如今,大多数企业都制定了某种多云战略,但在连接到公有云和私有云的时候,仍然面临挑战。互联网提供了尽可能好的网络接入,但是网络质量的不一致,会大大影响应用性能。
通过传统的多协议标签交换(MPLS)连接到互联网,并不能提供类似云、让企业能够纵向向上或者向下的敏捷性。尽管私有云直接互连是最安全、也是性能最佳的连接方式,但需要预先规划容量,而这有可能导致利用率不高和成本上升等问题。
这就是为什么每个采用多云战略的企业组织都需要重新考量网络和连接策略的原因。与其将软件定义的广域网(SD-WAN)视为最后一英里的解决方案,企业组织还不如将SD-WAN与专用网络相结合来实现中间一英里的性能,从而从中受益匪浅。
因此,思科和Megaport提出了一种解决方案,通过自动无缝链接到SD-WAN和多云环境来避免以上所有这些复杂性。
近日,思科SD-WAN产品管理高级经理Vipul Shah和Megaport公司首席技术官Jim Brinksma就联合解决方案接受了采访,采访要点如下:
早在2020 年,思科与Megaport展开合作,大大缩短了将企业SD-WAN站点桥接到云所需的时间。随后两家厂商推出了Cisco Software Defined Cloud Interconnect (SDCI)和Megaport Virtual Edge (MVE)的集成功能,其中MVE是一种按需的、厂商中立的网络功能虚拟化(NFV)服务,可实现分支到云的连接。
Megaport提供网络站点和云之间的私有连接。MVE允许企业组织在Megaport的私有全球软件定义网络(SDN)上托管网络功能,该网络拥有700多个支持Megaport的数据中心以及200多个云入口,可连接到大多数主流云提供商,包括AWS、微软Azure、Google Cloud和Oracle等。
MVE采用了具有网络和计算能力的设备。在计算方面,企业组织可以获得SD-WAN控制器和其他网络功能的虚拟实例。在网络方面,Megaport的私有网络配备了中转网关,让企业组织可以将分支机构连接到云、分支机构连接到分支机构、分支机构连接到数据中心、数据中心连接到数据中心等等。
思科与Megaport的合作,通过一个无处不在的平台简化了整个网络的管理。大多数SD-WAN解决方案都专注于最后一英里,但思科解决了“中间一英里”的问题。企业组织可以使用Cisco SD-WAN vManage控制器,通过一个自动化工作流程部署Megaport底层连接。集成的Cisco SD-WAN Cloud Interconnect/Megaport MVE解决方案可保证服务水平协议(SLA),随时随地将用户和应用连接到任何网络。
Cisco SD-WAN Cloud Interconnect with Megaport的主要用途是连接多云工作负载,该解决方案简化了运行全球网络的运营工作。过去,连接到云提供商需要单独的点对点连接。管理每个云的策略和虚拟专用网络(VPN)通道是一项操作密集型工作,配置云就需要数周甚至是数月的时间。
现在,企业可以通过Cisco SD-WAN vManage控制器在10分钟或更短的时间内,创建接入他们多云环境的网络连接。网络管理员可以从全栈自动化中受益,同时满足低成本、低延迟方面的要求,从而显着降低网络的运营费用(OPEX)。他们可以管理策略并轻松地向上和向下扩展连接。
思科将继续通过Megaport投资SDCI。短期内,客户将看到更多的连接和扩展选项。对于那些连接到多云环境时需要端到端加密的用户来说,他们可以利用思科的云路由器将SD-WAN从Megaport MVE扩展到云中。思科计划在Megaport MVE中为云路由器提供更高的带宽,这对于那些需要规避风险的组织来说特别有利。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。