Akamai Cloud Wrapper可以缓存云端内容;Akamai Direct Connect提供与Akamai边缘网络相连的私有专用连接
2018年9月20日——负责提供安全数字化体验的智能边缘平台阿卡迈技术公司(以下简称:Akamai)宣布推出两款针对电视广播公司和发行商的全新解决方案,旨在帮助他们解决与云计算相关的难题,并确保向Akamai网络交付高品质源站内容。Akamai Cloud Wrapper和Akamai Direct Connect展示了Akamai Edge在帮助广播公司降低成本、提供高性能广播级品质流媒体方面的能力,并将有效支持后者实施云计算等新兴技术战略。
Akamai Cloud Wrapper可优化公有云基础设施与Akamai智能边缘平台之间的连接,从而在无需更改现有工作流程的情况下,消除在云环境中进行OTT交付的常见障碍。Cloud Wrapper尤其能在围绕集中式云基础设施搭建的Akamai交付网络内为客户提供专用缓存占用空间,旨在最大程度提高源站卸载量和减少源站请求负荷,同时最大程度减少流媒体电视的出向费用(egress fees)。
Akamai Direct Connect可以为管理自有源站基础设施的客户提供与Akamai边缘网络的私有专用连接,提升了交付源站内容的可靠性。两款解决方案均为Akamai直播和点播流媒体服务Adaptive Media Delivery的组成部分。
越来越多的广播公司和OTT提供商迁移至集中式云平台来实现计算和存储效率。然而,随着其内容库的不断增长,他们通常面临着许多与云端交付此类内容相关的挑战。例如,太多的观众流媒体播放请求在云部署中涌至内容源站,对性能造成影响。广播公司和分发商为每项未卸载的请求支付出向费用——具体而言,即那些从源站执行而非Akamai边缘执行的请求。
Cloud Wrapper基于Akamai的分布式边缘网络,可以在客户的云环境之外缓存或存储OTT内容,通过降低抵达源站的用户请求的频率,提高源站卸载量。更高的卸载量意味着广播公司和分发商需要为源站内容的访问向云提供商支付的费用更少。由于Cloud Wrapper能够与Adaptive Media Delivery、Download Delivery和Object Delivery等Akamai边缘交付解决方案无缝协作,因此Akamai可帮助广播公司向消费者提供卓越的观看体验。
运行其自己的基础设施的Akamai广播商客户通常会在内容抵达Akamai边缘之前,通过公共互联网交付电视内容。互联网拥塞会干扰“第一英里”,进而影响流媒体播放效能并推高IP转接和源站成本。
Akamai Direct Connect可将客户的基础设施直接连接至Akamai边缘网络,从而使客户能够充分获益于一致且可靠的一英里性能,最终交付广播级品质观看体验、降低源站IP转接成本,并且能通过限制公共连接保护其源站基础设施。广播公司通过Direct Connect连接至Akamai的网络之后,将能够访问Adaptive Media Delivery以及Media Services Live——Akamai领先的全天候直播线性服务。
Akamai媒体行业和产品市场部副总裁Campbell Foster表示:“虽然Akamai在今年一而再地打破了电视直播流媒体播放流量纪录,但我们认为Akamai还刚处于直播、线性和点播电视流媒体播放迅速盛行的早期阶段。通过推出Cloud Wrapper和Direct Connect等创新解决方案,Akamai致力于在‘采用曲线’(adoption curve)中占据领先地位。我们客户的流媒体播放服务逐渐发展成为他们业务运营中越来越重要的组成部分,Akamai致力于帮助他们充分实现Akamai边缘在他们的工作中所起到的重要作用。”
好文章,需要你的鼓励
在他看来,企业对AI的恐惧源自未知,而破解未知的钥匙,就藏在“AI平台+开源”这个看似简单的公式里。
斯坦福和魁北克研究团队首创"超新星事件数据集",通过让AI分析历史事件和科学发现来测试其"性格"。研究发现不同AI模型确实表现出独特而稳定的思维偏好:有些注重成就结果,有些关注情感关系,有些偏向综合分析。这项突破性研究为AI评估开辟了新方向,对改善人机协作和AI工具选择具有重要意义。
Pure Storage发布企业数据云(EDC),整合其现有产品组合,提供增强的数据存储可见性和基于策略的简化管理。EDC集成了Purity存储操作系统、Fusion资源管理、Pure1舰队管理和Evergreen消费模式等架构元素,提供类云存储管理环境。该方案支持声明式策略驱动管理,让客户专注业务成果而非基础设施管理。同时发布高性能闪存阵列和300TB直接闪存模块,并与Rubrik合作提供网络安全防护能力。
威斯康星大学研究团队提出"生成-筛选-排序"策略,通过结合快速筛选器和智能奖励模型,在AI代码验证中实现了11.65倍速度提升,准确率仅下降8.33%。该方法先用弱验证器移除明显错误代码,再用神经网络模型精确排序,有效解决了传统方法在速度与准确性之间的两难选择,为实用化AI编程助手铺平了道路。