应用性能基础设施企业Riverbed公司日前宣布收购德国Ocedo公司,这是一家SDN(软件定义网络)与SD-WAN(软件定义广域网)解决方案的领先供应商。Riverbed下一代软件定义网络解决方案可为当今的混合型企业提供最佳应用性能和业务灵敏性,本次收购进一步加快了其交付该解决方案的战略。收购私营公司Ocedo将扩展并加速Riverbed为客户交付最佳SD-WAN解决方案的能力,同时为Riverbed及其合作伙伴带来巨大的全新发展机遇。
Riverbed总裁兼CEO Jerry M. Kennelly谈到:“Riverbed此次收购Ocedo颇具战略意义,引起外界广泛关注。其创新软件定义网络解决方案完美补充了我们在研发上的战略投资,拓展了我们积极投身SDN及SD-WAN新兴市场竞争的定位,颠覆了市值达数十亿美元的分支机构路由器市场。十年来,该产业经历了最重大变革,云和混合IT环境对网络连接有着不同的需求,Riverbed致力于帮助企业获得以应用为导向、软件定义的更新更优越网络架构的优势。”
SD-WAN解决方案优化并简化了混合WAN的部署和管理方式,帮助IT更灵敏更轻松地实现本地或公共云中快速且安全的应用交付。SD-WAN市场有望在近年内迅速发展。Gartner预测,“到2019年,30%的企业将在其所有分支机构使用SD-WAN产品,而今天这一数字还不到1%,显然将会大幅增长。”(源自Gartner研究机构Bjarne Munch于2015年12月1日针对软件定义WAN发表的市场指南)
Ocedo是软件定义网络的先驱者,已研发了先进的软件定义分支机构网络解决方案,其产品组合包括安全网关、无线接入点及交换机,以及集成式云管理系统,该系统可实现零接触配置,并对远程设备和网络服务实现集中控制。
“收购Ocedo是一次改变游戏规则的创举,它迅速使Riverbed居于软件定义网络与SD-WAN解决方案领导者行列,”ZK研究机构Zeus Kerravala指出,“叠加Riverbed业界领先的应用性能基础设施产品组合,又恰逢企业寻求部署下一代网络之关键时期,此举巩固了Riverbed作为创新性高性能网络软件解决方案之可信赖供应商的地位。”
Riverbed为软件定义网络提供以应用为导向的独特方法,为分布式企业边缘提供快速且灵敏的应用交付能力。此外,Riverbed还提供全面的应用性能平台,交付端到端可视化、优化及控制,助力企业实现软件定义网络解决方案的全部优势。
Riverbed于2015年秋季发布“老虎计划”,计划为市场推出以应用为导向的SD-WAN解决方案的全新套件,消除对传统分支机构路由器的需求,提供基于云的零接触配置与管理。本次收购将进一步助推该计划,并将依托全新软件操作平台,为Riverbed自身及其第三方服务和应用实现灵敏服务链。Riverbed计划于2016年第一季度推出首个SD-WAN解决方案,从而补充并拓展Riverbed应用性能平台。
除创新技术外,Ocedo还为Riverbed带来了经验丰富的领导团队和技术人才。Ocedo的创业团队在网络行业拥有数十年经验,他们曾经联合创立了网络安全公司Astaro,该公司于2011年被Sophos收购。
Ocedo CEO Jan Hichert说到,“我们非常高兴加入Riverbed团队,和我们一样,他们满怀激情,致力于在今天的云、移动和混合环境中交付最佳网络解决方案,从而改变市场现状。我相信Ocedo的技术将在Riverbed的引领下蒸蒸日上,我们将协力同心,坚持不懈地创新并研发解决方案,旨在改变现代企业中应用交付的方式。”
本次交易于2016年1月19日完成。该交易的财务条款尚未公布。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。