ZD至顶网网络频道 08月27日 综合消息: 博科(Brocade)两个月前将Ruckus Wireless收归旗下。此举对博科本财季的表现有帮助。博科2016年第3财季的收入同比上涨7%,达 5.91亿美元, 环比上涨13%。但该财季的利润仅 1050 万美元,同比下跌89%,去年同期的利润为9170万美元,环比下跌23.3%,上季度的利润为 4300万美元。
究其原因部分是因为收购相关项,包括与收购相关的库存品低毛利率和递延收入、收购及整合成本以及无形资产摊销的增加和基于股票的补偿。
各产品部门的情况如下:
√ SAN 产品收入为 2.82 亿美元,同比下降 9%
• 光纤通道控制器销售下降 23%
• 固定配置交换机销售增长 3%
• IP 网络产品收入为 2.09 亿美元,包括 7300 万美元的Ruckus Wireless产品收入,同比上涨36% 。
IP 网络业务受低美国联邦收入的影响,同比下跌 26%,主要由大订单的时间导致的。
博科指,"我们的SAN收入同比下跌和环比下跌主要是因为许多大型交易的完成时间长,而交换机收入的改善则主要是全闪存阵列部署的突出需求。就总体而言,SAN 产品收入下降,与我们的许多OEM 合作伙伴就较弱的存储需求环境所作的评论是一致的。"
网络监控
博科更新了旗下的分析监测平台,平台现在包括:
• 流收集 --- 每个设备级别、应用程序或其他数据逻辑组的自定义监测,可简化故障排除,加快规划过程和为用户提供更好地监视选项
• 在网络顾问(Network Advisor)里优化了用户工作流,可加快问题行为的确认和根本原因的分析
• 侦查模式提供了直观的视图,有助探明下层细节
• 流过滤功能可以在成千个设备和数以万计流的复杂、虚拟化环境里找到关键信息
• 可定制报告功能可将度量和事件关联起来,可将行为分析的趋势归总,可直观地将合规性和性能SLA演示出来
• 网络顾问的新数据库架构为大型环境提供了更快响应的用户体验和更强的可扩展性
• 新的人性化仪表板用户界面和现代硬件设计
结构层次上的光纤通道NVMe
光纤通道 SAN业务推出了32Gbit/s 产品,而业务则受到偏爱以太网的超级融合基础架构系统的威胁,结构层次上的NVMe 交换取代共享存储用的传统FC/SCSI-连接,这对光纤通道 SAN业务也有威胁。本月早些时候,光纤通道工业协会 (FCIA)在美国加州圣克拉拉召开的闪存峰会上议首次公开演示了利用光纤通道完成的结构层次上的NVMe。
QLogic图:利用光纤通道完成的结构层次上的NVMe
• 光纤通道延迟减少了 55%以上
• 多协议存储区域网络 (SAN) 通信简化了现有的 FC 存储资源和FC 存储上NVMe之间的数据移动
• 利用现有光纤通道结构资源进行托管并发 NVMe 和 SCSI 数据通信
• 打造 NVMe 数据中心的工具 --- 光纤通道NVMe数据包捕获和 NVMe 解码
如果安装 FC 基群能存在FC 结构层次上的NVMe升级路径,那么对博科业务是有益处的。网上可以搜到讨论该想法的 QLogic 白皮书。
博科下季度收入预期为 6.3 亿至 6.5 亿美元之间;中间点为6.4亿美元,按中间点算全年收入为23亿美元。比去年的 22.6亿美元略有上升。
笔者认为,将光纤通道安装基群迁移到结构层次上的NVMe运行是件明显不过的事情。客户会爱上结构层次上NVMe的采用方便,还可以大幅降低数据访问延迟。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。