10月11~14日,在杭州举办的全球云计算TOP级峰会——2017云栖大会上,阿里巴巴集团发布了全新的25G数据中心网络架构,该架构是在规模部署其第一代25G架构后的重大架构演进,未来将统一承载全线业务。
作为阿里巴巴数据中心网络设备的供应商之一,锐捷网络与阿里巴巴基础设施事业群针对网络架构进行了全面合作,开发配套全新的网络产品,覆盖接入、汇聚及核心设备。在本次云栖盛会上,锐捷网络应邀首次发布了多款面向阿里巴巴网络架构的配套交换机新品,不仅在性能上较上代产品实现了飞跃,可提供基于RDMA(Remote Direct Memory Access,远程直接内存访问)的无损以太网低延时传输和基于硬件的可视化能力,更能在运营上大幅降低整网的单比特成本。
图:25G数据中心网络架构发布现场
作为全球领先的互联网公司,此次阿里巴巴发布的数据中心网络架构,将对业界网络技术及未来应用的发展带来深远影响,同时也成为业内众多网络设备厂商关注的焦点。
锐捷网络深刻理解阿里巴巴数据中心网络所面对的挑战,不仅要满足全球最大的交易和支付平台所需的性能,还要兼顾飞速发展的云计算网络所需要的拓展性和灵活性。
基于上述的特性和要求,锐捷网络精心打造了新一代交换机产品,包括:
25G接入交换机RG-S6510-48VS8CQ
图:RG-S6510-48VS8CQ
RG-S6510-48VS8CQ作为25G网络接入交换机,采用1U设计,提供48个25G网络接口,固化8个100G接口。该产品采用Broadcom Trident3芯片全新设计,相比上一代25G产品,其缓存能力提升8倍。支持基于硬件的网络可视化运维特性,大大简化网络运维、提升运维效率。此外,该芯片支持丰富的硬件可编程特性,满足未来更多业务特性的扩展。
100G接入交换机RG-S6510-4C
图:RG-S6510-4C
RG-S6510-4C采用2U设计,提供4个模块化插槽,可以灵活扩展8个100G接口板卡、24个25G+2个100G接口板卡及16个40G接口板卡。通过整体提供32个100G接口,满足未来更高密度、更大业务流量的业务需求,实现服务器100G网卡的高速接入。通过扩展25G板卡,可以实现48个25G接口+20个100G接口的组合,实现25G业务的1:1收敛接入,满足特殊业务需求。该产品采用Broadcom Trident3芯片全新设计,相比上一代产品,其缓存能力、RDMA、可视化等能力都实现了大幅度增强。
汇聚交换机RG-S6520-64CQ
图:RG-S6520-64CQ
RG-S6520-64CQ采用Broadcom Tomahawk 2芯片设计,是迄今为止业界最高密度的100G BOX设备。可以满足Server POD基于业务需求灵活调整收敛比,同时支持硬件的可视化运维能力,满足全网端到端可视化运维的实现,同时可作为中小型数据中心核心与中大型数据中心汇聚设备。
核心交换机RG-N18000-X系列
图:RG-N18000-X系列
RG-N18000-X系列是锐捷网络2015年发布的100T平台“零背板”数据中心核心交换机,针对阿里巴巴全新一代网络架构,锐捷网络发布全新的100G接口板卡M18000X-32CQ-DB,相比上一代产品单卡功耗降低40%、整机功耗降低30%,综合应用成本降低20%。支持关键表项的灵活调整及路径可视化、延迟可视化特性,实现整体投入成本的降低和运维效率的提升。
锐捷网络自2016年开始参与阿里巴巴数据中心网络架构建设,RG-N18000-X系列核心交换机、RG-S6500系列25G交换机和RG-S6220-H系列万兆交换机等产品均已应用于阿里巴巴多个数据中心集群。
未来,锐捷网络将进一步与阿里巴巴携手共进,让永不止步的创新,为中国互联网与云计算产业的发展开山架桥。
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。