ZD至顶网服务器频道 02月04日 新闻消息:NSX-T将网络虚拟化功能引入云原生应用世界。
正如T先生所言,“我可怜那些尝试对接容器,但却没有精确虚拟网络控制能力的傻瓜。”
VMware公司已经公布了一款全新NSX网络虚拟化产品,即“NSX-T”。
根据我们的理解,其中这个“T”代表的应该是“变压器(transformers)”,代表着VMware公司希望借助这款产品将NSX的能力引入容器与微服务。NSX-T亦能够处理多种虚拟机管理程序,而不像NSX的另一子品牌NSX-V那样与vSphere紧密对接。
为了理解虚拟巨头发布NSX-T的原因,我们应当首先着眼于其发展历史。这款产品的根源来自NSX-MH(即‘多虚拟机管理程序’),这一NSX类方案基于VMware公司于2012年收购自软件定义网络先锋厂商Nicira的源代码,虚拟巨头也正是借此踏足虚拟网络市场。在Nicira公司发展的数年当中,其并无意以VMware为中心进行产品设计,因此相关方案能够支持多款虚拟机管理程序。VMware公司目前虽然仍继续发布NSX-MH,但却于去年打造出NSX-T 1.0,旨在帮助真正拥有此类需求的客户解决问题。
如今该公司决定在1.1版本当中对代码进行分享,旨在面向“异构端点与技术堆栈。”这一市场宣传口号代表着该产品将能够支持由红帽及Canonical推出的KVM、支持VMware公司自家的Photon Platform云原生应用代码,同时支持OpenStack Newton与Mitaka。
VMware公司还还打造出一套“面向有意尝试容器网络环境并可保障应用程序框架安全性的beta测试项目,其支持容器网络接口(简称CNI)项目。”大家的VMware客户经理显然对此更为了解,因此感兴趣的朋友不妨与其直接联系。
NSX-T的战略目标在于为VMware公司提供另一种能够吸引开发者的产品特质。vSphere与服务器整合/虚拟化对于运营团队而言非常重要,因为他们将能够借此通过管理服务器队列以实现额外的商业价值。最近一段时间以来,企业纷纷要求开发者们能够在应用中实现这种附加价值,从而解决在线业务交互领域存在的现实难题。
相当一部分开发者选择直接在云环境下处理这类问题。VMware公司则更倾向于引导客户在其喜爱的VMware托管基础设施中完成任务,而运营团队亦能够借此获得更理想的安全性、可靠性与治理水平。
VMware公司的容器与云原生应用项目皆是为了帮助开发者更好地对接VMware托管型基础设施,如此一来运营人员能够继续保持对基础设施的严格掌控,而开发者亦能在此基础上实施DevOps方针、容器以及云方案,且无需面对任何新增技术孤岛。
引入如此酷炫的新特性对于NSX产品家族来讲也是好事一件:微服务能够对容器进行串联,并允许各容器按照需求在虚拟网络上运转,随后在事务结束时自我关闭以保持NSX所一贯提倡的管理性与安全性。
NSX-T因此将继续推动VMware公司对开发者需求的重视,同时亦再次证明了该公司有计划在原有以vSphere为中心的产品设置之外做出新的尝试。
VMware公司还发布了NSX-V的6.3版本,其如今已经能够支持于2016年11月推出的vSphere 6.5。
虚拟巨头还掌握着另一套“新型应用规则管理器与端点监控方案,能够对由操作系统层活动到网络流程的各类环节进行独特的可视化观察,进而实现自动化策略与规则更新,最终改进微划分机制的实现方式与功能”。这听起来很像是VMware公司自己的另一套方案,即Goldilocks安全计划。
另外,还有一些技术成果能够简化多分支软件定义网络的创建流程,并利用提取自HQ的安全规则对其进行补充。
VMware公司上周宣布,NSX预计将能够在2017年年内带来10亿美元营收,这意味着其将成为虚拟巨头旗下的一大业务发展支柱,同时亦证明VMware当初以12.6亿美元收购Nicira公司的举措确实物有所值。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。