网络设备在虚拟化后是否依旧可以快速提供良好的性能?这是目前大家最为关注的问题之一。下面就讨论一下传统网络设备和虚拟化后面临的问题以及怎样使用网络设备才能提供实时管理监控,保护SDN/NFV网络的安全。
虚拟化的性能瓶颈
虚拟化进程中,服务器虚拟化和存储虚拟化因为大部分属于软件技术,发展较为迅速,并快速商用。网络虚拟化,是对网络资源如端口、带宽、IP地址等进 行抽象,并支持按照租户和应用进行动态分配和管理。网络虚拟化因为网络标准、网络处理芯片更新周期长而发展较为滞后,成为数据中心虚拟化过程中的难点和关 键点。网络虚拟化技术走过了一条由软件到硬件、由服务器内部到物理网络的发展道路。
从很多方面来看,现在对网络设备虚拟化已经做的比较完善了,可以基于标准的x86架构的服务器硬件设备运行与之匹配的应用,但是性能却一直不尽如人 意。不过,即使是物理网络设备,高速运行时性能也不太理想。这就是为什么大多数高性能设备使用分析加速硬件。尽管分析加速硬件释放CPU进行分析处理,但 大多数网络设备依旧会将所有CPU处理能力用来执行任务。
从虚拟化角度来看,设备的虚拟化只能实现到一定程度。如果待处理的数据速率和数据数量比较低,那么就可以使用虚拟化设备。一旦数据速率和数量上升, 对虚拟设备的处理需求就会提高。首先,这就意味着虚拟化设备需要单独访问所有可用的CPU资源。即使那样,使用标准NIC接口的虚拟化设备还是会遇到与物 理设备一样的问题,例如丢包率、时间戳精确性、跨多个可用的CPU内核的有效负载均衡等方面的问题。
虚拟化性能优化的努力
服务器虚拟化通过嵌入在基础物理服务器和操作系统之间的中间软件层Hypervisor实现,其接管操作系统对CPU、内存、I/O资源的控制,为 每个VM(Virtual Machine,虚拟机)分配一定的资源,并实现VM之间的隔离和通信。Hypervisor提供一个或多个模拟物理交换机的软件虚拟交换机 vSwitch(Virtual Switch)来进行VM之间的通信,并为每个VM分配一个虚拟网口和一定的带宽。vSwitch除了具备物理交换机基本的MAC学习和转发、VLAN功 能外,还具有配置灵活和成本低廉的优点。由于vSwitch通过软件实现,其分配的网络资源实际还是由服务器CPU资源来保证。
软件虚拟化交换机(包括I/O加速的vSwtich)虽然有部署灵活和便宜的优点,但也存在着一些缺点:第一,性能提升受限于CPU以及网卡的I /O架构;第二,软件交换机实现的网络功能相对简单,只实现了转发功能,被称为VEB(虚拟网络桥),缺少交换控制、网络监视、QoS、安全等功能;第 三,管理界限模糊,软件交换机运行在服务器内部,而服务器管理团队对于网络理解不深;第四,VM和vSwitch数量激增带来的管理难题。为进一步优化性 能、简化管理并继承传统交换机特性,网络设备商和相关标准组织提出边缘交换机虚拟化技术,把VM交换功能再进一步由网卡卸载到物理交换机上来。涉及到的关 键技术有VEPA(Virtual Ethernet Port Aggregator)/Multi-Channel和PE(Port Extender)两种,分别由IEEE 802.1Qbg和IEEE 802.1Qbh(现由IEEE802.1BR替代)两个标准定义和推动。
物理和虚拟的融合
事实上,物理设备即使虚拟化也无法摆脱曾经面临的那些问题,需要将这些问题一一解决。解决方法之一就是考虑采用物理设备监控、保护虚拟网络。虚拟化 感知网络设备可以作为“服务链”的环节同虚拟客户端一起充当服务定义的一部分。这就要求网络设备能够识别虚拟网络,目前这个工作由大部分高性能设备和分析 加速硬件所支持的VLAN封装技术完成,确保设备提供与具体VLAN、虚拟网络相关的分析功能。
在向SDN、NFV阶段性转移的过程中这个方法显得尤为实用。人们广泛的认为目前高性能的功能很难在实现虚拟化的同时保证性能几乎不损耗。因此,务 实的解决方案所倡导的SDN和NFV管理、编排方法既考虑了物理网络元素又考虑了虚拟网络元素。这样一来,策略和配置无需考虑资源是否虚拟化了,只需要使 用相同的机制即可。
因此我们应该想到的是,引进SDN和NFV需要一个通用的架构以及通用的接口和拓扑机制,将传统的网络管理、网络安全解决方案和新的解决方案结合起来。只有这样,才能随时、随地虚拟化网络功能并且不影响整个网络架构和进程。
好文章,需要你的鼓励
随着员工自发使用生成式AI工具,CIO面临影子AI的挑战。报告显示43%的员工在个人设备上使用AI应用处理工作,25%在工作中使用未经批准的AI工具。专家建议通过六项策略管理影子AI:建立明确规则框架、持续监控和清单跟踪、加强数据保护和访问控制、明确风险承受度、营造透明信任文化、实施持续的角色化AI培训。目标是支持负责任的创新而非完全禁止。
NVIDIA研究团队开发的OmniVinci是一个突破性的多模态AI模型,能够同时理解视觉、听觉和文本信息。该模型仅使用0.2万亿训练样本就超越了使用1.2万亿样本的现有模型,在多模态理解测试中领先19.05分。OmniVinci采用三项核心技术实现感官信息协同,并在机器人导航、医疗诊断、体育分析等多个实际应用场景中展现出专业级能力,代表着AI向真正智能化发展的重要进步。
英国正式推出DaRe2THINK数字平台,旨在简化NHS全科医生参与临床试验的流程。该平台由伯明翰大学和MHRA临床实践研究数据链开发,能够安全传输GP诊所与NHS试验研究人员之间的健康数据,减少医生的管理负担。平台利用NHS现有健康信息,安全筛查来自450多家诊所的1300万患者记录,并使用移动消息系统保持试验对象参与度,为传统上无法参与的人群开辟了研究机会。
Salesforce研究团队发布BLIP3o-NEXT,这是一个创新的图像生成模型,采用自回归+扩散的双重架构设计。该模型首次成功将强化学习应用于图像生成,在多物体组合和文字渲染方面表现优异。尽管只有30亿参数,但在GenEval测试中获得0.91高分,超越多个大型竞争对手。研究团队承诺完全开源所有技术细节。