技术行业一直以“微创新”和“重大创新”周期的方式运行着。微创新每个小时、每天、每周或每年都在发生。但重大创新周期大约为二十年。每二十年就会有一个庞大而基础性的变革。它不仅改变了我们的行业,还通过所有其他企业和行业来改变我们的工作、生活和娱乐方式。我们正在进入下一个重大创新周期。
数据中心入门
为了满足用户不断增加的期望,并消除相关性差距,客户将使用私有云、公有云或混合解决方案,并且需要把数据和工作负载迁移到上面。他们需要一些可编程的东西来支持快速创新。成本需要降下来,最好等他们使用技术并获得真正的价值后再支付。
那么,一个新IP网络的架构是什么样的呢?如何实现呢?
让我们从网络功能虚拟化(NFV)开始。它基本上采用软件取代了路由器、交换机、防火墙、负载均衡、应用交付控制器以及其他物理设备;降低资本支出(在某些情况下减少90%)和运营成本,并增加配备资源的能力;让服务移动化;可以提供虚拟化应用所需的所有的网络服务,并把它置于同一台服务器上的另一台虚拟机上;应用不需要离开服务器,会减少南/北流量以及成本;通过提供连接每个应用程序的虚拟防火墙安全层,增加了安全性;当应用围绕其基础设施移动时,安全层也会和应用一起移动。
新IP也需要软件定义网络(SDN),无论虚拟化与否,都能提供用于管理和控制网络服务和基础设施的工具。OpenDayLight是一种开源SDN解决方案,提供精细的可视性和对网络功能的控制。它可以让您的客户能够看见、控制、调配和管理自己的资源。也允许网络看到并响应流量和动态调整,例如“拒绝服务攻击”(DDOS)或大象流,并且以自动的方式实现。他们已经创建的物理或虚拟网络的任何服务,都可以由一个SDN控制器以完全可编程的方式来控制。他们可以使YANG 和NetConf数据模块实现标准化,并使用REST API来在其网络中混合和匹配供应商。
但网络只是基础设施的一个重要的部分,还需要计算和存储,这正是业务流程的用武之地。作为(IT资源) 编排层的一个开源协议,OpenStack可以跨越计算、数据和网络提供与ODL同样的好处。此外,因为客户可能拥有一个多云环境(私有云和公有云),他们必须使各种云以可预测、可扩展和可管理的方式一起配合工作。而OpenStack的编排(功能)提供了这种能力,让他们的编排能够跨越他们的完整环境。
这很酷!
这就是所谓的“重叠”。但是如果他们有重叠,他们需要一个“底层”去配套使用。
他们必须能够转发数据包。矩阵是VMWare、思科和博科最常推荐的底层架构。如今大多数数据中心网络的刚性结构依赖于分层和拓扑,使您无法利用NFV和SDN虚拟结构的灵活性优势。这就是矩阵如此重要以及众多的分析师推荐它们的原因。
为什么要使用矩阵底层?你所需的基础架构应该是灵活的、能够随意扩展,并且能够适应以处理流量的瞬间变化、流量大小、数据包大小和协议。事实上,他们可能在迁移到新IP架构的其余部分之前就想要这些基础架构。
矩阵为当前的网络提供新IP价值,通过创建虚拟应用程序,为虚拟部署而优化所在的一个巨大的沙箱。由于应用程序现在是模块化、分布式的,网络需要了解这些模块的位置,以及如何相互关联。网络矩阵是虚拟机感知型的,这显著地增加了流量容量、速度和网络性能。为什么呢?由于流量会自动获取最短或最佳路径。与由于刚性拓扑结构受限于“南北”方向的流量相比,它可以“东-西”方向流动以节省金钱和时间。
矩阵的自动化降低了运营成本、提高了性能和可用性,并为NFV和SDN迁移做好准备。
安全性如何?
安全必须是普遍的且基于行为的。您需要一个可编程的网络,利用新IP生态系统的先进的安全功能状态的优势。例如,当网络或安全层察觉不适当的动作时,客户可能需要创建虚拟DMZ。矩阵能最大限度地降低跳跃数,并实现手动功能的自动化,进一步增加网络中固有的安全性。
NFV和SDN使服务移动化,并允许防火墙和其它服务进行部署,并依赖于应用程序。这也提供了无处不在且移动化的安全性。因此,网络可以实时地适应安全性要求。通过单独的会话进行超级优化。
矩阵的五大必要因素
客户的数据是其最宝贵的资产,并且应用程序和数据一样有效。但是如今,我们通过大量的应用程序消耗了各种大量的数据。以高效、可扩展和可靠的方式把它们连接在一起的最好的方法是通过矩阵调解。这是新IP的基础,它甚至能在当前的网络中释放价值,创造自由,不论有没有 NFV和SDN带来的额外好处。
新IP是一个基于你的时间和条件而建立的现代化的网络。(文/博科中国系统工程师总监张宇峰)
好文章,需要你的鼓励
Anthropic推出Claude Code的Slack集成功能,让开发者能直接在聊天线程中委托编程任务。这项测试功能于周一以研究预览版形式发布,基于现有Slack集成增加了完整工作流自动化。开发者现在可以标记@Claude启动完整编程会话,Claude会分析消息确定合适的代码库,在线程中发布进度更新并分享审查链接。这反映了行业趋势:AI编程助手正从IDE迁移到团队协作工具中。
波恩大学研究团队首次量化AI训练的材料成本,发现一块GPU含32种元素,93%为重金属。训练GPT-4需消耗约7吨金属材料,其中多为有毒重金属。研究建立了从计算需求到硬件消耗的评估框架,发现通过软硬件优化可减少93%的资源消耗。该研究揭示了AI发展的隐性环境代价,呼吁行业从规模竞赛转向效率革命,实现可持续发展。
AI发展推动数据中心行业迎来前所未有的挑战与机遇。Switch公司消耗内华达州三分之一电力,展现了AI对电力需求的巨大规模。核能成为AI未来发展的关键,单个AI机架功耗可达1.7MW。预计到2030年,数据中心行业将消耗200GW电力。创新的星形配置设计和差异化备电策略正在重新定义数据中心的弹性架构,仅20%的工作负载需要发电机备份。
南开大学团队构建了迄今最大规模的结肠镜AI数据库COLONVQA,包含110万视觉问答条目。他们发现现有AI模型存在泛化能力不足和容易被误导等问题,因此开发了首个具备临床推理能力的结肠镜AI模型COLONR1。该模型采用多专家辩论机制生成推理数据,在综合评估中准确率达56.61%,比传统方法提升25.22%,为智能结肠镜诊断从图像识别向临床推理的转变奠定了基础。