对于提供托管业务服务的通信服务提供商而言,虚拟客户终端设备提供了显著的优势。通过利用网络功能虚拟化和vCPE,供应商可迅速推出新服务,而不需要在客户位置部署新的硬件。vCPE还可以提高远程管理能力以及降低运营成本。
关于vCPE定义的探讨
企业使用客户终端设备(CPE)连接到电信网络以及访问通信服务提供商提供的服务。虚拟CPE(vCPE)是通信服务供应商向企业客户提供宽带服务的新方式--现在企业客户的大多数CPE功能(例如路由、NAT、VPN或防火墙)都是虚拟化,这些功能位于服务边缘或通信服务提供商数据中心。针对企业的vCPE是NFV市场机会的一部分。
部署vCPE
传统上来看,通信服务提供商通过在客户端安装一个或多个网络设备来向企业客户提供WAN服务,例如路由、防火墙和专用网络(VPN)等。vCPE可利用通用硬件虚拟化来简化网络服务的交付过程。同时,vCPE允许供应商迁移主要WAN功能到位于远程数据中心的软件。而在远程或分支机构,仍然需要硬件—无论是低成本服务器或交换机和路由器。通信服务提供商可远程配置和管理各种WAN功能,客户可通过门户网站访问他们的网络服务,让他们可根据需求来更改这些服务。
vCPE的市场机会
企业客户每年花费超过450亿美元在广域服务,例如MPLS、VPN和互联网。随着业务需求转变以及安全威胁增加,通信服务提供商需要调整自己的WAN服务来满足客户的需求。例如,对直接发送网络流量到互联网(而不是从分支机构到数据中心)的需求为SD-WAN服务创造了新市场。通信服务提供商正在利用vCPE快速交付新服务(例如SD-WAN和安全),让客户能够轻松地调整自己的服务组合,以及降低其Capex和Opex。根据Doyle研究公司表示,vCPE是NFV部署的最大驱动力之一,到2018年,它将占NFV相关服务的20%以上。
部署挑战
与很多新的复杂技术一样,vCPE面临很多部署挑战。大多数通信服务提供商拥有传统服务(例如MPLS),这些服务依赖客户现场的特定硬件部署。由于相对缺乏标准和大量网络软件供应商之间糟糕的互操作性,部署具有虚拟网络功能(VNF)的NFV服务具有挑战性。供应商必须仔细选择网络合作伙伴来提供WAN功能、服务自动化、管理、分析和安全。并且,这些新设计的服务必须可整合现有运营和业务支持系统(OSS/BSS)。
大量vCPE供应商
除了选择内部开发,通信服务提供商还可以选择vCPE供应商,包括如下:
• Active Broadband Networks
• ADTRAN
• 阿尔卡特朗讯
• Brocade
• 思科公司
• ClearPath
• Edgewater Networks
• Gainspeed
• Hewlett Packard Enterprise
• 瞻博网络
• Overture Networks
• RAD
• Riverbed
• VeloCloud
• Versa Networks
• Viptela
这只是部分供应商,还有很多其他供应商,包括很多网络安全供应商。
对通信服务提供商的建议
vCPE是通信服务提供商NFV部署的主要商业用例之一。vCPE驱动的新服务(例如SD-WAN和安全)可快速部署到企业客户,而且对传统费虚拟化网络没有很大影响。很多领先的通信服务提供商将在2016年和2017年部署vCPE。但对于部署vCPE和NFV的通信服务提供商,仍将面临很多挑战,包括缺乏NFV标准、众多供应商以及无法轻松地链接到现有OSS/BSS平台。
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。