网络与业务正在脱节
通常来说,企业业务的经营与管理离不开“业务架构”、“应用系统”和“IT基础设施”三个有机部分。其中,应用系统是业务的直观体现,而业务架构彰显的是运营模式,IT基础设施则作为前两者的载体存在。
在云计算时代,企业本身朝着数字化转型,业务架构朝着服务化转型,应用系统则迈入了DevOps时代,随之,IT基础设施迎来云时代。在IT基础设施中,和计算、存储一样,网络(网络架构、网络服务、网络运维管理)如果不变革,网络将无法适应业务发展的需求,其结果就是与业务逐渐脱节。
云网时代及其挑战
在SDxCentral发布的《2017下一代数据中心网络研究报告》中指出,下一代数据中心对网络的关键需求为可视化与Troubleshooting、关键趋势为大数据分析。企业数据中心网络正在积极拥抱SDN,以最大程度上适应云网时代的发展、消除网络与业务的脱节。迈入虚拟化及云网时代的数据中心网络具有以下三大特征。
? 虚拟化:网络及网络功能变得由软件定义和用户可编程。
? 去边界化:内网流量成主导,虚拟化让传统网络的边界消失。
? 高度动态化:业务的动态性要求网络可以更快地响应。
什么是云网?
云网是随着虚拟化和云计算诞生的一种新架构的网络形态,以开放可编程、细粒度可控等用户需求为目标,以SDN、NFV等网络技术为支撑,通过软件定义、数据驱动的方式进行管理。云网旨在提供一个敏捷的虚拟化的网络环境,使海量数据更快速、更高效的传输。
可视化让网络运营管理人员对整个交换矩阵发生的事情一目了然,有利于快速定位网络故障或者洞察流量突发。网络生成的数据流本身就是一个大数据用例,因而成为下一代数据中心网络的典型应用场景;很多厂商、组织和用户通过对流量数据的收集和分析来进行排障、网络优化和安全防范。网络在变得虚拟化和云化的同时,网络的运维管理将面临新的环境和挑战:
? 不断增长的网络复杂性:多租户海量业务和应用,使得网络动态连接和传输的数据指数级增长。
? 更高的网络服务要求:业务追求极致的用户体验,对网络提出更高的可靠性要求。
? 失效的传统网络运维:现有运维架构和方式难以应对复杂网络的排障和优化。
时至今日,仍有大量网络领域的创业公司不断涌现,在降低网络的复杂性、使之更敏捷更适用于业务、使网络更开放更可控等方面,无论是巨头还是创业公司,都还有很长的路要走。
DeepFlow打造数据驱动的下一代数据中心网络
网络构架将现实进行了分层,最低的物理层看到的是电位变化,中间传输层看到的是数据包,只有上面的应用层才知道数据的意义。为应对网络变革,云杉网络基于SDN、云计算及大数据技术,推出了虚拟化网络的可视化与分析产品「DeepFlow云网分析」,以Flow粒度的网络流量数据为核心,打造数据驱动的下一代数据中心网络。
什么是数据驱动?
电商、金融、政务民生,各行各业,人人都在谈大数据。数据是一切系统运作的核心,数据蕴含着尚未发掘的价值。数据分析提供具有指导意义的情报,能为业务带来更高的价值。迈入复杂的云网时代,数据的价值将进一步凸显。围绕数据进行的采集、分析和控制,将为数据中心网络的运维和管理带来全新变革。
关于DeepFlow云网分析的10个问题
1、DeepFlow云网分析是什么?
2、DeepFlow云网分析解决哪类人群的哪些问题?
3、为什么数据中心需要DeepFlow云网分析?
4、DeepFlow云网分析用在什么场景的哪些用例?
提供网络可视化、外网流量计量、外网流量分析用例,解决多租户环境下的物理网络运维、细粒度流量计量、外网性能和安全问题。
提供网络可视化、内网流量分析用例,解决多租户环境下的虚拟网络运维、内网安全问题。
5、DeepFlow云网分析如何与现有数据中心和解决方案兼容工作?
6、DeepFlow云网分析有哪些独特的地方?
Flow粒度的采集、分析与控制能力。
全部基于x86架构实现,无设备及设备商绑定。
开放接口使用户对数据、对平台可编程。
7、DeepFlow云网分析和现有类似方案相比的优势?
8、DeepFlow云网分析带给用户的价值?
全网全时全流的分析能力。
精细和准确的故障排查能力。
数据驱动的网络运维能力。
细粒度的网络“监”与“控”能力。
9、DeepFlow云网分析的未来发展方向?
10、云杉网络是一个什么样的团队?
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。