”解决方案应用范例
“锐IT”解决方案可以为您的IT业务提供横向业务保障支撑。如下图所示,是一个典型的VPDN服务,传统的A.S.P.E.R解决方案,为了保证全冗余和高可靠的LNS方案,部署会非常复杂,而且成本很高,而实际中和业务相关的就只是在这个交换机上本身有一块业务的LNS,还有两个服务器是真正做业务的,其他全是业务保障,很明显的本末倒置。
“锐IT”解决方案是基于AD Network Fabric,把所有业务保障的功能,直接在这一组交换机上实现,相关的防火墙的功能,LNS功能、Radius功能全部基于pureIP软件用虚拟机来实现,这样可以简化网络,使网络结构更扁平,设备数量更少,管理更加简单灵活,提升服务质量的同时也降低了成本。
【传统方案vs. AD Network Fabric】
秉承“开放融合”的合作态度,网锐科技在“锐IT”系列解决方案上的推动力争不断增强,未来的IT基础架构必将上演“软件为中心”的好戏!
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。