本月早些时候,美国高尔夫球协会(USGA)举办了2024年美国高尔夫球公开赛,该赛事被广泛认为是职业高尔夫球界最激烈的比赛。鉴于该赛事的高关注度,为其提供支持的基础网络也必须同样强大。
在美国公开赛的周五,思科赞助技术主管Rob Neumann和杰出工程师Matt Swartz向我介绍了在幕后为赛事提供支持的思科技术的情况。
先介绍一下背景,思科从2018年开始与USGA合作,确保最新的技术始终出现在球场上。当时,网络的作用发生了重大变化。二十年前,联网设备很少。如今,一切都由网络驱动。
观众使用带有数字门票的移动设备进入赛场,然后通过网络安防系统。进入赛场后,观众可以在移动设备上查看信息,或在大型数字显示屏上观看比赛活动,从而提升整体体验。
虽然网络对每个人来说都是不可见的,但它却至关重要,因为它为一切提供动力,不仅面向球迷,还包括媒体中心、后台操作、安防等。思科精通体育和娱乐领域,其网络遍布洛杉矶SoFi体育馆、拉斯维加斯Allegiant体育馆和坦帕湾Amalia体育馆等场馆,但高尔夫赛事却带来了一些不同的挑战。
在传统的体育场设计中,人和设备都是固定的。虽然人们可能会光顾特许经营区,但大多数人都是在特定区域观看比赛。而在高尔夫球场,球迷们会随着他们喜爱的球员在球场上成群结队地移动。
Neumann将其描述为“泰格-伍兹效应” (正迅速演变为斯科蒂-谢弗勒效应),即成千上万的人随着排名靠前的球员移动,以便一睹其精彩一击。这意味着思科需要在球场上规划18个 “体育场级”的部署,而不是仅仅部署一个。
要实现这一目标,需要庞大的基础设施,包括220台Catalyst 9K交换机和520个Meraki Wi-Fi 接入点(AP)。更严峻的挑战是,这里没有天花板或其他基础设施来悬挂接入点。走在球场上,我看到有的接入点绑在树上,有的挂在摄像机塔上,有的挂在镜头追踪系统上,有的甚至安装在地面上。
除了基础设施外,网络还使用Meraki Dashboard进行管理,这使得USGA能够捕捉流量统计数据。以下是从网络中提取的一些数据点:
相比之下,网络流量最大的超级碗创下了34.8TB 的最高纪录。大型场馆的音乐会流量则在8 TB 到10TB之间。虽然80TB是一周的数据量,但这表明美国高尔夫球公开赛的网络每天必须支持一个大型场馆的流量,而且观众还在不断移动。
思科为美国网球公开赛提供了网络基础设施,并使用Cisco Firepower Next Generation Firewalls确保环境安全。由于该网络要处理个人数据、金融交易和其他敏感信息,因此必须确保其安全。
此外,锦标赛还使用了运行Webex 的Cisco Video Endpoints,使远程记者能够参与媒体活动。外国记者可以使用Webex采访球员,而无需前往松林球场。
Neumann解释说,在新冠疫情之前,单场美国公开赛的报道多达600多条,但疫情迫使美国高尔夫球协会寻找其他方法,让媒体与球员互动。尽管许多主流体育刊物已经重返赛场,但一些刊物不得不长途跋涉,而一些与这项运动没有直接关系的刊物则选择远离赛场。Webex 提供了一种简单易用、高质量的合作方式。
美国高尔夫球公开赛是一项备受瞩目的体育赛事。选手们必须表现完美才能获胜。同样,网络也必须完美无瑕,才能让当地球迷完全享受赛事,让媒体顺利报道,并让相关活动得以开展。思科的基础设施使美国高尔夫球协会能够完美呈现这一顶级赛事。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。