在迈入云时代的今天,云应用正在成为企业商业活动中不可或缺的一部分,也成为用创新推动业务成长的重要技术基础。但目前,企业云数据中心的建设仍面临着不少问题与障碍,拖慢了很多用户拥抱云计算的脚步。互联网+时代的业务发展和变化均十分迅速,需要云数据中心的IT网络能够做到随需而变,灵活扩展,但传统的数据中心建设面临重重障碍。
云数据中心网络建设面临“五大挑战”
挑战一:网络资源无法池化
当网络资源池化后,便可按需获取。传统三层网络无法满足云中大量虚拟机的迁移,无法根据业务需求按需分配,并且由于分区域部署,使得扩容非常复杂。
挑战二:大投资,小利用
为了实现南北向/东西向的安全防护,传统网络需要在出口和各个分区都进行安全设备的部署,同时为了保证业务稳定可靠,需要保证每个区域都部署设备做冗余。这就使得安全设备利用率低、部署分散,运维困难。而用户期望的是不同厂家的安全设备能够形成安全资源池,按需提供安全防护。
挑战三:网络出口低可靠性
传统网络出口多为“糖葫芦”部署,一个接着一个,一旦出口设备出现故障,业务就会全部中断,无法保证网络的可靠性。
挑战四:IT资源难统一管理
节点多、业务多、运维难、业务故障难以定位,不能实现资源统一管理和业务部署自动化。
挑战五:新旧数据中心难互通扩展
大部分企业用户的数据中心都不会是从零建起,新数据中心与原有数据中心的互联互通一直是头疼的问题,用户一直则期望无需改变旧数据中心的拓扑及配置,即可实现业务平滑迁移,从而既保护投资又不影响业务。
面对这些问题,锐捷网络的工程师深入场景,推出了极简云数据中心网络解决方案,帮助用户扫清通往云数据中心建设道路的重重障碍。
“极简云”玩转云数据中心freestyle
旨在解决云数据中心建设根本问题的“极简云”,从构建之初,就秉承开放、标准的网络架构,为用户打造最具“现代风”的云网络。
锐捷极简云把网络架构抽象成网络层、控制层和业务层。网络层为锐捷的VxLAN多租户网络,使得网络资源池化,业务可以按需扩展、灵活迁移,不再受物理网络限制。
针对运维困难、难以实现资源的统一管理和业务部署自动化难题,极简云的控制层由锐捷网络的RG-ONC SDN控制器构成,兼容各种主流云平台,实现了集中控制和业务自动化部署、让业务上线速度更快,并且实现了流量可视化,让网络质量能够被提前感知,便于管理,同时还可以将网络的健康情况进行量化,直观呈现当前网络的使用情况,为网络升级和扩容提供建设性意见。
极简云业务层由锐捷网络的RG-JCOS云管理平台或第三方平台构成,可以平滑对接主流服务器、存储、网络设备及虚拟化软件,降低用户成本负担。与此同时,在新旧数据中心互通上,“极简云”实现了新旧互联,让用户无需替换原有设备或改变原有配置,即可实现平滑迁移。
在安全方面,“极简云”也极具特色,为云数据中心提供全方位的安全防护。通过提供可靠、开放的安全资源池,解决了单点故障问题,数据流量自动绕行,永远不断网。极简云提供的安全服务可按需融合,使得设备负载低,架构简单易维护,并可实现跨品牌集群,保护了用户投资。
SDN重塑云数据中心“新生态”
锐捷极简云能够为传统数据中心建设带来脱胎换骨的变化,其关键就是SDN技术。为了更好地掌握这一面向未来的关键性技术,锐捷网络从2011年即正式开始深入研究,经过数年的积累和沉淀,在SDN领域已经形成了自己的技术体系和平台(ONP开放网络平台),包括SDN开放网络控制器(RG-ONC)、SDN交换机(锐捷全系列主流交换产品)、SDN路由器/网关设备等,以及经过验证的基于场景的整网解决方案。
基于SDN的极简云数据中心网络解决方案,已经广泛应用在互联网、金融、运营商、政企、能源、光电等行业,满足了企业在云化数据中心建设上的需求,受到用户的充分认可。
一花独放不是春。未来,锐捷网络希望围绕“极简云”解决方案建立合作伙伴“新生态”,为云时代客户数据中心建设提供一站式服务,使得用户能够更快捷地拥抱云计算,让IT成为企业真正的价值中心!
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。