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
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。