至顶网网络频道 03月21日 国际消息: 近日Facebook对外公布了一个名为Fabric Aggregator的分布式网络系统,该系统用于扩展其区域内数据中心结构之间的网络容量。
Fabric Aggregator设计使用了简单和开放的构建模块——例如Wedge 100,Facebook的架顶式网络交换机,以及FBOSS(基于Linux的操作系统),这种设计提供了快速调整容量所需的灵活性。
Facebook在一篇博客文章中解释说,因为要修建第12个数据中心,并且要把原来位于Papillion、Nebraska的两座建筑扩展至六座,所以需要具有一定的灵活性。Facebook的数据中心覆盖范围正在不断扩大,以适应更多沉浸式内容,例如实时视频、360度照片和虚拟现实。
为了提供更高的灵活性和操作简单性,Facebook为Fabric Aggregator开发了一个布线组装单元,该单元模拟底板在经典机箱设备中提供的功能。换句话说,这个单元提供了Fabric Aggregator构建块之间的互连。
Facebook在博客文章解释说:“通过这种方法,我们可以扩展容量,互换构建块,并随着我们的需求变化快速更换电缆组件。”
Facebook设计了四种不同的布线配置,并通过Open Compute Project开放了这种设计。
同时,Fabric Aggregator节点(复制带宽单位以满足聚合层的总体需求)实现了两层交叉连接体系结构。下层负责切换区域传输流量(东/西),而上层负责切换往返这些区域的传输流量(北/南)。
Facebook在博客文章中称:“我们将该解决方案分成两个不同的层,这使得我们在流量需求发生变化时,能够添加更多的子交换机,从而单独扩展东/西和南/北的容量。”
Facebook解释说,这种构建块的方法可以在子交换机或节点级运行,提供了灵活性和安全性。“Fabric Aggregator层可能会同时发生很多故障,而不会影响网络的整体性能。”
好文章,需要你的鼓励
随着大语言模型在人工智能时代展现强大力量,可穿戴设备成为收集人体数据的重要载体。通过实时监测血压、心率、血糖等生命体征,结合AI边缘计算能力,医疗正向个性化转型。基因治疗、数字孪生技术让每个人都能拥有专属的医疗数字化身,实现从"报销型医疗"向"创新循证医疗"的转变,为疾病预防和健康管理带来革命性突破。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
在巴黎举办的欧洲开放基础设施峰会期间,专门用一整天时间讨论VMware迁移问题。博通收购VMware后许可证价格上涨,导致客户运营成本大幅增加。开源开发者展示了将VMware虚拟机迁移到开源替代方案的产品。Forrester分析师指出VMware客户对此感到信任破裂。OpenStack等开源解决方案虽然复杂度较高,但提供了健康的开源生态系统替代方案。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。