这篇文章讲述了新的数据包转发机制和它能否成为OpenFlow的替代品。

IP包转发技术传统上依赖于能以最短路径到达目的地的IP地址。但由于不同路径上流量的类型不尽相同,因此它往往取决于不同的应用类型。例如,实时 的 UC&C应用程序通常更喜欢低延时,低抖动的路径,而大数据应用则更喜欢低丢包率的高带宽通道。根据应用的需要将流量进行分段管理是非常有用的。 然而,策略路由很难去搭建,而且它是静态的(或者接近动态的,如果你有优秀的自动化工具)。
多个应用程序之间需要同一级别的服务也需要使用策略路由。问题是,这些应用程序获取带宽时,通信类带宽的分配是满了的吗?如何让网络告诉应用程序, 在没有带宽的情况下还能知道所需的流量类别?这就是为什么我们需要软件定义网络(SDN)的原因,因为它让应用程序或策略管理器来进行流量转发。 OpenFlow技术有能力使其应用政策变得动态化,现在,一个相对较新的技术提供了另一种方法:分段路由(SR)。
什么是分段路由?
SR(分段路由)是SDN技术的分组转发机制,是用来替代OpenFlow的。SR是由思科提出来的,并已通过IETF标准化认证。一些厂商正在部署这项技术,有一些客户也正在使用它。
经验丰富的网络专业人员团队已经开始密切关注SR。你可以在互联网上找到大量有关SR的文件,但我发现有些资料漏掉了一些重要的细节(如每个路由器/节点的分配标签)。下面是有关SR的一些较好的、详细的背景资料:
SR使用路径标签机制(多协议标签交换,或者MPLS,或是在IPv4或IPv6中的路径包头的标签)来指定路由数据包必须通过的网络路径。数据包 必须通过在标签路径中的每个节点,但也有可能会通过其他中间节点,这使得它的功能非常类似于IPv4的松散源路由机制。松散源路由机制减少了路由数据包到 其希望高达的的目的地所需的标签数量,网络沿着标签列表中节点之间的最短路径转发数据包。
和MPLS不一样,每个路由器是一个节点,SR在每一个节点上分配固定的、32位的标签(用于开发和分配,而不诉诸到正在进行维护标签机制工作的电 子表格中)。标签是固定的,不是动态的,类似于在 MPLS的3层VPN,能使故障排除更加容易。标签和拓扑信息通过三种路由协议(中间系统到中间系统;开放最短路径优先;边界网关协议)中的一种,延伸传 播至整个网络中。SR不需要标签分发协议,从而消除了路由协议和标签分发协议之间需要同步的障碍。
像PCE(路径计算元件)这样的外部系统,应用了SR后,可以定义路径。一个PCE能够创建不共享拓扑或从批量数据流中分离出来的实时 UC&C流量路径。PCE与路由协议交互以获得拓扑和其它信息,用于确定添加到数据包的标签组。其结果是,在一个SR系统上既包含了运行在控制平 面上用于收集拓扑信息的路由器,也包含了在PCE上运行的使用该拓扑信息来计算不同应用路径的路由协议。
当PCE确定某个flow应该经过所有路径而非最短路径时,它会发送一个标签堆栈条目到该flow的入口路由器,其他路由器无需接收来自PCE的任何信息,就编程转发协议来说,SR已是非常高效的了。
SR和OpenFlow有何不同?
OpenFlow必须加载沿着源头到目的地的路径进入控制器开关的转发表项,SR与仅在入口路由器插入MPLS包头的松散源路由是不同的,它是在 PCE 上定义编码转发路径的。SR程序和MPLS标签栈为每个flow提供该flow的入口路由器路径,而不是让flow通过同一条路径到达所有交换机入口。
另一个区别是,一个OpenFlow控制器从所有的交换机/路由器收集相邻关系信息,并使用该信息来做出转发决定。而SR PCE依靠路由协议进行拓扑信息收集和标签传播。SR机制使用在硬件上运行的路由协议,有可能使得这些协议的新版本更难以部署,难度水平取决于系统架构。
有一个替代选择,这是好事
当我看到SR能提供类似于SDN的功能时,我觉得它是替代OpenFlow的第一选择。SR需要更多的开发,以便它能达到像一些OpenFlow产 品具有的双向应用的能力。另外,更积极的的一面是,把flow引向多个网络设备,SR看起来可能比OpenFlow机制更为有效。
正如任何新技术一样,它将需要几年时间去完善整个系统。网络IT人员也将需要对这项新技术有一个更好的理解,了解其如何才能实现最佳部署。
好文章,需要你的鼓励
Turner & Townsend发布的2025年数据中心建设成本指数报告显示,AI工作负载激增正推动高密度液冷数据中心需求。四分之三的受访者已在从事AI数据中心项目,47%预计AI数据中心将在两年内占据一半以上工作负载。预计到2027年,AI优化设施可能占全球数据中心市场28%。53%受访者认为液冷技术将主导未来高密度项目。电力可用性成为开发商面临的首要约束,48%的受访者认为电网连接延迟是主要障碍。
商汤科技研究团队开发的InteractiveOmni是一个突破性的全模态AI助手,能够同时处理图像、视频、音频和文字,并具备强大的多轮对话记忆能力。该模型采用端到端架构,实现了从多模态输入到语音输出的统一处理,在多项基准测试中表现优异。特别值得关注的是,4B参数版本就能达到接近7B模型的性能,且已开源供研究使用。
亚马逊云服务宣布投资500亿美元,专门为美国政府构建AI高性能计算基础设施。该项目将新增1.3千兆瓦算力,扩大政府机构对AWS AI服务的访问,包括Amazon SageMaker、Amazon Bedrock和Claude聊天机器人等。预计2026年开工建设。AWS CEO表示此举将彻底改变联邦机构利用超级计算的方式,消除技术障碍,助力美国在AI时代保持领先地位。
腾讯混元团队联合北航、清华推出Honey-Data-15M,这是一个包含1500万高质量图像-问答对的开源数据集,通过创新的双层思考链策略让AI学会深度推理。基于此训练的Bee-8B模型在复杂推理任务上表现卓越,证明了专注数据质量能让开源AI达到商业级水平。