网络精细化管理越来越重要,为了摆脱IT管理员的盲目“救火”,博科将IT管理延伸到存储网络。近日,博科推出分析监测平台(AMP),为企业IT人员提供服务器和存储之间有据可依的监测和分析,而不是靠经验甚至是猜测或假设进行网络监测与分析。
博科分析监测平台代表着博科的一个新产品线,博科称其填补了业界的“空白”,为什么这么说?这就要说到目前存储网络监测和分析是如何进行的了。
第一种方法就是如上所说的猜测和假设,靠IT员工累积的经验来保持应用服务等级协议(SLA)。第二种方法就是利用第三方工具,例如Tap,它带来的问题是增加了网络复杂性,面临监控的端口或设备有限,并且解决方案的成本很高。第三方工具的一个最大缺点还体现在其安装和配置需要停机,并且往往不能获得整个存储网络的可视性。
博科分析监测平台是为专用存储网络而打造的,它用于测量应用级和设备级的I/O性能和流量行为,不会影响安全性或为计算、存储和网络资源带来额外的压力。该设备为所有联网设备分析流量,包括服务器和存储设备之间的数据流,以提供所有应用性能的端到端可视性。
博科中国区技术经理李华祥接受媒体采访时表示,博科分析监测平台提供了优于传统的选择,它无需停机,而部署应用级性能监测和报警。它监测所有设备的行为和响应时间,而不会因为串联TAP对链路质量/性能造成影响。分析监测平台的指标监测包括了延时、IOPS和等待I/O,以识别异常情况并确保可预测的性能。重要的一方面是它可以自动发现和监测网络中的服务器/存储数据流。
在博科,Brocade Fabric Vision技术其实已经能够监测SAN网络行为并解决大多数问题,但它需要进一步解决评估每个应用的服务质量,设备/应用的性能指标。包括跟踪每个应用的最大/平均响应时间、监控特定存储设备实际读写的IOPS、发现基本应用性能的模式。
这就是博科推出分析监测平台的重要原因,“它用来监控服务器和存储设备之间的数据流的真正运行情况。”李华祥说,这样的监测和分析,让IT员工采取纠正措施,以保持最优的应用性能和稳定运行时间。
博科分析监测平台是基于博科第五代平台架构设计的硬件平台,2U外壳,2个专用的多核数据处理器,24个光纤通道端口,并与Brocade Network Advisor实现集成管理。
李华祥介绍,通过与Brocade Network Advisor管理软件一起使用,它可以无中断地收集分析数据,从而大幅降低解决故障的时间。例如,生成定制的实时和历史报告,关联并总结趋势和具体事件;根据需要无中断地诊断服务器、存储和网络设备,从而快速找到问题点;利用集成的设备级指标和网络行为而获得整个环境的完整可视性;设置监控阀值,并实现应用行为的自动化报警,从而及早检测到问题。
在可扩展性和灵活性上,博科分析监测平台也表现出了特别的优势。据介绍,使用Brocade Virtual Fabrics技术,可以把一个物理AMP拆分成多个逻辑AMPs。可以监测四个不同的SAN上多达 10个交换机上的设备端口,最高20000个数据流和500万IOPS。
在针对存储网络的监测上,要不就是凭经验猜测,要不就是复杂的第三方工具,当然还有针对设备或端口旁路进行数据流复制,但也是局限性较大。还有许多综合性的管理分析工具,但对于存储网络层面的监测并不到位。
所以,就如同李华祥所说,博科分析与监测平台这个专用的SAN设备监控的精度更细。并且,它以其它解决方案一半的成本提供和扩展深度网络运行指标,并把部署高级监测和分析的时间从几天、几周缩短到几分钟。
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。