ZDNET网络频道 06月26日 北京报道:随着云计算、移动化办公(BYOD)及社交媒体的不断普及,越来越多的企业和用户将数据和业务放在了云端,随之而来的用户体验问题也越来越受到用户的关心,这也几乎成了互联网+时代的用户特征。而我们知道,决定云端应用性能好坏的关键往往不是数据中心对数据的处理问题,而在于广域网中网络性能对数据传输的影响,因此在互联网+环境中广域网优化将越来越被企业所重视。
近期,在ZDNet记者对Riverbed进行的采访中获悉,Riverbed作为业界首屈一指的WAN (广域网)优化解决方案提供商,从2006年一直处于Gartner广域网优化市场中的领导者象限。而其最新的SteelHead产品可以保障企业在混合架构下的应用服务水平,并最大化终端用户生产率,提升IT可视化及管控能力,最终降低企业成本。
传统专线、VPN方式能否被替代?
我们知道,在广域网加速方面,很多企业都会采取专线方式及VPN来实现。而在互联网时代快速发展的今天,当用户业务跑在互联网上时,我们是否可以放弃成本相对较高的专线和VPN方式呢?
Riverbed技术顾问龚红兵
对此,Riverbed技术顾问龚红兵表示,“现在金融行业,如银行都在大量租用专线来解决广域网优化的问题,这也是目前从成本和风险角度考虑所能采取的最佳方式,所以从短期来看专线和VPN方式仍然不能被替代。”
而随着互联网的兴起,涌现出了大量初创企业,这些企业轻资产运营的方式,使得云计算获得了更为广泛的需求。因此,很多企业开始选择公有云平台来支撑自身业务的发展。而在这种业务场景中企业更需要自动化的网络性能管理及维护工具对业务进行保障。
那么,要如何满足这类企业用户的实际需求呢?龚红兵表示,“云端应用需要通过互联网到达用户终端,但很多中小企业用户又不能承担搭建专线的成本,所以Riverbed提出了一个中间方案,就是SteelHead。通过在分支机构增加加速器和专用运营商来保障网络质量,而这也能够解决依赖专线的企业用户,应对运营商类似民航企业实行“超卖”等现象所带来的对业务的影响。配合VPN功能实行加速的广域网优化方案将更适用于目前混合架构的企业应用环境。”
混合云环境需要网络性能自动化运维
我们看到,目前云计算逐渐向混合云模式发展,为此企业也将面临很多新的问题,如对不同云平台性能水平的评估、对IT运维管理观念的转变,对不同平台中业务应用质量的保障等等,都是企业在混合云环境中需要考虑的问题。而作为企业用户不仅需要了解网络性能对业务应用的影响,更为重要的是如何及时调整网络管理策略来提升业务及应用的传输效率,降低延时,使应用体验更加流畅,IT管理更加简便。
对此,龚红兵认为,“公有云的建立是一种趋势,对于很多用户而言希望自动化的管理IT系统,包括开发式运维、自动化运维,在Riverbed的产品系列中,可以通过SteelScript方案提供的API为产品之间实现相互调用的功能。例如在对网络和应用进行监控时,当监测到异常现象时,会自动调配API触发在广域网加速方面的相应策略,提升网络传输效率,让各方面自动化协同工作。”
除此之外,据龚红兵还介绍,“Riverbed目前不仅是一家提供广域网优化的厂商,从去年收购网络性能管理公司OPNET以来,Riverbed已经顺利进入到应用性能管理与网络性能管理的相关领域。这一新的市场定位,已经使Riverbed成为网络性能管理领域首屈一指的厂商。”
如何应对公有云环境带来的安全威胁
在面对公有云的安全问题时,龚红兵讲到,“很多用户质疑云服务的关键所在就是安全问题,而Riverbed的SteelFusion方案是专门针对共享的一款融合产品,通过存储网络与云端的耦合来实现分支机构的融合方案,通过融合方案分支机构用户可以直接访问总部,这其实就类似于一个真正的云服务。”
综上所述,互联网+环境给广域网优化提出了新的课题,从产品功能角度讲,不仅要对网络性能实施有效的监控,同时还要对各种网络情况作出相应的判断与策略调整。而从用户角度来讲,需要一种经济灵活的自动化运维管理工具来提升业务效率。为此,Riverbed通过其四大核心产品,包括SteelCentral(专注于政企用户的应用性能管理产品)、SteelHead(广域网加速产品)、SteelFusion(企业分支机构网络性能优化产品)和SteelScript(自动化运维产品),来迎接这一新的市场需求,可视化与融合的产品组合为我们开启了广域网优化与加速的新时代。
好文章,需要你的鼓励
在技术快速发展的时代,保护关键系统越来越依赖AI、自动化和行为分析。数据显示,2024年95%的数据泄露源于人为错误,64%的网络事件由员工失误造成。虽然先进的网络防御技术不断发展,但人类判断仍是最薄弱环节。网络韧性不仅是技术挑战,更是人员和战略需求。建立真正的韧性需要机器精确性与人类判断力的结合,将信任视为战略基础设施的关键要素,并将网络韧性提升为国家安全的核心组成部分。
南洋理工大学团队开发了Uni-MMMU基准测试,专门评估AI模型的理解与生成协同能力。该基准包含八个精心设计的任务,要求AI像人类一样"边看边想边画"来解决复杂问题。研究发现当前AI模型在这种协同任务上表现不平衡,生成能力是主要瓶颈,但协同工作确实能提升问题解决效果,为开发更智能的AI助手指明了方向。
自计算机诞生以来,人们就担心机器会背叛创造者。近期AI事件包括数据泄露、自主破坏行为和系统追求错误目标,暴露了当前安全控制的弱点。然而这种结果并非不可避免。AI由人类构建,用我们的数据训练,在我们设计的硬件上运行。人类主导权仍是决定因素,责任仍在我们。
360 AI Research团队发布的FG-CLIP 2是一个突破性的双语精细视觉语言对齐模型,能够同时处理中英文并进行精细的图像理解。该模型通过两阶段训练策略和多目标联合优化,在29个数据集的8类任务中均达到最先进性能,特别创新了文本内模态对比损失机制。团队还构建了首个中文多模态评测基准,填补了该领域空白,为智能商务、安防监控、医疗影像等应用开辟新可能。