在云南一所学校的阁楼里诞生了“云课堂”、在上海地铁隧道中摸爬滚打克服了“活塞风”、在杭州224路公交车上测出来的4G无线路由器……而我们今天要讲的故事,则是锐捷网络“极简网关认证解决方案”的出生地:中国科学院大学(以下简称“国科大)的校园网。
校园餐厅的“头脑风暴”
在校园网建设领域,锐捷“极简网关认证解决方案”的问世可算是一个里程碑,它很好地解决了校园网认证性能不足与网络中断问题,认证网关Newton18000采用嵌入式系统平台“硬件+软件多平面分布式”的处理方式,配合锐捷新一代认证计费系统RG-SAM+,极大提升网络性能和稳定性,更加关注用户体验,在实践中得到多家高校的认可,西安交通大学等一批优秀样板案例更成为这一方案的最佳背书。回忆它最初诞生的创新灵感,正是来自于校园餐厅的一次小聚。
2014年11月,在人大校园内一个餐厅召开的小范围研讨会上,国科大主任谈到学校认证计费系统的困扰:“学校的认证计费网关采用了服务器上安装软件的方式实现,而服务器需要集中实现转发认证以及流量计费,在移动终端快速增长以及大量的网络噪声情况下,出现了认证页面弹出时间长、终端设备频繁掉线、系统超负荷运转宕机等一系列问题。”他没想到,这些问题同样也是在座技术大咖们的公认难题,许多技术负责人因为准出认证服务器故障,常在深夜被叫醒处理问题,严重影响了睡眠。
那么,在移动互联网时代下的校园网变革,传统X86架构的网关准出认证为何不再胜任呢?一款能够适应移动互联时代,满足数万部无线终端的认证网关又应该从何处创新呢?
说者无意,听者有心。会后,锐捷网络的产品研发工程师并没有随同大家离开,他们抓到了一次难得的产品创新机会,留下来继续讨论。而一个突破X86架构下All-in-One认证性能的瓶颈,适合于校园无线时代的网关认证方案,也由此在用户身边萌芽。
“攻城狮”入驻国科大与客户共创新
研讨会结束之后的一周,锐捷的三层网关创新研发小组成立,这个小组由锐捷交换机团队、认证计费团队共同构成。在随后的一个月里,解决方案原型完成内部测试,研发团队在2015年1月正式入驻国科大北京怀柔校区。
锐捷极简网关认证解决方案研发时间路线图
和用户“在一起”做设计的思维、在场景中寻求创新的做法,这些都让锐捷极简网络解决方案在诞生之初,就吻合了“与用户一起圆梦,和用户一起成长”的目标,而这次网关认证层面的产品研发也不例外。在6个迭代版本、超过50人月的开发、11次客户汇报、47次最终用户访谈、60多个新增需求、11969份调研问卷的基础上,锐捷极简网关认证解决方案迎来了“卫星发射”的紧张时刻。
2015年9月,锐捷极简网关认证解决方案在国科大校园网的整个割接过程只花了30分钟,而从原认证计费系统中海量数据迁移正式完成也只花了半天时间。在万人并发和3.5万/s的噪声下,新系统实现了认证页面从原来十数秒弹出到毫秒级弹出,Newton18000的CPU利用率维持在3.4%,整个设备到目前为止运行十分稳定,锐捷极简网关认证方案实现了再创新。之前“掉线、挂死、断网”的现象再也没有出现。
超强稳定性源于何处?
在探寻新方案超强稳定性来源时我们可以看到,传统方案用软件单一系统做认证计费和转发,不但网络性能有限,而且子系统一旦出现故障就会导致全网中断。而锐捷“极简网关认证解决方案”采用了Newton18000嵌入式系统平台“硬件+软件多平面分布式”的处理方式,将用户认证、流量计费、数据转发三个平面进行分离,分别由专门的硬件设备处理;同时,Newton18000认证网关的引擎、网板、电源、风扇全部硬件模块冗余设计,并支持虚拟化技术和MSC流量计费板卡负载均衡,多种冗余及逃生场景设计极大地提升了网络的性能和稳定性。同时,认证计费的大脑——RG-SAM+与Newton18000分工明确,各司其职,不但分担了性能,业分离了故障点,让问题解决变得更加容易。
锐捷极简网关认证解决方案中的“三平面分离”
例如:当Newton 18000发生整机故障时,OBS设备自动切换到Bypass状态,用户免认证计费直接通过,保证网络不中断;其次,当服务器出现故障时,Newton 18000对用户不认证,直接放过,出口网络依然畅通,服务器恢复后再逐步将放行用户重新认证,确保网络运行的高可靠性。
极致体验从何而来?
为了有更好的用户体验,极简网关方案在开发过程中再次创新。除了与网络中心的维护人员积极互动,锐捷还通过组织“吐槽有奖”的活动,吸引大量学生用户在QQ群中反馈各种意见和建议,并得到上网流量奖励,在加强互动的同时,更加精进了客户端的功能和体验。
作为用户每天都要看到的认证界面,RG-SAM+通过与学生用户的积极互动,最终提交了一个让学生喜欢的交互设计:简单、轻巧、有情,不再是冷冰冰的企业计费软件,更像是一个学生的小助手、好朋友。
国科大的前身是中国科学院研究生院,是新中国第一所研究生院,培养了我国第一个理学博士、第一个工学博士、第一个女博士、第一个双学位博士,如今又诞生了校园网第一位“认证博士”,相信在这所以创新而闻名的学府中,快速稳定的高品质移动网络,将让众多莘莘学子创造出更多的辉煌与奇迹。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。