深入探索OpenDaylight(ODL)项目可帮助网络工程师更好地了解OpenDaylight项目控制器的工作原理以及其各组件如何配合工作,但为了学习开发人员如何与ODL交互,工程师首先需要了解一些新工具。
Maven archetypes
首先,OpenDaylight项目广泛使用Maven archetypes以确保工程师在该平台中构建的任何新项目或应用的一致性。Maven archetypes允许用户为新项目构建基本框架,包括一些默认的构建文件、目录结构和一些基本Java类。如果用户想要构建应用,则应该从该项目提供 的Maven archetypes开始。另外,开发者指南中介绍了利用Maven archetypes(使用mvn CLI工具)的工作流示例。
YANG
接下来,让我们列举YANG的一些例子来说明如何让简单的应用开始启动和运行。YANG是一种数据建模语言,工程师可以用它在平台或网络设备构建配置、运 行状态、远程过程调用(RPC)或通知。我们使用YANG有多种原因,其中一个例子是,通过构建YANG模块(我们可能会想到是单个YANG文件),工程 师可利用内置YANG工具来自动化为符合该项目标准和最佳做法的API绑定或Java类生成代码。另外,开发者指南中介绍了工程师可能生成的YANG模块 示例,其中使用IDE来定义Hello World RPC(这可能是针对该控制器发出)。

图1:hello.yang YANG模块示例
对于不熟悉YANG的用户,下面是帮助你了解上面YANG模块的相关细节:
• 上图所示的Hello.yang模块定义了RPC语句指示的RPC操作,由YANG RFC保留。
• 输入子语句也通过YANG规格而保留,并且,在这个示例中,为hello-world RPC操作定义了输入参数。
• 输入树的枝叶(作为名称)要求字符串数据类型。
• 输出子语句也通过YANG规格保留,并从hello-world RPC操作定义输出。
• 输出树的枝叶(作为问候语)会返回字符串数据类型。
在创建上述YANG模块后,用户可使用Maven来构建Hello World示例。在此过程中,工程师可能会提供RESTCONF接口,允许用户使用我们的示例应用发出RPC。
RESTCONF
通过使用YANG构建Hello World RPC模块,YANG工具然后可用于自动提供各种API。RESTCONF是以这种方式产生的API绑定的例子。为了让大家了解为什么RESTCONF存 在,让我们回想一下,YANG最初被创建作为NETCONF协议的数据建模语言,该协议主要使用Secure Shell进行传输以及使用XML来编码。而为确保正确映射YANG建模的应用到REST式的接口,RESTCONF随之出现。
现在我们应该说明如何为我们的Hello World RPC使用RESTCONF API。下图展示了使用谷歌Chrome的Postman生成RESTCONF API调用的例子。请注意,开发者指南详细介绍了为获得如下所示结果,不同Java类需要做出的额外改变。下图的主要目的是看看YANG模型如何影响暴露 的RESTCON API。

图2:POSTMAN输出YANG和RESTCONF映射示例
对于不熟悉RESTCONF的用户,下面是帮助你了解上面RESTCONF API调用的相关细节:
• 由于在hello.yang模块中我们使用了RPC语句,所产生的API使用POST操作连接到/RESTCONF/操作资源。RESTCONF RFC提供了RPC YANG语句到RESTCONF映射的更多细节。
• URI字符串的剩余部分源自YANG模块名称,hello,以及RPC标识符,hello-world。
• RESTCONF API调用中输入和输出JSON格式也是在hello.yang模块中执行建模的直接结果。
综上所述,了解OpenDaylight项目需要学习一些新的工具。通过一些努力,网络工程师可以开始了解该控制器的基本内部工作原理以及开发人员如何与OpenDaylight项目交互。
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。