VMware正在构建软件定义的广域网工具产品组合,以推进“虚拟云网络”愿景——跨多个云平台连接和保护应用、数据和用户。
虚拟云网络是VMware混合云战略的一个关键要素,该战略旨在促进企业应用和工作负载跨各种公有云、边缘平台和私有数据中心之间的迁移,目的是在所有这些环境中提供一致的体验,而且这只能通过软件定义的方法来实现,让所有网络服务实现自动化。
VMware高级副总裁、网络和安全业务部门总经理Tom Gillis本周一在新闻发布会上表示,有客户向VMware反馈“我想要在我的私有云数据中心实现公有云的体验”。
为此,VMware宣布推出了新的NSX Advanced Load Balancer,并将其称为一种“分布式应用交付控制器”,用于在计算资源之间统一分配工作负载以优化网络效率、可靠性和容量。NSX Advanced Load Balancer本质上是一个虚拟设备,将负载均衡与高级分析监控工具结合在一起,智能地实现连接的自动化。
VMware还表示,将通过类似于AWS和Google Cloud公有云这样的新架构提供超大规模SD-WAN。VMware新推出的VMware SD-WAN by VeloCloud可以访问所有主流公有云平台上的数千个网关,让客户能够自动地、动态地增加应用流量,而无需重新配置网络。
VMware还在用于解决网络问题的vRealize Network Insight和NSX Intelligence工具中增加了新的分析功能。最新版本的vRealize Network Insight提供了从数据中心到网络边缘的物理和虚拟基础设施可见性和故障排除,并新增了对VMware SD-WAN、AWS、VMware Cloud on AWS和Azure的支持。
此外VMware推出了一款全新产品NSX Intelligence,可为网络和应用安全团队提供跨数据中心的持续可视性,以便在数据包级别提供对虚拟化工作负载的洞察,从而实现直观的、自动化的网络和安全策略生成和实施。
Gillis表示:“VMware已经成为下一代软件定义网络和安全领域事实上的领导者,为应用、数据和用户提供一致的、无处不在的连接和内在的安全性。我们的高级分析功能提供了让虚拟云网络易于操作所需的可见性和故障排除功能。”
从本质上讲,他说“这就是一键式的公有云体验”。
VMware今天还表示,将扩展Telco and Edge Cloud产品组合以便为电信网络提供实时智能性,为电信提供商、网络边缘和物联网应用提供更好的自动化和安全性。
在电信方面,VMware表示正在为通信服务提供商更新用于跨物理和虚拟网络监控和管理的Smart Assurance平台。VMware表示,将更新该平台增加一种“实时深度学习引擎”,有助于优化CSP的网络体验。VMware从最近收购的Uhana初创公司获得了这些深度学习功能。
VMware Smart Assurance还集成了最新版本的VMware Integrated OpenStack,使电信公司能够在多云环境中建立一套一致的策略。VMware表示,将提供服务影响和根本原因分析,同时提供物理和虚拟OpenStack网络以及多云网络的可视性——这本质上是一种自动化的运营智能方法,可降低服务影响和运营费用。
此外VMware表示,将推出一个新的Telco Edge Reference Architectur,详细介绍设计和部署构建在VIO和VMware vCloud NFV基础设施之上的、基于边缘的云网络最佳实践。该架构旨在使CPS能够建立一个让他们能够从集中式数据中心管理多个边缘的网络。
最后,VMware发布了用于管理网络边缘物联网设备的Pulse IoT Center平台本地版本。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。