HPE Aruba Networking推出全新的2.5GB交换机和Wi-Fi6接入点,以满足中小企业客户对安全性和带宽密集型云应用的更高需求。
印尼巴厘岛 – 2023年9月19日 – 慧与科技(NYSE: HPE)今日宣布推出两项创新产品,旨在帮助中小型企业(SMB)以更快速、更高容量和更安全的网络性能提升客户体验。
图1:Aruba Instant On 1960堆叠式交换机
图2:Aruba Instant On AP22D Wi-Fi 6接入点
HPE Aruba Networking推出全新Aruba Instant On AP22D Wi-Fi 6接入点(AP)以及具备2.5GB端口容量的Aruba Instant On 1960堆叠式交换机,两项全新产品将助力中小型企业员工进一步优化网络性能,并为其客户、访客,及物联网设备提供更加顺滑流畅的使用体验。
随着越来越多的中小型企业正在将工作负载迁移到云端,同时对数据密集型应用(例如在终端设备上播放流媒体视频)的使用也在不断增长,中小型企业对网络性能的要求正在显著增加,同时对网络安全和网络访问管理能力的问题也更加重视。
Aruba Instant On AP22D 接入点与 Aruba Instant On 1960 堆叠式交换机的搭配使用,将成为中小型企业用户应对大规模数据需求,且不断增加联网设备情况下的理想之选。两项全新产品旨在帮助用户无缝、安全地处理日益增多的联网设备产生的海量流量。
HPE Aruba Networking全球中小型企业业务副总裁兼总经理Amol Mitra表示,“中小型企业正在寻找高性能、简单易用、经济实惠,且兼具云敏捷性的网络,以帮助其在扩展业务的同时扩展网络。HPE Aruba Networking利用直观化的移动应用简化网络部署和管理,为中小型企业用户提供简单、智能且安全的网络产品。”
Aruba Instant On 产品组合将使中小型企业能够轻松部署易于设置、管理和维护的高速网络。今日推出的全新产品将以合理的价格提供云优先、直观且可扩展的网络,为HPE Aruba Networking不断推进其边缘到云战略提供支持。根据IDC1的研究预计,大多数中小型企业今年将增加IT预算:
此次发布的创新产品带来多项功能:
Aruba Instant On 1960多千兆堆叠式交换机现已全面接受预定,并将于HPE 2023财年第四季度正式上市。Aruba Instant On AP22D也将于HPE 2023财年第四季度正式上市。
了解更多关于HPE Aruba Networking如何帮助小型企业搭建网络环境,可阅读文章:Always-on networking for always-on SMBs
获取更多Aruba Instant On的产品信息,请访问:https://www.arubainstanton.com/zh-hans/
1来源:IDC于2023年4发布的报告《2023年全球中小企业市场概况更新》,Doc:#US50572423
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。