今年Aruba ATM大会召开之际,Aruba中国区总经理谢建国、Aruba中国区技术销售总监俞世丹在媒体沟通会上向我们介绍了Aruba如何通过自动化、安全性和敏捷性为企业打造现代化网络。
久经磨砺ESP边缘服务平台
Aruba的现代化网络是建立在一套久经磨砺的ESP边缘服务平台之上。这个边缘服务平台不是一个单一产品,而是一个框架,这个框架在几年来Aruba一直没有改变,而是通过不断调整优化框架里不同的产品和组织方案,让这个框架变得更加成熟。
ESP边缘服务平台框架最主要解决几个问题:一是连接,Aruba要把所有的边缘连接到云端,比如在远程办公中,不管人在哪里,都要实现跟办公室一样的感受,把所有的边缘都连接起来。二是保护,就是安全性。不光要连起来,还要提供零信任的安全,只有符合策略要求的人和设备才能连进网络。通过Aruba的微分段能力,让连进来的用户和设备能够得到最恰当的、恰如其分的授权,实现精确的微分段。三是智能,借助机器学习的算法,提供更多的基于分析和行动的能力,像智能的运维等等,这是Aruba在ESP里面提供三个不同的层次。最后是NaaS(网络即服务),用来提供网络现代化里面所要求的敏捷性,让网络随着业务的发展而伸缩自如。
与SD-WAN融合的AP
为了满足混合办公中的移动需求,Aruba发布了全新的Wi-Fi 6E系列产品。Wi-Fi 6E是Wi-Fi的新标准,把Wi-Fi 6的技术扩展到6GHz的频段,在中国还需要有国家关于6GHz频段的开放,才能在中国使用。但是从产品发展的角度来讲,Aruba现在已经推出了全系列的Wi-Fi 6E的产品了。
此外,对于连接性来讲,更重要的是把各种各样的、各种规模的边缘用最简便和安全的方式连接起来,连接到各种各样的云端,有可能是私有云,有可能是数据中心,也有可能是公有云。在ATM大会上Aruba发布了一个非常重要的解决方案,EdgeConnect SD-WAN Fabric——一个统一的SD-WAN平台。这个统一解决方案平台可以适合各种各样不同规模的分支站点,包括移动中的终端。
在SD-WAN Fabric里面,通过EdgeConnect这个非常优秀的、非常领先的SD-WAN的解决方案产品线与Aruba Central的整合,让用户在Central上可以看到和管理到Aruba的Edge Connect的产品。并通过SD-WAN Fabric可以在SilverPeak EdgeConnect各种网关之间实现互通,进行混合组网。在数据中心、AWS云端、阿里云云端,都可以部署Aruba的Silver Peak EdgeConnect Enterprise。然后可以根据站点规模的需要来选择不同的产品,跟这些云端的EdgeConnect进行互联,通过Aruba Central进行统一的管理。
自动实施安全配置的Aruba Central NetConductor
在安全方面,Aruba Central新增了两个服务,一是Cloud Auth,二是Aruba Central NetConductor。它通过图形化的方式,它可以让用户非常方便的在全网进行配置,包括角色和策略自动的生成和分发,不需要登录在每一台设备上做相关的配置,只需要通过Aruba Central NetConductor轻点鼠标,就可以帮企业自动生成配置,然后自动分发到所有的设备上去,让整个网络的配置和管理变得非常的容易。
同时,通过Aruba Role-Based的防火墙,以及基于DPI的应用识别,在Aruba的交换机上可以实现针对不同用户和终端的动态隔离。当用户终端连接到交换机端口上的时候,可以根据Aruba Central NetConductor下发的配置和指令实现不同终端、不同用户之间的微分段,同时给他们分配相应的权限、相应的角色、相应的策略,通过这个来进行动态的控制。
内置DPU芯片的CX-10000交换机
此外,为了满足数据中心网络业务应用需求Aruba还推出了内置DPU芯片的CX-10000交换机。它通过内置在交换机里面的DPU芯片,在每个机架的内部提供分布式的状态化服务。能够让状态化的服务通过分布式的方式部署到每个机架里面,同时避免在每个服务器里面加装DPU板卡带来的额外成本。CX 10000交换机带来的最典型的价值是可以很大幅度提高服务中心网络性能,不需要把所有流量全都送到专门用于提供服务的Leaf节点,也不需要在每个服务器里面插基于DPU的智能网卡,成本只有以往的三分之一,并具备很好的扩展性。
Aruba还推出了全球首个能实现自我定位的无线网络,利用802.11mc FTM技术可以实现1-2米的精准定位,以及可以部署在Zebra手持终端内的Aruba UXI for Zebra软件传感器,能够协助企业更好支持基于ZEBRA手持终端的各项业务。
最后俞世丹总结了Aruba的目标:第一,要让边缘更加容易连接到云端,通过在WLAN、LAN以及SD-WAN的全面布局,为用户提供更多、更灵活的连接选择。第二,要让安全推到企业的边缘,只有在边缘接入、有控制,才能真正的称为端到端的安全防护。第三,所有的工作要变成自动化,不能靠人工去操作,所以通过Aruba Central NetConductor就实现了自动化的操作能力。第四,提供更加敏捷的网络,业务在不断发展和变化,网络必须具有足够的敏捷性来实现对业务的支持,必须能够做到伸缩自如。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。