作者:Tom Burns,戴尔网络资深副总裁兼总经理
网络行业正在经历颠覆性变革,而戴尔则一路领先。几年前,我们以开放网络的构想挑战现状,打破了网络硬件和软件之间的原有链接,为网络硬件和软件开启了一个全新的市场,向企业、web和服务提供商提供了比以往更多的选择以及更高效的运作能力。
今天,凭借新发布的高性能交换平台以及新版基于Linux的网络操作系统OS10,我们继续引领整个行业。这些新的增强型开放网络产品将帮助客户提高灵活性、降低IT成本并加速投资回报。戴尔近期委托ACG Research做的一份总体拥有成本(TCO)报告详细介绍了一个着名的一级服务提供商如何通过使用开放架构降低其基础设施的5年累计总体拥有成本。
在数据中心方面,全新S5148F-ON交换机是戴尔首个25G架顶式开放网络交换机,这也是原生支持25G的全新戴尔第14代PowerEdge服务器“卓越共赢”故事的一部分。此外,该交换机的100G上线链路专为100G网络连接而设计,加速机架之间的横向网络流量。它非常适合那些希望最大限度提高应用和服务性能的云服务提供商和web规模客户。
全新S4100-ON系列是我们最新的多功能架顶式数据中心开放网络交换机系列中的一员,专为机架内10G光纤/铜缆或光纤通道8/16/32服务器的高密度和融合本地局域网(LAN)/储存区域网络(SAN)的存储而优化。这些交换机都配备了用于机架间通信的高性能100G上线链路端口。该系列还包含S4148U,这是一个面向以太网和光纤通道流量的全新统一交换机。这个开放网络交换机突破了光纤通道连接的上限,为那些希望进一步融合本地局域网(LAN)与存储区域网络(SAN)解决方案的客户优化对32G光纤通道的支持。
S5100-ON和S4100-ON是首批标配戴尔全新旗舰网络操作系统OS10企业版的产品。基于来自Linux基金会和OCP(开放计算项目)的开源技术,OS10企业版是专为传统网络和DevOps环境而设计的下一代模块化、可编程的网络操作系统。
OS10企业版套件提供完整的第二层和第三层网络功能,同时也让客户能够针对不同环境轻松定制软件。客户可以融合额外的开源功能或添加第三方Linux应用,也可以利用标准Linux与DevOps工具开发自己的软件。
作为这些新品的补充,戴尔还推出了全新戴尔N1100-ON系列,它是适用于园区环境的高能效、高成本效益的交换机系列。该系列具有多款半宽和全宽选项的无风扇交换机,拥有以太网供电(POE)版本和非POE版本,以及从10/100/1000Mbps到1/10GbE的端口配置。N1100-ON系列交换机旨在与Aerohive的下一代云管理解决方案HiveManager NG配合使用,大幅简化了终端用户的有线和无线接入,从而通过将企业级管理带入公有或私有云而为网络融合设立了新的标杆。
戴尔网络的使命就是确保我们各种规模的客户都能从其网络投资中获取最全面的价值。因此,我们将继续推出行之有效的端到端的开放网络解决方案和综合性的全球服务,帮助客户实现在这个瞬息万变的行业中一路领跑的愿景。我们将如何帮助您和您的网络,让我们拭目以待。
供货信息:
· 戴尔S5100-ON系列预计将在戴尔2018财年第三季度上市
· 戴尔S4100-ON系列指定型号预计将在戴尔2018财年第三季度开始出货,更多型号将在2018财年陆续出货
· 戴尔N1100-ON系列预计将在戴尔2018财年第二季度上市
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
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。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
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。