企业网络软件由于各种各样的应用痛点而进展缓慢,不过好在这些挑战并不难克服。企业在采用网络软件技术方面动作要比电信服务提供商慢。
事实上,根据Doyle Research的数据,企业应用只占不到40%的SDN和网络虚拟化总开支。企业应用的障碍包括缺少清晰的业务驱动力、已知的风险和不知道应该相信哪一种技术策略。
企业网络软件不仅仅只有SDN
网络软件包括SDN和虚拟网络元素,如有特殊作用并且与底层网络硬件分开购买的4-7层设备。
事实上,网络软件包括各种各样的用例,如数据中心网络连接、路由、交换、WAN优化、应用交付控制(ADC)、网络监控与管理和网络安全。目前,几乎每一个4-7层网络设备供应商都推出了虚拟设备产品。
企业网络软件的痛点源于成熟度不够
许多大型企业目前都在评估网络软件的部署,但是他们也害怕(Fear)、不确定(Uncertainty)和怀疑(Doubt)(FUD)技术的成熟度。实际上,他们希望保证自己能选择到“正确的”架构,然后与可信的合作伙伴来升级自己的网络。
云服务提供商通常都在全新部署时采用软件方法;与之不同的是,企业必须考虑新技术对于他们遗留网络及目前仍在使用的大量应用程序的影响。
消除企业网络软件应用的障碍
下面是一些消除现有企业网络软件应用障碍的方法:
• 证明业务案例:提供现有公开的网络软件实现例子,清晰说明其业务优点和挑战。
• 遗留网络集成:行业需要开放地处理遗留网络环境中管理新SDN/虚拟网络元素的挑战。
• 提供用例:在快速销售网络软件中,供应商通常会忽略一些具体、重要的用例,它们将反映该软件确实有清晰的优点,并且相对容易实现。
• 支持多供应商互操作性:所有大型企业都会使用多个网络与安全提供商的产品。网络软件实现必须要证明能够与主流提供商设备实现互操作,如思科、VMware、F5等。
理解多种网络软件选择
或许使用软件网络的最大障碍是不知道如何选择种类繁多的技术方案。首先,需要考虑下面这些关键技术:
• VMware NSX:NSX是一个数据中心网络软件堆叠技术。它最初的应用需求来自于安全性(微分段)。VMware说它已经有250多个NSX付费客户。
• 思科APIC:应用策略基础架构控制器 (APIC)支持数据中心网络的自动分配和管理。在较早的版本中,思科说它已经有200多个APIC客户。
• OpenDayLight:ODL是一个网络可编程性的开放控制平台,它以软件方式实现各种网络服务。ODL可以实现为开源软件,或者从许多的网络提供商获取。
• 网络软件独立软件供应商(ISV):IT经理可以从几十个网络软件提供商选择技术方案,他们提供了各种控制功能,其中包括白盒交换机、路由、WAN优化、ADC和网络监控等。宣布已经有客户的ISV包括Adara、Big Switch、Brocade、Cumulus、Nuage、Pluribus、Plumgrid、Sideband和Viptela。
企业网络软件案例研究
虽然现在还是企业网络软件的应用初期,但是仍然有许多大型组织已经成功实现了网络软件,包括全新部署和遗留环境。例如,金融服务公司Lucera已经在其数据中心和WAN中实现了SDN。
在2014年10月举行的ONUG(开放网络用户小组)会议中,工程公司MWH Global说明了它是如何将其MPLS网络更换为虚拟WAN。同时,还有许多其他的大型企业在会上介绍了自己正在进行及计划的数据中心与LAN的网络软件实现。
OpenStack驱动网络软件
OpenStack部署带动的重大发展势头在最近已经成为热点新闻。但是,OpenStack中相对较弱的网络功能将会成为未来几年内网络软件部署的重大推动力。实现OpenStack的IT经理很可能会向商业网络软件提供商寻求他们所需要的虚拟网络功能。
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。