请问:网络对于你的意义是什么?
其实对于大多数人而言,网络都已成为生活中必不可少的一部分,对于超融合系统来说,亦是如此!但是,大多数超融合环境却未将网络考虑在内!
对于思科 HyperFlex 来说,网络被视为系统中不可或缺的基本组成部分!具体怎样体现?!一个事实告诉你!
一个事实
借助思科 UCS 6248/6296 交换矩阵互联,你可以通过一个连接和管理点将刀片服务器和思科 HyperFlex 节点集成在一起:这是其他任何超融合供应商都无法提供的功能!
部署集群后,无需重新设计网络即可对其进行最大限度的扩展。该解决方案的设计初衷就是可以轻松扩展,超融合系统需要大量东西流量带宽并且具备低延迟特性,思科均可提供!
看到这,大家可能了解了网络之于超融合系统的重要性,但你知道这是为何吗?!当超融合系统与思科网络集成,又会带来哪些创新成果?!满载知识的 “小巴车” 已经开动,想要学习?快上车!
网络在超融合系统中极为重要,因为存储平台的性能取决于网络!借助思科 UCS 交换矩阵互联,可以获得高带宽、低延迟 10 Gbps 统一交换矩阵连接,通过一组电缆承载所有生产 IP 流量、超融合层流量和管理流量。集群中的每个连接都被视为其自己的微分段,与受单独物理链接支持时拥有相同的安全级别,从而使得集成网络比在使用商品法时更加安全。
HyperFlex 网络技术:高带宽、低延迟
系统经过设计,以便所有流量(即使是来自刀片服务器的流量)只通过单个网络跳跃即可连接集群中的任意其他节点,其他供应商都无法实现这一点。我们的延迟是确定的,因此,对于数据平台你可以获得一致的网络性能,并且不必担心工作负载部署方面的网络限制。此单跳架构可加速东西流量,从而提升集群性能。
超融合中网络的另一个关键技术点在于 vNIC 及 QoS! 思科 HyperFlex 系统上的网卡很奇妙,这种被叫做 VIC 的网卡是一种高级的融合式网卡(CNA),可以虚拟化成多个 vNIC。其它厂商服务器上的网卡只能虚拟静态 vNIC 不同,思科 HyperFlex 的 VIC 可以虚拟化 256 个vNIC,而且思科支持动态 vNIC,这种类型的 vNIC 不是固定的,可以随着 VM 的漂移而移动。通过和 VMware 的结合,动态 vNIC 在 VM 移来或虚拟设备热添加时被创建出来,在 VM 移走或虚拟设备热移除时被删掉。这些 vNIC 逻辑上就像 FI6248/6296 伸在服务器里的端口,因此只有思科 HyperFlex 能实现整个超融合内端到端的 IO 质量(QoS)保证。
不过,想要实现以上愿景,还需要产品来支撑才行!那么,如何选择产品?
如今,思科 HyperFlex 系统设计为与集群中的每个节点有 20 Gbps 连接,并与思科FI6248/6296交换矩阵进行互联;未来思科FI6300 系列交换矩阵会带来 40 Gbps 连接……鉴于思科 HyperFlex 系统中对数据吞吐量的需求增长,我们的产品已准备好满足这些需求!
除此之外,随着环境增长并开始覆盖整个企业时,还可以使用思科 ACI 来实施软件定义的网络!
思科 ACI 提供基于策略的自动化网络部署,在安全、隔离的环境中保护各类应用。网络可以直接连接到虚拟机和物理服务器,并提供下列优势:
关于超融合还想了解更多?关注@思科联天下 官方微信,回复 “HX” 即可查看思科资深顾问工程师张亦安关于Hyper Flex的更多专业分享! 9 篇技术宝典,篇篇深入思科 HyperFlex 的精髓,听说打开第一篇后就控制不住寄几了……不信试试看!
“思享家”汇聚思科资深专家,旨在与粉丝分享、交流和探讨思科的观点、技术以及行业领域的热门话题。在这里您得到的不只是答案,更是一个前所未有的思科行业专家团队!
好文章,需要你的鼓励
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
谷歌发布基于Gemini 3的快速低成本模型Flash,并将其设为Gemini应用和AI搜索的默认模型。新模型在多项基准测试中表现优异,在MMMU-Pro多模态推理测试中得分81.2%超越所有竞品。该模型已向全球用户开放,并通过Vertex AI和API向企业及开发者提供服务。定价为每百万输入token 0.5美元,输出token 3美元,速度比2.5 Pro快三倍且更节省token用量。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。