作为中国历史最悠久、最负盛名且最具竞争力的高等学府之一,上海交通大学(SJTU)已经在其五个校区部署了新的10 Gbps网络主干线路,以支持学术和行政系统的数据流量的持续增长。 通过将之前在不同网络上运行的应用程序迁移到一个单一的基础架构上,在博科(NASDAQ:BRCD)强大的交换路由器上运行的新的主干线路帮助上海交通大学降低成本并简化管理。 无论对学校学术水平的提高,还是数字校园服务创新的支持来说,博科的解决方案为上海交通大学迈向软件定义网络(SDN)奠定了坚实的基础。
上海交通大学创办于1896年,因培养中国的顶尖工程师和科学家而闻名于世。20世纪30年代,上海交通大学就被誉为“东方的麻省理工学院”。自上世纪70年代末以来,上海交通大学经历了迅速发展的阶段,目前学校专业已经涵盖教育、商业、法律、医学、生命科学和社会科学等学科。 如今,上海交通大学拥有近40,000名在校学生,超过一半的学生正在攻读硕士学位。此外,还拥有1900余名教授和副教授,其中包括15名中国科学院院士和20名中国工程院院士。
上海交通大学网络信息中心运行部主任谢锐表示:“上海交通大学当前的网络庞大而复杂,必须为校园里的有线和无线设备提供可靠的服务。在过去的九年里,我们一直在主干线路中使用博科MLX系列路由器,事实证明了它的强大。 因此,在选择新一代的基础架构时,我们首先考虑到了博科。我们最近部署的博科MLXe路由器使网络管理成本减半,同时使核心网络性能增加了10倍。它基于开放的标准,为迈向软件定义网络奠定了坚实的基础。”
博科网络工程师与上海交通大学一起设计了一个满足该校需求的基于Brocade® MLXe 核心路由器的解决方案。 这些路由器都采用了最先进的第六代网络处理器架构和TB级交换矩阵。博科MLXe核心路由器助力上海交通大学以10 Gbps的速度来运行主干线路,在需要的时候能够支持40和100 Gbps线速接口。 博科MLXe核心路由器还提供了一组丰富的高性能第2/3层、IPv4、IPv6和多协议标签交换(MPLS)、线速加密和软件定义网络功能。 MPLS正被上海交通大学用于把主干线路分割成多个虚拟网络,以满足包括以前在独立的物理网络上运行的校园电视和一卡通智能卡接入系统等在内的不同的应用流。
博科大中华区副总裁于肇烈先生表示:“上海交通大学是中国的顶尖学府之一,在 IT相关领域表现突出。 我们为了上海交通大学更加信任博科的技术,进一步部署博科MLXe路由器来支持其下一代主干线路而骄傲。 无论对于学校的行政管理还是学术发展来说,上海交通大学对软件定义网络(SDN)都十分感兴趣。我们正期待该校在未来几年里开发更多基于软件定义网络(SDN)的创新成果。”
Brocade MLX® 系列产品通过支持基于OpenFlow的路由器和OpenFlow SDN控制器(如基于Linux 基金会的OpenDaylight 项目的博科SDN控制器)之间进行通信的OpenFlow 1.3协议,实现了软件定义网络。 博科设备支持OpenFlow Hybrid端口模式,帮助上海交通大学能够在同一端口上同时部署多个含有OpenFlow的传统路由。通过支持OpenFlow集成到现有的网络中,利用软件定义网络为特定流量提供编程控制,并保持原有的流量发送方式,这一独特的功能为迈向软件定义网络(SDN)提供了一个实用的路径。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。