华为近日宣布,其创新的基于2T平台的多业务用户接入管理解决方案成功中标河南有线数据城域网用户接入管理平台项目,该方案打造了一个高速、可靠、稳定、灵活和开放用户管理平台,为河南有线宽带业务提供了强大的用户接入及认证管理系统,满足河南有线三网融合的发展需求,并将助力河南有线业务的持续发展和创新。
河南有线电视网络集团有限公司(下称“河南有线”)是以传输有线电视信号为主业的网络多业务运营企业,是河南省委、省政府确定的全省有线电视网络整合和数字化整体转换的实施主体,是河南省重点扶持的文化企业集团。2005年以来,河南有线以市场运行方式实施网络整合,加快改造有线电视网络,积极推进三网融合,实现小网到大网、模拟变数字、单向变双向、看电视变用电视的转变。随着三网融合的不断深入及宽带业务的良好发展,河南有线急需建设一个大容量、灵活、高效高可靠的用户统一接入及认证管理平台。
华为公司根据河南有线的业务需求,通过深入调研和详细的网规设计,制定了从接入到核心基于业务的下一代敏捷宽带多用户接入认证网络解决方案。方案基于华为强大的高性能业务控制网关产品ME60,提供统一的用户接入和管理平台,全面支持IPOX、PPPoX、802.1x、web认证等多种业务接入能力,实现多业务承载和精细化运营管理 。每台ME60旁挂在原有网络区域核心交换机上,在不影响现网业务的前提下,实现业务的快速、平滑升级。随着网络应用的多样化,用户对网络带宽的需求也越来越多样化,ME60可提供BOD自助选取方案,系统可依据用户业务策略动态调整在线业务的带宽、优先级、计费方式,实现各种宽带增值业务的灵活提供。整体方案具有以下几个特点:
1、 领先的性能:ME60基于2T平台设计,可支持高达480G容量的单板、1000万的海量路由表能力,160G CGN业务单板、支持多达256K并发用户数,满足客户宽带业务快速增长的需求,为客户的网络演进提供了坚实的基础。
2、 全业务承载,精细化运营管理:基于一体化设计理念,ME60做为统一的用户接入与管理平台,全面支持IPOX、PPPoX、802.1x、web认证等多种业务接入能力。
3、 卓越与可靠的用户体验:ME60产品支持用户接入功能,每槽位上线速度可达300个用户每秒。整机上线速度可达1200用户每秒,大容量的NAT单板会话建立速度可达2M会话每秒,保证了用户体验。
4、 多级可靠性设计保证业务平稳可靠的运行:设备级: ME60采用了控制平面和交换平面相分离的架构,独立的总线系统,完全独立的控制通道和转发通道,同时采用分布式硬件转发,各关键部件均支持冗余热备份和热拔插。 网络级: 软件基于华为高可靠性的VRP® 路由平台,提供了丰富的可靠性,如支持BFD、RRPP、VRRP、NSF、NSR、FRR等技术。另外,ME60还支持通过跨板trunk技术进行链路保护,构筑端到端的高可靠性保护的稳固网络。 业务级: ME60依靠独创的热备份技术,能够支持PPPoE,IPoE,L2TP,组播,CGN NAT等业务热备份,保护倒换过程用户不用重新拨号,业务“零”中断。
河南有线采用华为高性能的多业务用户接入管理解决方案满足了目前业务发展的需求,实现了高速、可靠、灵活、有效的用户接入控制,同时基于华为提供的开放的平台和网络,达到了整合现有业务和资源,最大化利用现有资源诉求。未来随着河南有线业务的进一步发展,华为开放的敏捷网络系统必将能够满足为河南有线业务的多样化的需求。
随着河南有线业务的进一步发展和创新,华为还将继续根据用户的需求提供符合客户实际业务需求的解决方案和产品,提供一流的技术支持和服务,满足河南有线三网融合ICT技术发展变化,为河南有线的发展贡献最大的力量,助力河南广电行业的信息化发展。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。