至顶网网络频道 03月30日 综合消息: 物联网旺盛的市场需求带动了各类技术的繁荣和不断进步。仅就通信技术而言,除了运营商力推的NB-IoT,还有历史更为悠久的蓝牙、LoRa、Zigbee等,这些技术各有特色,分别适用于不同的场景。不同技术给用户带来了困惑,多种方案并存也带来管理的复杂度激增。近日,无线优科网络公司(Ruckus Networks,以下简称Ruckus)宣布推出物联网产品套件,基于IP网将多个物理层的物联网网络整合成一个单一平台,让企业能轻松地建立安全的物联网接入网络。
Ruckus是一家业界知名的网络设备商,在2016年年初被博科收购前全称为Ruckus Wireless,专注于无线网络设备,去年12月被给ARRIS(主营业务为宽带接入)收购,成为ARRIS全资子公司。
值得一提的是,进入ARRIS后的Ruckus除了原来的无线业务之外还带来博科的网络交换机产品线,这可能也是其更名为Ruckus Networks的重要原因。此次是Ruckus首次正式对外发布物联网套件。
“在我看来,进入物联网是我们现有业务的一个自然延伸。因为之前通过WI-Fi, 我们解决了视频、语音、数据的连接,接下来就该连接物品了。”Ruckus Networks中国区技术总监聂小云告诉至顶网记者,而具体路径就是依托其在WI-Fi领域的技术积累,把蓝牙、LoRa、Zigbee还是NB-IOT都整合到IP网络,统一进行管理。
“现在的物联网方案有很多网络,比如,蓝牙有蓝牙的网络,LoRa有LoRa的网络,Wi-Fi有Wi-Fi的网络,Zigbee有Zigbee的网络……不同网络成为一个个孤岛,相互是隔离的,部署成本非常高,信息共享非常困难。”聂小云说。
Ruckus的方法是在Wi-Fi网络中加入IoT模块以后,变成统一的接入网络。这是因为Wi-Fi网络是企业的标配,几乎无处不在。
聂小云透露,虽然现在才有物联网套件推出,但Ruckus其实早就有所准备,几年前Ruckus的无线AP中就预留了一个USB的接口,通过这个接口可以接入各种IoT的模块,比如可以是蓝牙的、Zigbee的,也可以是LoRa和NB-IoT。一旦接入,这个AP也就成为物联网的一个接入设备了。
“从原理上来讲,这里可以插任何厂家的模块,只要有驱动就可以。我们自己生产了一个模块,现在这个模块支持蓝牙和Zigbee,后面下半年会有LoRa。”聂小云说。
据悉,Ruckus 物联网套件(IoT Suite)包括如下组成部分:
Ruckus IoT-ready 接入点(AP)——容纳Ruckus物联网模块的接入点,为Wi-Fi和非Wi-Fi物联网终端建立多种标准的无线接入;把非互联网协议的终端通信转换为互联网协议(IP)。
Ruckus IoT模块——可连接上Ruckus IoT-ready接入点的无线电或无线电感应装置,能根据低功耗蓝牙(BLE)、Zigbee和低功耗远距离无线传输(LoRa)协议等不同标准连接终端。
Ruckus SmartZone控制器——为无线局域网和物联网接入网络提供单一管理界面的无线局域网控制器。
Ruckus IoT控制器——与Ruckus SmartZone控制器同时部署的虚拟控制器,为非Wi-Fi装置提供连接、设备和安全管理功能;促进终端协调,提供北向应用程序接口(API)为整合分析软件和物联网云端服务。
聂小云解释说,把物联网网络纳入IP网的一个明显好处是,这个AP可以给AC管理控制的,对于物联网设备的运行状态可以进行全面监控,比如看它是不是在线、现在状态如何、耗电如何等。
“多个孤岛式的物联网降低了用户体验,也降低了运营效率,Ruckus的物联网套件能提供一个统一的管理平台,不仅解决了不同通信技术的整合,还为公有和私有云创造了一个开放的应用程序接口(API),使合作伙伴们可简单、安全地进行整合。” 聂小云说。
聂小云透露,Ruckus IoT套件将于2018年第二季度上市。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。