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
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。