测试和测量领域的业界领导者思博伦通信近日宣布,思博伦成功支持了业界迄今为止最大规模的100G以太网接口单机性能测试。此次测试由思博伦通信和新华三集团联合完成,主要是测试新华三S12500X-AF满框100G端口线速转发能力及超大规格IP路由转发表容量,密度达到单框768个100G端口。这也是业界目前最高的100G端口密度测试。
此次测试由权威测试机构Network Test完成。来自Network Test的David Newman指出, “拥有768个端口, 这是业界迄今为止成功完成的最大规模100G以太网交换机测试。我们进行的压力测试, 在单个机箱中涉及到近百万条独特的BGP路由, 以及768个并发的EVPN实例。此次基准测试,基于开放测试标准,成功验证了新华三数据中心核心交换机的性能,而Spirent TestCenter为此创纪录的项目提供了所需的高密度、高性能和高灵活性。”
本次测试采用思博伦Spirent TestCenter网络性能测试仪,配以能够验证下一代数据中心架构和路由器的高密度dX3 12端口100G测试模块,级联成一套测试集群,产生不同帧长的100G 线速业务流量,并实时呈现丢包、时延、抖动、帧顺序、误码、FCS 错误等反映传输质量的KPI,这个目前业界最高密度的100G测试仪表集群成功验证了新华三S12500X-AF系列交换机领先的性能,为测试提供了所需的高密度、高性能和高灵活性。
思博伦DX3五速率测试模块,单槽位可支持12个100G或40G端口,或24个50G端口,或48个25G或10G端口,支持FEC, Auto-negotiation, Link Training 等关键接口特
性,能够用于验证线速下超高密度网络设备的数据层服务质量(QoS),并对交换机和路由器上复杂的路由、数据中心和接入协议进行测试。
思博伦通信CEO Eric Hutchinson指出:“思博伦成功支持业界最高密度的768个100G端口测试,进一步证明了思博伦在高速以太网测试领域的领导地位,又一次证明思博伦是可依赖的伙伴。一代又一代的思博伦以太网测试技术已经帮助众多的客户成功占据市场先机。也非常感谢新华三的信任,选择了思博伦的测试解决方案来验证S12500X-AF性能。”
作为主流的高速以太网技术,100G正成为核心交换机和路由器主要的接口类型。新华三S12500X-AF系列交换机拥有领先的产品设计,其拥有全球单槽位最高48端口100G QSFP28可插拔光模块接口的单板,可以做到单框768个100G端口的全线速性能测试的数据中心核心交换机设备,其性能在此次全线速测试中得到验证。
图1:现场测试照片
新华三集团高级副总裁、首席技术官尤学军指出:“S12500X-AF系列交换机拥有全球单槽位最高48端口100G QSFP28可插拔光模块接口的单板,也是业界目前唯一可以做到单框768个100G端口的全线速性能测试的数据中心核心交换机设备。我们很高兴能与思博伦合作,对S12500X-AF性能进行验证,并取得了令人满意的测试结果。”
网络带宽需要持续高速增长,作为高速以太网测试领导者,思博伦为满足网络设备制造商,开发出高度灵活的产品以支持高速率、高密度及单端口多速率的需求,拥有最新400GE、200GE,以及最高密度12端口100GE测试模块,并于今年第一季度在其旗舰测试平台Spirent TestCenter 上发布了业界唯一集成16G/32G Fiber Channel的七速卡:支持100G/50G/40G/25G/10G以太网及 32G 和16G Fiber Channel, 可用于以太网和存储网络设备测试,助力服务提供商和超大规模数据中心部署高密度多速率网络基础设施满足这些需求。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。