哈萨克国立欧亚大学(Eurasian National University ,以下简称ENU大学),位于首都阿斯塔纳,依总统令而建,是哈萨克斯坦两大重点高校之一,先后有26个国家的元首前往访问并作演讲,在当地被称为“总统大学”,根据2016年 QS 世界大学排名显示,ENU大学进入世界优秀大学前 450 名,ENU大学现有 12个系,61个本科教学专业、64个硕士研究生专业、29个博士研究生专业。目前在校学生超过了12000名。
ENU大学校园网已经使用了接近10年,随着师生的规模不断增加,校园各种智能终端数量达到了30000+,原有的无线网络设备不堪重负,经常出现网速过慢、接入困难等情况;对于重点实验数据传输、高清视频会议等业务,对网络的可靠性要求高;
目前的网络存在有线、无线网络分离、分散认证管理,运维管理复杂,如何简化网络的运维管理,将运维管理人员从繁琐的设备配置、升级维护、故障定位中解决方案,也是网络急需解决的问题;
移动化的教学使得师生需要访问不同院系的数据库,同时1.2万师生账号管理以及1300+ IT账号变更,也给运维人员带来了巨大的配置修改工作量;为了避免学生长时间沉浸于上网而影响学业,校方需要基于时间或流量动态调整学生的上网策略,确保学生能平衡好学习和娱乐的时间。
全场景Wi-Fi解决方案,打造全无线校园
对于普通教室、图书馆、办公室、会议室场景,原有无线接入点仅支持802.11a/b/g协议,在使用高峰期人均带宽只能达到300kbit/s,根本无法满足教学资源下载及视频会议的需求;华为802.11ac无线接入点AP5030DN无线带宽可以达到千兆,人均带宽可达2Mbit/s,性能提升了十几倍,学生可以轻松访问教学视频资源,彻底摆脱视频卡顿,下载过慢的问题。
同时对于师生较为密集的图书馆和食堂,最让师生苦恼的还不仅是网速慢,终端接入也十分困难,校方曾经尝试通过增加AP数量来缓解这一问题,但效果并不明显,因为问题的根源在于单纯增加AP数量反而导致AP间的干扰更加严重;
华为WLAN产品采用针对高密场景定制的自动射频调优及高密加速特性,通过自动信道调整、多用户冲突控制、airtime公平调度等手段有效解决师生上网体验差的问题。
CSS2集群:打造不中断的无线校园网
核心层交换机采用交换网集群CSS2(Cluster Switch System 2)技术,支持主控1+N备份,集群系统中只要保证任意一框的一个主控板运行正常,多框业务即可稳定运行;接入层交换机分别使用iStack技术,从逻辑上组合成一台交换机,通过集群+堆叠的无环网络方案保障网络可靠,再通过设备本身99.999%的电信级可靠性,综合保障校园网应用的稳定运行。
有线无线深度融合的敏捷校园,极致简化运维管理
融合转发:原有有线、无线两张网的架构,对运维、管理及维护人员要求较高,且故障定位难度大、周期长。敏捷交换机S12700采用随板T比特AC,通过自研ENP芯片全可编程能力真正实现AC能力,有线、无线在转发、控制、管理层面融为一体,有效的解决了现网中有线、无线网络独立控制和转发的带宽瓶颈问题。有效的解决了现网中有线和无线网络独立控制和转发的突出问题。
融合管理:敏捷交换机把接入层交换机也管理起来,有线无线采用一种协议,通过CAPWAP隧道实现一致的管理机制,实现接入交换机即插即用,降低信息中心老师日常工作中的管理复杂度。
集中用户管理:认证点统一部署在S12700上,师生在校园实现有线无线统一认证,同一帐号能够实现有线无线的切换,师生通过802.1X以及配合MAC记忆的方式,支持在不同场景下进行不同的接入认证,有线无线统一认证,减少账号配置管理工作量。有线和无线用户在后台体现为一套认证系统,统一安全策略,统一计费,并可以配合使用第三方计费平台通过Radius协议进行时长/流量或组合的计费。
正是由于华为对教育行业需求和网络的深刻理解,并通过自主研发的产品,为ENU大学打造高可靠、大带宽、易管理的敏捷校园网络,高效承载了学校的教学、科研和管理,使得广大师生的有线无线接入带宽分别提升高达10~20倍,网络维护工作量下降70%以上。
截止目前,华为已在全球多所高等院校实现规模应用。未来, 华为将凭借在ICT领域的深厚技术积累和在教育行业的创新解决方案,更好的服务全球客户,引领新ICT建设,将优质的教育资源和服务实现全球共享。
好文章,需要你的鼓励
AI正在彻底改写创业规则:YC最新数据显示,10人团队12个月达成千万美元营收已成常态,"氛围编程"让技术不再是瓶颈,而创始人能否深度理解客户需求成为成败关键。当6人团队就能创造八位数收入时,我们看到的不仅是速度革命,更是对公司本质的重新定义。
这项由阿伯丁大学和格勒诺布尔阿尔卑斯大学研究者联合完成的研究揭示了大语言模型处理日期时的关键问题:现代分词器常将日期分割成无意义的碎片,如"20250312"被切分为"202"、"503"、"12",这严重影响时间推理能力。研究提出了日期碎片化率指标,创建了DATEAUGBENCH测试集,并通过内部机制分析发现,大型模型能在早期层快速"修复"碎片化日期,但其推理路径与人类理解方式显著不同,这解释了模型在处理非标准日期时的准确率下降。
MUG-Eval是KAIST和Trillion Labs联合开发的创新多语言评估框架,通过让语言模型在目标语言中进行自我对话来评估其生成能力。该方法独特之处在于不依赖语言特定工具或人工标注数据,而是通过任务完成率间接衡量语言能力。研究团队测试了8种顶级语言模型在30种语言上的表现,发现其结果与传统评估方法高度一致(相关系数>0.75)。MUG-Eval揭示了模型在低资源语言上表现显著落后,并发现英语并非评估低资源语言的最佳替代。该框架理论上支持2,102种语言,为真正包容的AI评估提供了新途径。
浙江大学研究团队开发的"自制动力训练"(Self-Braking Tuning,SBT)方法解决了大型语言模型在推理过程中的过度思考问题。该方法不依赖外部干预,而是培养模型自主识别冗余推理并适时终止的能力。研究者通过分析推理效率比率和过度思考标记比率,构建了两种数据策略:SBT-E(精确版)和SBT-D(动态版)。实验结果表明,经过训练的模型在多个数学基准测试上保持原有准确率的同时,将标记消耗减少了30%到60%,显著提高了推理效率。这项创新使AI系统能更像人类一样有效思考,为资源受限环境下的AI部署提供了新解决方案。