ZDNet至顶网服务器频道 12月17日 新闻消息:
一、用户介绍
浙江华通云数据科技有限公司(下面简称华通)主要从事于云计算基础设施以及政务云、企业云、个人云、CDN等云计算产业应用服务和运营。通过云数据中心、全国骨干网络、CDN网络和各种云应用,向通信运营商、服务提供商、互联网企业以及互联网终端用户提供云计算产业所带来的各种应用和服务。
华通的主营业务均依托于网络,近年华通业务规模不断拓展,保障业务正常运行成为运维管理的难点工作,在设备上线之前,运维人员每天需要处理大量的运维故障,经过大量的救火式的故障排查和处理之后,他们发现绝大多数的故障均可以通过合理的业务调度加以规避,那么怎样提高华通业务调度优化能力,增强网络的可用性和可靠性成为华通急需解决的现实为问题。
二、需求分析
华通需要面临的主要挑战:
◆如何对业务进行行之有效的分析和监管,实时了解每个客户(各个广电)与业务(优酷、百度影音、迅雷等)流量交互情况。并根据用户对资源的消耗情况,提出业务优化建议,如增加租用主机、扩带宽等,利用有限的资源为用户提供更多的增值服务?
◆如何了解网络流量的流量流向,当老业务需要调度或者新增业务时,如何为业务的合理调度提供有效的数据支撑,优化业务调度能力,为用户提供持续、稳定、高效的优质服务?
◆当故障产生时,如何减少网络恢复时间(MTTR),最大限度的减少由于故障带来的损失?
◆如何对全网流量进行监管分析,区分关键性业务,并根据业务的性质,提供差异化服务?
三、解决方案
设备选型:选用东华流量分析系统产品解决方案。
◆流量分析管理机
◆流量分析采集机
设备部署:
根据用户要求系统分析能力要能够弹性升级的特殊要求,我们采用“分布式部署,集中式管理”的部署方式,当业务增长,而现有系统性能无法满足数据分析需求时,可通过增加采集机来达到提升平台性能的目的。
在我们给出的方案中,所有的设备均采用旁路部署,在不改变用户网络基础架构的情况下,实现对华通所有网络流量进行分析,华通是以提供云服务为主营业务的服务提供商,对于用户流量的使用情况,其中包括带宽,流量大小,流量类型等信息非常的关注,东华流量分析系统能够以业务分析为中心,对全网流量进行关联性分析,针对华通的业务数据进行实时分析和历史流量统计,通过多维度的数据深度挖掘,不仅能够帮助华通提升运维部门对网络流量的透视能力,规避因业务部署不合理导致网络拥塞甚至网络中断的严重运维故障,从而全面提升运维部门的业务调度能力;在安全性方面,东华流量分析系统能够对流量进行实时、长期的监控,不仅能够帮助华通快速定位网络故障,还能够通过长期的历史统计信息进行趋势分析,为华通的网络故障提供预警功能,从而最大限度的降低因为故障而产生的损失;通过东华流量分析系统,华通可通过准确获得的网络流量流向信息进行趋势分析,为用户进行业务升级,如增加租赁主机、扩带宽的服务提供科学的数据支撑,在保证华通客户的业务的可用性的同时,还能提升自身的品牌形象,增强服务能力,增加运营收入。在我们针对华通网络流量分析的解决方案中,无论是在华通运维部门业务调度、网络故障处理等对内运维管理方面,还是在华通提升对外的客户服务水平方面,东华流量分析系统均产生了极其重要的作用。
四、客户收益
◆灵活全面的智能流量分析解决方案,支持集中管理部署;
◆针对华通网络的流量分析统计,充分展华通流量特征;
◆有价值的流量分析报告数据,为管理层提供更好的决策支持;
◆专家级的异常流量分析及告警策略。
好文章,需要你的鼓励
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
KAIST AI团队通过深入分析视频生成AI的内部机制,发现了负责交互理解的关键层,并开发出MATRIX框架来专门优化这些层。该技术通过语义定位对齐和语义传播对齐两个组件,显著提升了AI对"谁对谁做了什么"的理解能力,在交互准确性上提升约30%,为AI视频生成的实用化应用奠定了重要基础。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
乔治亚理工学院和微软研究团队提出了NorMuon优化器,通过结合Muon的正交化技术与神经元级自适应学习率,在1.1B参数模型上实现了21.74%的训练效率提升。该方法同时保持了Muon的内存优势,相比Adam节省约50%内存使用量,并开发了高效的FSDP2分布式实现,为大规模AI模型训练提供了实用的优化方案。