处女座的人,思虑周全,非常细腻,谨慎且擅长分析,凡事要求做到尽善尽美,通常是个完美主义者。但是如果用户“处女座”般的挑剔去面对网络的升级改造和管理,不知道有多少厂商还能“扛得住”?
“纠结“四连发
近期,被誉为“中国刑警的最高学府”、“东方福尔摩斯的摇篮”的中国刑警学院(下文简称“警院”)上演了一场“完美版”的网络升级。警院不仅采用了 锐捷因地制宜的无线部署方案、在图书馆、办公楼、学生宿舍和室外实现了全网覆盖,还利用SAM运营商解决方案、RIIL运维管理方案,打造出了新一代校园 网的最佳应用体验。
但是,打造“完美网络”并非易事,在前期的自我诊断和规划阶段,就出现了不少纠结。
“把整个网络的认证放在核心设备上,接入和汇聚的维护会不会特别麻烦?旧设备怎么办?收费和不收费区域如何管理?用户体验怎么算是提高了?”一连4 问,充分体现了刑警学院逻辑缜密、挑剔细节、追求完美的“处女座特性”。实际上,这些问题是校方从多个需求中提炼出来的,包含了网络升级项目中可能遇到的 各个难点,简单来说包括:结构变化、成本控制、精细管理、用户体验,这“四大关”。
极简运营闯“四关”
据了解,中国刑警学院在几年前建设云校园网时,就选择了锐捷网络作为合作伙伴,但在这次升级项目中,锐捷和其他厂商一样,都站在了同一起跑线上,需 要先回答这“挑剔“的4个问题,不少厂商也因此止步。锐捷的工程师在仔细勘察应用场景,并反复沟通之后,对网络升级的细节了然于胸,最终用“极简运营解决 方案”交出了完美的答卷。
第一关:结构变化:一网一机
在扁平化架构下,以RG-N18000核心交换机作为学校整网的统一网关、统一准入认证、统一安全策略、统一无线控制,接入和汇聚层设备不再配置繁 琐的功能,仅有VLAN划分、环路阻止和设备管理等业务。主要业务部署都在RG-N18000上,如认证、安全、路由和DHCP Sever等。而热备技术、软硬件模块化技术,最大化保障了RG-N18000的高可靠性。这些技术让学校整网的管理变得简单聚焦,只关注一台核心交换机 即可实现对校园网的管理。
第二关:成本控制:品牌任选
学院现有不同品牌接入交换机部署在图书馆、综合楼、泅渡楼、卫生所以及宿舍区等多个区域(如下图)。通过RG-N18000和现有计费系统对接,进 行集中认证、统一网关的方式,解除了原有接入和计费系统的强关联性,接入汇聚的有线、无线设备不再受品牌限制。在在保护之前投资的同时,降低了未来采购成 本,实现灵活组网。
第三关:精细管理:多元控制
对校园网用户在类别、时间、地点(区域)、接入方式、终端类型等多方面进行多元控制。例如:针对学生,通过1个账号可以在图书馆免费上网,在教学楼和办公区上网需要收费;而对于老师设置权限为办公区免费,家属区收费。
第四关:用户体验:毫秒认证
作为核心交换机的RG-N18000,具有Web降噪,高性能并发,大容量3大特征。能够为警院提供业界最高的1000终端/S认证能力,Web降噪技术可以达到低于50毫秒的认证页面弹出,最大可以支持10万终端同时在线。
“处女座”带来完美网络
警院的教育信息化建设起步较早,从一卡通到云校园网、从有线网络演化至移动校园,这实际上也呈现出我国高校校园网不断创新的一张缩影。而此次的网络 升级,有线、无线用户在网络核心层集中认证,部署方式更简单,更灵活,校方把所有终端的网关都配置在核心上,正是为了给全校师生提供更出色的无线网服务, 为广大师生提供最快速、稳定、便利的校园网接入方式,为教育教学创新提供最佳的信息化环境。
整个网络升级改造项目在高效、无差错的情形下迅速完成,用户追求极致、审慎周密的“处女座“性格,带来了这次规划严密、思虑周全的升级项目,也成就了一张完美的校园网络!
好文章,需要你的鼓励
OpenAI和微软宣布签署一项非约束性谅解备忘录,修订双方合作关系。随着两家公司在AI市场竞争客户并寻求新的基础设施合作伙伴,其关系日趋复杂。该协议涉及OpenAI从非营利组织向营利实体的重组计划,需要微软这一最大投资者的批准。双方表示将积极制定最终合同条款,共同致力于为所有人提供最佳AI工具。
中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题,提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练,成功将模型推理长度缩短30-40%,同时保持甚至提升准确率,显著降低了推理时间和计算成本,为高效AI推理提供了新的解决方案。
中国科技企业发布了名为R1的人形机器人,直接对标特斯拉的Optimus机器人产品。这款新型机器人代表了中国在人工智能和机器人技术领域的最新突破,展现出与国际巨头竞争的实力。R1机器人的推出标志着全球人形机器人市场竞争进一步加剧。
上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现,发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估,研究揭示了现有评估方法的重大缺陷,并为开发更可靠的AI驾驶系统提供了重要指导。