ZDNET网络频道 06月10日 综合消息:日前,Brocade介绍了一款app,能解决运行在OpenDaylight软件定义网络环境流量相关的大量问题。该特性将有助提升OpenDaylight性能。

本周二,该公司推出了面向企业和运营商的软件——Flow Optimizer,提供了多种应用场景。该软件可定位网络中DDos攻击带来的流量高峰。因为这些流量一般会持续一段时间,为避免网络变慢的风险,符合 这些特征的数据流将被该软件引导至独立的物理端口。“该软件可对导向诸如Facebook等其他在线服务提供商的业务无关流量进行限制”Brocade产 品市场部主管Sultan Dawood补充道。另外,OpenDaylight的SDN app也可以用于端口镜像,能够监控流量以帮助管理员更高效的追踪交换机性能。
服务提供商可以用Optimizer去定义来自不同企业用户的流量。这些流量被确定后将被高效的转发到其目的地址,例如Amazon Web Services或Microsoft Azure。
“包括攻击缓冲、应用流量控制和流量端口镜像,这些都是令人感兴趣的场景”IDC分析师Brad Casemore如是说。“如果Brocade能够将其产品在用户的商业价值上起到的作用做出清晰传达,那么Flow Optimizer将在服务提供商和企业获得青睐。”
Flow Optimizer运行在标准的x86服务器上,通过OpenDaylight与SDN控制器通信。控制器通过OpenFlow协议将Optimizer 的traffic-flow指令下发到每台交换机上。该app用于管理2——4层的流量。OpenDaylight控制器是Cisco和VMware的开 源替代方案。对于厂商来说,主要有Extreme Networks、Meru Networks和Brocade进行支持。
“Brocade的app可以运行在任意适合OpenDaylight架构的控制器上,不只局限于Brocade的Vyattta控制器,这的确是一件很酷的事情。”企业战略集团分析师Dan Conde讲道。
对OpenDaylihgt的扩展而言,app的可移植性是一个很重要的因素。更多的厂商对OpenDaylight平台的支持,将对app开发者 支持更多控制器提供了便利。在app的开发上Brocade不遗余力,其最大的对手是HP。去年9月,HP开放了针对其旗下产品及其伙伴F5 Networks、Kemp Technologies的SDN应用商店。无疑HP是OpenDaylight的强烈拥护者。
Brocade通过软件永久许可进行其Flow Optimiizer产品的售卖,售价依网络容量而定。达到20GB的流量管理价值,995,而一个200GB容量的能卖到,995。
另外,Brocade还介绍了Netlron操作系统的新版本,该系统用于公司MLX以太路由器。5.9版本的OS增加了支持SDN的特性。Brocade计划在第三季度发布该操作系统。届时这些功能将免费给MLX的用户提供。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。