当你考虑SDN的时候,可能不会首先想到微软的SDN,不过,也不能小看它就是了。很多人认为微软没有SDN的想法是可以理解的,毕竟除了一些白皮书和5月份返回微软Ignite的一些工程师外,其在SDN方面并没有太多新闻。
不过,如果你还没有用VMware NSX产品,特别是还没有使用微软企业级许可协议的话,也许你会想进行一次尝试。微软并不是最潮的SDN供应商,不过它可能是第一个将SDN简化成管理控制台的厂商,当然,这其中得到了思科的一些帮助。
微软SDN依赖于思科ACI
尽管微软和VMware是合作伙伴,不过正像其他供应商一样,大家都朝着长期的互操作性和协议方向而努力。同时,微软需要有物理架构的支持,因而选择了思科的ACI。这似乎有点让人惊讶,其实这扩展了Hyper-V的虚拟架构外的应用定义的网络控制,虽然回避了VMware的基础设施,但也将典型的微软开发外包了。
当微软采用了其他厂商现有的技术时,通常表示其对什么上了心,事实上远不止表面看上去那样。比如说,在IE4上投资了5000万美元,微软有效地弃用了专有的VBScript,因为相较起来JavaScript更有竞争力。所以,微软为其SDN选择思科ACI这一举动,很可能意味着微软正在寻求其他更为长远的厂商合作。
因为微软需要排除其他对手保持在数据中心领域的影响力,所以采用更具包容性的方法来集成是非常必要的举措。
如果你了解过ACI,你可能就会开始依赖租户的定义。这是配置的第一步,且很可能你想到了hyper标准化的练习,这之中可以创造很多。而微软在SDN环境中用这种方法的好处是自助服务(self-service)。
真正的自助服务不只是使用IPAN-DDI解决方案以让VM管理员管理自己的子网那么简单,它关乎创造让“影子IT”回归的环境。在我们的网络工程期里它允许管理员提供“影子IT”无法提供的熟悉资源和服务。微软SDN将思科应用政策基础设施控制器(APIC)拴至系统中心虚拟机管理上,允许管理员创建租户,然后通过SCVMM提供托管应用程序用户沙箱。
定义APIC应用网络配置文件非有大智慧而不能成,毕竟它代表着从4层到7层虚拟网络服务和配置。它为虚拟网络资源的方方面面做了定义,并映射到基础的物理网络中去。自从完成这些定义并映射到SCVMM后,它们有效地减少了每日的管理杂活儿。当Hyper-V管理处在SCVMM中时可实现完全的SDN托管虚拟网络资源,应用程序管理员不需要知道具体的虚拟化的细节。他们只需看到由架构管理创建的虚拟网络就够了。
超越数据中心
由于微软必须要排除其他对手保持在数据中心中的影响力,它采取了更具兼容性的做法。当提及基础架构提供时,微软也并非完全被排除在外,它的确倾向于开放,并为用户提供了一个竞争优势。思科ACI也不只是个数据中心,它意在吸引服务传送过程中的所有设备,不只是在机架间移动数据包。
通过与思科的合作,微软正试图创建一个企业级网络Voltron——带有内核、防火墙、边界和校园网LAN的数据中心虚拟化和虚拟网络。借用买来的技术,再为思科补充点什么,它就几乎能够管理其环境下的所有事情,从应用程序到服务器到管理程序到核心层再到本地网络,并且实实在在是以真正的SDN来工作,也保证是在预算内。
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。