如果您正在受到困扰,而这种困扰又恰恰来自于对网络与应用性能的端到端可视化的需求,那么告诉您,和您有同样问题的人不在少数。Riverbed最近对使用其SteelHead WAN优化方案的用户进行了一项调查,结果显示出大家最关心的需求如下:
诚然,以上接受调查的这些用户是幸运的,因为Riverbed SteelCentral产品的设计宗旨在于与现有Riverbed SteelHead设备共同提供全面的应用可视化与优化,且极具成本优势。这一高效组合方案帮助IT部门借助SteelCentral发现问题,再通过SteelHead进行修复,优化,这样运行流畅的网络才能让人高枕无忧。
Riverbed的许多客户已经借助SteelHead+SteelCentral组合来发现并解决问题。事实上,如图1所示,此项调查还发现,客户正在利用这一组合方案来提升WAN优化分析和报告能力,排查远程分支机构问题,为那些经SteelHead优化过的应用进行终端用户体验评估,为SteelHead 服务质量(QoS)等级生成集中报告,以及掌握SteelHead路径选择等等。
这种相互协作始于Riverbed SteelFlow数据,这些数据是由每一台SteelHead和Riverbed SteelFusion™自动生成的,然后交由SteelCentral NetProfiler进行分析。SteelFlow可以称为NetFlow的一个Riverbed特别版,它提供的可视化能力涵盖SteelHead QoS,响应时间,WAN优化报告及应用可视化。
事实上,SteelFlow可根据名称识别高达1300种业务和娱乐应用。IT可从名称上看出网络上正在运行哪些应用——哪些是高带宽应用,然后采取任何必要的措施恢复性能。
WAN优化基础设施组件对于传统性能管理方案来说通常不具有可视性,然而SteelFlow数据则弥合了这一差距,可对优化的应用响应时间提供精准信息。
您只需购买NetProfiler授权,便可显著提高可视化能力、交付丰富的应用细节、响应时间信息、专门的WAN优化分析、以及QoS数据。事实上,其他任何竞争对手的NPM解决方案都不能从您的SteelHead设备中访问SteelFlow数据。
实际上,SteelHead会持续不断地生成原始SteelFlow数据,而您则希望SteelCentral尽可能地利用这些数据。
SteelCentral NetShark 实现持续数据包捕获
SteelCentral NetShark是真正的数据包捕获之王,通过捕获、索引并储存所有数据包,而无需文件传输,可以轻松实现网络故障实时排除。NetShark已集成至现有SteelHead EX方案中,而SteelFusion Edge设备则首次实现了对分支机构及其他远程站点的数据包级深入分析。
SteelHead EX中的NetShark以及SteelFusion Edge上全新的NetShark Virtual都可通过设备级Riverbed Virtual Services Platform (VSP)运行,在所部署的位置提供持续的数据包捕获。然后生成的元数据被自动发送到NetProfiler。将这一丰富的数据包信息与NetProfiler的信息流和可用分析数据相结合,进一步丰富了数据。
现在,如果在您运行SteelHead或SteelFusion的分支机构出现问题时,您就可以从数据包中找出问题的根源。
SteelCentral AppResponse实现应用性能监控
Riverbed在去年将SteelHead与SteelCentral AppResponse进行了深度整合,该APM(应用性能管理)解决方案将高级应用和交易信息,全面的终端用户体验监控以及网络智能集成至一个单一设备中,从而为您的应用性能问题提供了全面的可视化。
AppResponse可帮助用户监测经SteelHead优化过的web和SaaS应用的终端用户体验。用户可快速识别web应用、网页、对象、站点和用户,响应时间短,然后将响应时间分解为特定网页、对象和应用造成的网络和应用延迟。
检测、修复、放松
欲详细了解SteelCentral是如何提升您SteelHead现有投资的,或者如何激活免费试用版SteelCentral NetExpress Virtual Edition,请点击此处。如果您已经部署了该组合方案,放心啦,您已经是最棒的了。
检测与修复小结
好文章,需要你的鼓励
Akamai的分布式边缘架构从设计之初就以韧性为核心,全球平台通过跨区域负载均衡和智能路由技术,确保即使某些节点出现故障,流量也能无缝切换至可用节点。
卡内基梅隆大学联合Adobe开发出革命性的NP-Edit技术,首次实现无需训练数据对的AI图像编辑。该技术通过视觉语言模型的语言反馈指导和分布匹配蒸馏的质量保障,让AI仅用4步就能完成传统50步的编辑任务,在保持高质量的同时大幅提升处理速度,为图像编辑技术的普及应用开辟了全新道路。
Turner & Townsend发布的2025年数据中心建设成本指数报告显示,AI工作负载激增正推动高密度液冷数据中心需求。四分之三的受访者已在从事AI数据中心项目,47%预计AI数据中心将在两年内占据一半以上工作负载。预计到2027年,AI优化设施可能占全球数据中心市场28%。53%受访者认为液冷技术将主导未来高密度项目。电力可用性成为开发商面临的首要约束,48%的受访者认为电网连接延迟是主要障碍。
复旦大学团队突破AI人脸生成"复制粘贴"痛点,开发WithAnyone模型解决传统AI要么完全复制参考图像、要么身份差异过大的问题。通过MultiID-2M大规模数据集和创新训练策略,实现保持身份一致性的同时允许自然变化,为AI图像生成技术树立新标杆。