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
OpenAI发布了音视频生成模型Sora 2,同时推出配套社交应用Sora,用户可生成包含自己的视频并在类似TikTok的信息流中分享。Sora 2在物理定律遵循方面有显著改进,视频更加真实。应用提供"客串"功能,允许用户将自己植入生成场景中,并可与朋友分享形象使用权限。该iOS应用目前在美加地区采用邀请制,ChatGPT Pro用户可直接体验。
Queen's大学研究团队提出结构化智能体软件工程框架SASE,重新定义人机协作模式。该框架将程序员角色从代码编写者转变为AI团队指挥者,建立双向咨询机制和标准化文档系统,解决AI编程中的质量控制难题,为软件工程向智能化协作时代转型提供系统性解决方案。
大语言模型和生成式AI自诞生以来问题频发,从推理模型表现不佳到AI幻觉现象,再到版权诉讼,这些都表明当前技术路径可能并非通往真正智能的正确道路。专家认为,仅靠增加数据和算力的扩展模式已显现边际效应递减,无法实现通用人工智能。研究者提出智能应包含统计、结构、推理和目标四个层次的协调,并强调时间因果性的重要性。面对LLM技术局限,业界开始探索神经符号AI等替代方案。
西北工业大学与中山大学合作开发了首个超声专用AI视觉语言模型EchoVLM,通过收集15家医院20万病例和147万超声图像,采用专家混合架构,实现了比通用AI模型准确率提升10分以上的突破。该系统能自动生成超声报告、进行诊断分析和回答专业问题,为医生提供智能辅助,推动医疗AI向专业化发展。