五款全新Wi-Fi 6认证接入点将Wi-Fi 6推向主流
中国上海,2020年6月9日——康普公司近日宣布扩展旗下支持Wi-Fi 6技术的接入点(AP)产品组合,以助力在密集连接的环境中,实现更高的数据速率、更大的网络容量、更高的电源效率以及更佳的性能。
继去年推出全球首款Wi-Fi 6认证的RUCKUS R750接入点之后,康普此次新增了R850,R650和R550室内AP以及T750和T750SE室外AP。这些接入点均通过Wi-Fi 6认证,并针对高密度连接场景(如校园、酒店、机场和体育场等场所)进行了优化。
如今,无线网络不仅包括Wi-Fi,还包括多种不同的IoT无线技术,涵盖如资产追踪、智能门锁等多种应用。这也导致了无线网络难以管理、成本昂贵且彼此孤立存在。康普推出的全新AP产品组合率先采用了端到端的融合架构,解决了网络重叠覆盖的问题,且通过SmartZone网络控制器、ZoneDirector、RUCKUS Cloud和RUCKUS Unleashed等多种管理方式,能够节省成本并方便管理。此外,这些新的AP还能通过RUCKUS Analytics,借助机器学习和人工智能技术,全面实现网络智能。
韩国东国大学庆州校区信息规划系主任Eunhyun Kim表示:“随着以视频为主的学习方式得以普及,无论是通过远程、身在外场、还是教室或宿舍,我们韩国庆州四个校区的11000多名学生都希望拥有更佳的Wi-Fi连接体验。作为韩国国内最负盛名的私立大学之一,我们借助康普的RUCKUS产品组合,始终能够从容地应对学生群体不断提升的网络需求。”
Huntington ISD技术总监Jeff Baird表示:“师生和管理人员希望我们能够积极响应其需求,我们对供应商的期望也如此。由于旧版网络无法提供支持,我们已不再使用Chromebook进行在线测试。主管部门希望一切都能稳定有序地运转。他们身处一线,此前一直会收到老师和家长的投诉,而自从我们改采用RUCKUS产品之后,就没再收到投诉了。”
RUCKUS AP中采用的BeamFlex技术以及超高密度技术套件,让韩国东国大学庆州校区和Huntington ISD等客户能够满足其用户的需求。BeamFlex是一项专利技术,可实时自动地调整天线模式,将干扰阻碍降至最低,同时为每台设备提供最佳性能。RUCKUS超高密度技术套件是指一系列功能和技术的集合,致力于在超高密度连接环境中改善网络性能和最终用户体验。这些独特的技术以及我们与合作伙伴和供应商的良好合作关系,使RUCKUS产品组合能够从众多解决方案中脱颖而出。
Qualcomm Technologies, Inc.副总裁兼无线基础设施与网络业务总经理 Nick Kucharewski表示:“Qualcomm Technologies推出的Wi-Fi 6网络平台,旨在通过先进的Wi-Fi 6技术,应对拥堵的、最具挑战性的网络环境需求。我们认可康普积极拥抱Wi-Fi 6核心功能及其不断创新的步伐,基于Qualcomm Networking Pro系列平台,RUCKUS Wi-Fi产品组合能够提供高性能的网络接入体验。”
屡获殊荣的康普RUCKUS接入点产品组合现包括:
R650和T750已于2020年第一季度开始出货,R550和R850将于2020年第二季度开始出货,T750SE将于2020年第三季度开始出货。
康普RUCKUS系列产品管理高级副总裁Bart Giordano表示:“作为业界领先的企业级解决方案,康普RUCKUS采用独特专利技术的全新Wi-Fi 6接入点能够满足不断增长的连接需求。我们持续投资于企业级Wi-Fi领域,加之最近推出的RUCKUS Analytics,我们已经得到了客户的积极反响。”
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。