为了能够满足下一代网络的需求,管理系统必须具有可扩展性、动态性以及智能化。专家Lee Doyle表示,SDN监控工具可以实现这些要求。
对很多企业的IT组织来说,对端到端网络的管理的挑战在不断增长。分布式网络元素、IT孤岛,以及数据中心网络虚拟化,这些使得从应用程序到终端用户的流量跟踪和解决网络中断问题越来越难。
软件定义网络(SDN)技术可以扩展监控平台,确保它们能够处理如今的大规模复杂网络流量。管理系统必须能够动态适应IT环境中的各种变化,包括物理和虚拟基础设施中所有的应用程序更新或变化。SDN监控工具可以满足这些需求,同时还能捕捉并分析这些大数据流量,识别可操作的信息。对于网络中断问题,下一代网络管理平台就像是大海捞针,找出问题,然后为网络管理员提供一个明确的下一步解决方案。
云计算和SaaS阻碍了端到端的可视性
大型数据中心和基于云的应用程序的出现,使得IT应用环境更复杂,并增加了对网络操作中心的依赖性。数据流量的增加和流量平台的变化增加了识别和解决应用程序以及网络性能问题的复杂性。不断增长的移动性需求(比如BYOD)更是增加了确定性能、合规性以及安全性的难度。
基于软件即服务的应用程序的数量的增长,比如Office 365、Salesforce、Lync/Skype、WebEx、Box、Dropbox等等,使得IT管理者监控应用程序性能和管理网络更加复杂。
IT孤岛带来的挑战
IT孤岛往往会掩盖整个网络的可视性。一个典型的IT组织通常有一个“多厂商”网络,这对提供端到端的管理更是增加了难度。各个供应商可能在部分给定网络方面有特殊的优势:
• 数据中心网络:思科、Arista、Juniper和F5网络公司
• 存储区域网络:博科、思科以及Emulex
• 校园网:思科和惠普
• 无线局域网:思科、Aruba以及Ruckus
• 广域网(包括路由器、广域网优化以及SD-WAN元素):思科、Juniper、Riverbed等等
• 网络安全:思科、Check Point、Palo Alto、Fortinet、戴尔等等
其中每一个供应商都有一个特定的管理系统,能够报告其部分网络的状态和性能。但没有一个网络供应商能够很容易提供整个端到端网络的可视性。
IT运营团队也有很多工具可以提供对某个应用程序或者部分网络的性能监控。很多组织甚至有6到10种不同的监控工具。IT专业人员从很多厂商中挑出了一些产品组合,并验证了其可用性:
• 网络数据包代理商:Gigamon、VSS以及Big Switch公司
• 网络性能监控:Riverbed和NetScout
• 应用程序性能监控:New Relic和Riverbed
• 网络配置和变更管理:思科和IBM
• IT运营管理:惠普和IBM
其实,这些来自多个供应商的工具组合限制了IT人员的运营效率。用户很可能会收到大量警告,限制了可操作的信息。有些产品虽然有各种各样的接口,但是通常不能一起运行。因此,IT运营团队虽然有很多工具和原始信息,但是却不能快速识别并解决性能问题。
SDN监控可以满足网络可视性需求
IT管理者需要SDN监控工具来提高端到端网络的可视性,并很容易集成到DevOps IT环境中,打破应用程序、存储、计算以及网络之间的孤岛问题。具体而言,网络管理元素应该:
• 把流量和数据关联到特定设备
• 确定网络上的用户
• 实时监测网络拓扑结构和流量
• 确定性能下降点
• 了解并管理虚拟和物理网络元素
IT运营团队需要很容易识别、隔离并且修复应用下降和中断情况,同时还要能够解决安全性和合规性问题。SDN监控平台可以满足这些企业对网络可视性的需求。
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。