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
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。