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
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。