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
这项由浙江大学与阿里巴巴通义实验室联合开展的研究,通过创新的半在线强化学习方法,显著提升了AI界面助手在多步骤任务中的表现。UI-S1-7B模型在多个基准测试中创造了7B参数规模的新纪录,为GUI自动化代理的发展开辟了新的技术路径。
阿里巴巴联合浙江大学开发的OmniThink框架让AI学会像人类一样慢思考写作。通过信息树和概念池的双重架构,系统能够动态检索信息、持续反思,突破了传统AI写作内容浅薄重复的局限。实验显示该方法在文章质量各维度均显著超越现有最强基线,知识密度提升明显,为长文本生成研究开辟了新方向。
新加坡国立大学研究人员开发出名为AiSee的可穿戴辅助设备,利用Meta的Llama模型帮助视障人士"看见"周围世界。该设备采用耳机形态,配备摄像头作为AI伴侣处理视觉信息。通过集成大语言模型,设备从简单物体识别升级为对话助手,用户可进行追问。设备运行代理AI框架,使用量化技术将Llama模型压缩至10-30亿参数在安卓设备上高效运行,支持离线处理敏感文档,保护用户隐私。
腾讯混元3D 2.0是一个革命性的3D生成系统,能够从单张图片生成高质量的带纹理3D模型。该系统包含形状生成模块Hunyuan3D-DiT和纹理合成模块Hunyuan3D-Paint,采用创新的重要性采样和多视角一致性技术,在多项评估指标上超越现有技术,并提供用户友好的制作平台。作为开源项目,它将大大降低3D内容创作门槛,推动3D技术的普及应用。