如今,构建无线接入网络已经成为众多行业的“刚需”,覆盖场景包括了医院、园区、商业、学校、门店等。在这些无线场景中,直接放装和室内分布式的传统AP部署方式逐步被无线“智分”的创新技术所替代,尤其是在小开间、高密度、多隔断的高校宿舍场景,“智分“、微AP部署在房间内带来优质体验几乎已经成为标配。但是,与无线”智分“、微AP相对应的IT运维管理却一直缺乏创新,落后的运维平台成为无线网络管理的“痛点”。
锐捷网络近日宣布,旗下RIIL-BMC开始全面支持无线“智分+“及微AP运维管理。锐捷“RIIL无线智分+”解决方案化解了传统运维产品无法深入无线系统进行监控的难题,通过插拔告警、星光图展示等可视化效果,全面梳理POE交换机、“智分+“、微AP和用户之间的对应关系,快速发现设备故障。该平台的问世,支持酒店、医疗、金融、零售等行业用户的无线管理,让高校宿舍场景下的无线监管难题成为过去,即使万间大规模宿舍区的无线运维也能轻松搞定。
数以千计的微AP纳入管理
在运维对象上,“微AP”也是必须要维护的硬件。在规模数量上,大型园区网尤其是高校校园内,微AP的数量以“千”为记,并且具有设备小、分布广的特点,人力难“维”。在技术层面,无线智分系统中POE交换机+无线模块是合为一体的,射频卡下放到微AP,这就造成了传统工具只能识别到主机(AP),却看不到用户、AP、智分主机、POE之间的关系,故障定位十分困难。而一旦无线网络出现问题,排查时间过长的缺点就会暴露无遗,IT部门不免要遭到相关用户的投诉。
图:用户可以通过无线星图的设备分布查看区域下的分配的智分主机及微AP信息
锐捷的RIIL-BMC的研发人员再次深入一线应用场景,推出最新RIIL智分+运维管理解决方案。该方案可以实现无线网络全覆盖下的可视化管理,直接将用户体验情况、信道、信号强度、接入AP/微AP的逻辑关系直观地反馈出来。具体包括:微AP故障自动感知、无线用户连接可定位、自动发现微AP上联端口等。此外,它还具备了较强的开放性和兼容性,可以支持无线设备多厂商的统一运维。
“万间宿舍”运维管理一屏尽览
“RIIL无线智分+”方案是“锐捷式”创新的又一新成果,并在高校前期测试后取得了良好的评价反馈。目前,方案已经在东南大学和中国地质大学成功部署:东南大学在线用户达到2.8万人以上,地质大学在线用户达到1万以上。实现了微AP、智分主机的全监控;接入搜索定位;星光图展示;微AP上联接口感知等功能,让“万间宿舍”的运维管理轻松一屏尽览。
图:当区域用户数过多时,管理员点击区域可以弹出在线用户列表,查看最近采集的当前区域下在线用户信息
图:支持模糊查询在线用户,点击用户信息可以显示用户上连设备信息
近几年,锐捷RIIL IT综合业务管理平台所覆盖的领域不断扩充,从有线基础网络到全业务视角覆盖,产品中体现的健康指数K线图、业务雷达视图、业务卡片等多种业务视图代表了国内运维市场的最新理念。与此同时,RIIL还通过有线、无线一体化管理,打通电波与骨干传输的运维界限,利用业界最全无线厂商支持、无线星图、拓扑等功能,图形化展示无线设备覆盖及用户分布情况,用户体验好坏直观可视。而锐捷“RIIL无线智分+”方案的推出,不仅夯实了锐捷在网络IT运维技术领域的领先位置,更能够帮助用户轻松掌控智分和微AP等最新WLAN技术,让无线网络的价值得以尽情释放。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。