数据中心的东西向流量与SDN的关系体现在很多SDN解决方案是为了解决该类动态流量带来的挑战的。当前网络行业不缺探讨东西流量和SDN解决方案关系的话题。
为了更详细地凸显这一关系,让我们看看SDN在简化执行和管理东西流量网络策略、动态多租户以及分离每个客户东西流量的能力。
首先,很多数据中心和云的SDN解决方案将网络虚拟化视作未来发展方向。虽然其他网络工程师可能会抗拒并将话题转向虚拟LAN或多协议标签交换VPN(这是多年来物理网络分割的方式),但还是有一个关键的不同,在SDN中网络虚拟化显示了更高级的网络抽象,可帮助简化策略执行和管理。
假设一个组织需要对一个东西流量子集执行策略(比如说在两个工作负载或虚拟机间过滤流量)。网络实施这一策略,包过滤或规则必须在各种设备上进行手动配置。如果其中一个工作负载悄悄的迁移至网络团队,所需的配置可能不会到新设备上(数据包进入网络的设备)。
同时,随着策略发生变化,对每台基础设备进行手动更新包过滤也将成为一个难题。SDN解决方案可是实现更高级的网络抽象,使这些策略应该用于一个集中的虚拟网络的控制器中,而非物理网络。由此产生的策略可能会分放并应用于底层的物理网络中。这简化了策略管理和执行,因为不管工作负载处在网络中的哪个位置,虚拟层的策略执行了。
其次,让我们看看数据中心多租户,当其应用于东西向流量的时候。设想一下用户试图在多租户云中增加多个工作负载或实例(类似Web服务器和数据库服务器这种)。用户可能想要将其特定的工作负载及由其产生的东西流量与其他用户分隔开来。毫无疑问,在传统网络中手动配置这些类型的服务是一种操作负担。
在上百个交换机上配置端口和VLAN需要大量的工作。添加隔离的3层服务或额外的如负载均衡这样的网络功能又进一步将这种问题复杂化。因此,许多SDN解决方案为多租户提供更高级别的抽象,简化了所需连接的部署。更重要的是,这些SDN解决方案将网络视作整体,能够让所需的连接以一种集中化的方式部署或取消,而非在每台设备上。
总而言之,当我们强调东西流量和SDN的关系时,自然避不开经常出现的这两个例子,SDN具备真正的解决方案和适用性。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。