在2016年,随着服务器提供商和企业争相开发相关硬件和软件来提高网络灵活性,SDN部署预计会增加。
根据研究公司HIS最新调查显示,在数据中心首次部署SDN或扩展SDN应用的云计算和通信服务提供商的数量将会从2015年的20%增加到2016年60%。与此同时,企业部署率预计会从6%增加到23%。
也就是说,这些公司将会花费更多钱在SDN部署上。根据HIS调查显示,数据中心和企业LAN内以太网交换机和SDN控制器的收入将会从2015年14亿美元增加到2019年的122亿美元。在后面这个数据中,交换机将占82亿美元,SDN控制器将占40亿美元。
SDN软件市场竞争激烈
在2016年,硬件开支增加将有望受惠传统网络供应商,例如思科、瞻博网络和惠普企业。但软件市场预计将会给其他供应商提供更多机会。
根据HIS表示,预计将有多达45%的服务提供商试图使用开源技术用于编排软件、SDN应用和控制器。而转向虚拟化供应商或第三方获取SDN相关软件的企业数量预计将达到39%。
HIS研究主管Cliff Grossner表示:“对于交换机之外的软件,其他供应商还有很多机会。”
Gartner公司分析师Andrew Lerner表示,如果支持者们可以将主要标准倡议整合到单个平台,开源将会开始腾飞。如果想要与领先的专有SDN框架(例如思科的应用为中心的基础设施以及VMware的NSX)相竞争,供应商们需要移除使用开源技术所存在的障碍。
现在有些供应商可以简化开源技术的使用,包括Red Hat和Mirantis—他们正在围绕OpenStack构建SDN平台,还有Brocade,该公司正在围绕OpenDaylight开发SDN产品。
Lerner称,从最开始就基于开放技术构建的SDN平台可以实现某些SDN的承诺,例如跨平台的可移植性。如果SDN要成为新的网络方式,则需要这种创新,而不只是渐进式的改进。
同时,思科和VMware之间的竞争可能会加剧。在2015年年底,思科领先于VMware,1100名ACI客户与900名NSX用户。但这种局面很容易改变。
Lerner称:“我们看到这两家供应商势均力敌。”
SD-WAN提供投资回报率
在2016年,企业可能通过部署软件定义WAN从SDN部署获得最高的投资回报,因为SD-WAN将流量从昂贵的MPLS连接转移到更便宜的宽带,这显著降低了传输数据的成本。
在2011年,Sno-Isle Libraries部署了Talari Networks公司的SD-WAN设备来虚拟化该机构的WAN—支持着跨美国华盛顿州各地区的21家社区图书馆。
Sno-Isle Libraries利用Talari的技术使用成本较低的消费级宽带来取代其MPLS网络,该机构信息技术经理John Mulhall表示,这每年帮助降低40万美元的成本。
“取代MPLS网络是大胆的举动,”Mulhall称,“但有时,你必须这样做,只是从财务的角度来看。”
截至2015年年底,10000到15000家分支机构在使用SD-WAN,Lerner称:“我估计在2016年这个数字会增加两倍。”
这个火爆的市场将会吸引很多新的初创公司,在2016年这些公司总数可能会达到三十几家。到今年年底,较大型的供应商会开始收购最有前景的新供应商,市场逐渐会整合。
而在整个SDN市场,整合已经开始进行。在2015年,4G LTE供应商Cradlepoint收购了SDN供应商Pertino,惠普公司在拆分为两家公司(惠普企业和惠普公司)之前收购了ConteXtream。随着初创公司失去吸引力以及大型供应商收购创新的初创公司,这种趋势很可能会继续下去。
好文章,需要你的鼓励
近期数据显示,2026年5月前企业已宣布约9万个与AI相关的裁员岗位,部分预测称未来五年美国15%的工作将被AI取代。然而,Ramp与Revelio Labs追踪近2.2万家企业的最新报告显示:重度投入AI的企业反而实现了更快的人员增长,包括初级岗位在内的各职能人数均有上升。但这一数据主要来自技术型企业,能否普遍适用仍存疑。报告同时指出,资源匮乏的企业可能在AI浪潮中持续落后。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
AI数据中心开发商向多家电力公司同时提交大负荷接入申请以确定选址,导致区域需求预测虚高、电网投资失衡。美国联邦能源监管委员会(FERC)及ERCOT、PJM、SPP等机构正推动"承诺优先"规划机制,要求项目具备实质性商业承诺方可纳入长期传输规划。谷歌、亚马逊、微软、OpenAI等科技巨头支持建立标准化的项目成熟度评估体系,但各方在具体机制上仍存分歧。发电建设问题尚未被纳入联邦传输改革议程。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。