大约一年前,笔者的同事Lawrence Garvin写了有关IPv4地址明显匮乏的文章,他称,“IPv4地址并没有耗尽;这些地址没有完全在使用,只是有些组织没有更多的地址分配到下级组织,我认为这并不是地址稀缺,而是地址分配管理不善导致的人为的地址短缺。”
在不到一个星期后,美国互联网号码注册中心(ARIN)总裁兼首席执行官John Curran作出回应,他表示:“事情根本不是这样,我来告诉你原因,在不久的将来,美国、加拿大和大部分加勒比海地区剩余未分配的IPv4地址都将耗 尽,可用空间已经不多了,Ipv4地址数量很快将变成零。”
Curran是完全正确的;现在,所有IT个体(从爱好者到财富100强CTO)都应该行动起来,因为那些无视IPv6连接的人将会遭受到意想不到的后果。
你可能会想,“为什么?”
Garvin的观点并非虚造,这其实是一个有趣的概念,也许企业正坐拥巨大的IP地址库存,而我们所做的是鼓励他们放弃这些地址,让我们可以避免危机。
但不幸的是,我们知道事实并不是这样。Curran可提供相关参考数据,现在这些数据变得更加明显:截至到2015年9月24 日,IPv4地址池正式耗尽,美国互联网号码注册中心为需要地址的人开通了等候名单。同时,很多人都涌入到代理B2B交易中心,从最后剩余的地址赚取利 润。
但是,这并不是唯一的原因。
正如Neetha Edwin等人所说,IPv6面临自己的网络安全挑战。这里的问题是,它已经开始启用。所以,你不能把你的头埋在沙子里说,“好吧,如果我不看它,它就不会伤害我。”事实刚好相反,如果你无视IPv6在你网络的影响,你可能给你自己带来更大的伤害。
你还需要考虑的是,IPv6连接不只是“网络的事”。你在日常工作中使用的工具会受到它们响应IPv6的方式所影响,包括完全不响应。 当你做出转变时,你的IP地址管理工具能否有效可行?不要告诉我你没有使用IPAM或DDI工具,因为现在已经不是1997年了。你的VPN客户端呢?虽 然企业VPN客户端可处理IPv6,但在去年6月,对顶级私人VPN服务和客户端测试发现,对于IPv6连接,没有一个是安全的。
但这并不是避免迁移到IPv6连接的理由,实际上,这正是你现在需要开始考虑迁移的令人信服的理由,而从你的评估和规划开始意味着之后不再需要进行“消防演习”。
现在最有说服力的理由是:如果你现在不开始,可能给你带来更大的伤害。正如Denise Fishburne所指出,如果你现在不开始,未来的你会憎恨现在的你。
你可能会疑惑,“怎么做?”
你可能终于说服自己开始行动,那么,现在该怎么做?
首先,你需要了解什么是IPv6、它的工作原理以及它与IPv4的区别,现在互联网上有很多相关的资源可供你参考,这里就不再赘言。
你还可以看看在这方面已经做得很好的企业,并从其学习经验教训。例如,最近的一篇文章介绍了Telekom Malaysia迁移到IPv6时采用了由内而外的方法,以及IPv6支持者需要准备好说服管理层,让他们了解IPv6的优点,因为这些优点并不是很显而 易见。除了指出IPv6的安全问题,Neetha Edwin还谈到了如何管理和推动这种新架构的优势。
不过,最终你会发现,这个过程与大多数你经历过的IT项目非常相像:
1. 收集有关新技术或趋势的知识。
2. 决定是否部署。
3. 查看哪些硬件和软件相兼容以及哪些需要被替换或升级。
4. 确定从你环境中什么地方开始部署。(提示:从中心开始一直到边缘)
5. 向管理层说明这个项目。
对于这一点,请记住SolarWinds首席技术官兼首席信息官Joel Dolisy最近告诉我的话:“你的说明必须涉及业务的三个方面:不断发展、降低成本或避免风险。” 你可能会问,“什么时候?”
现在,现在就开始,你真的没有理由再等下去了。
好文章,需要你的鼓励
亚马逊发布Lens Live AI功能,用户可通过手机摄像头扫描任何物品进行实时购物。该技术利用人工智能识别用户拍摄的物品,并在亚马逊平台上匹配相关商品,提供即时购买选项。这一创新功能将大幅简化购物流程,用户只需"看到即可购买",为在线购物体验带来革命性改变。
巴黎理工学院研究团队发现了比传统深度伪造更隐蔽的"局部伪造"技术威胁。这种只修改视频局部区域的新型AI造假技术让人类检测准确率下降30%以上,AI检测系统性能下降高达43%。研究团队构建了包含25000个样本的全球首个局部伪造检测数据库FakePartsBench,揭示了现有防御体系面对精细化伪造攻击的脆弱性,为未来开发更强大的检测技术奠定重要基础。
谷歌AI研究助手NotebookLM宣布推出三种全新音频摘要格式:简要、评论和辩论模式。这一更新将为用户提供更多选择,让已经备受欢迎的音频概览功能更加丰富多样。简要模式提供1-2分钟的精简概述,评论模式对材料进行建设性反馈,辩论模式则让两个AI主持人就内容展开深入讨论。这些新格式有助于用户从不同角度理解学习材料,使NotebookLM成为更加细致入微的学习工具。
Meta等机构研究发现,让大语言模型学会使用外部工具比死记硬背所有知识更高效。研究通过数学证明和实验验证,传统的参数记忆存在严格容量限制,而工具学习能实现无限扩展且不损害原有能力。这为AI发展提供了新思路:从堆叠参数转向构建智能工具协作系统。