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
尽管芯片厂商不断推出性能更强的神经处理单元,声称比上代产品快30-40%,但大多数AI功能仍依赖云端处理。专家指出,云端AI模型拥有数千亿参数,而手机NPU只能处理约30亿参数的模型。本地AI处理虽然在隐私保护和可靠性方面具有优势,但受限于内存容量和处理能力,目前主要应用于特定场景。业界正致力于优化模型压缩技术,实现云端与本地AI的混合处理模式。
NVIDIA联合多所高校开发的SpaceTools系统通过双重交互强化学习方法,让AI学会协调使用多种视觉工具进行复杂空间推理。该系统在空间理解基准测试中达到最先进性能,并在真实机器人操作中实现86%成功率,代表了AI从单一功能向工具协调专家的重要转变,为未来更智能实用的AI助手奠定基础。
Hammerspace通过现有NVMe存储最大化GPU使用率。随着AI计算在混合云和多云环境中扩展,基础设施团队面临着加速洞察时间同时最大化GPU投资的压力。Hammerspace Tier 0将GPU服务器集群内的本地NVMe存储转换为超高速共享存储层,性能比传统网络存储提升10倍,减少检查点时间,提高GPU使用率,改善推理响应时间,无需额外存储系统,节省数百万美元成本。
这项研究解决了现代智能机器人面临的"行动不稳定"问题,开发出名为TACO的决策优化系统。该系统让机器人在执行任务前生成多个候选方案,然后通过伪计数估计器选择最可靠的行动,就像为机器人配备智能顾问。实验显示,真实环境中机器人成功率平均提升16%,且系统可即插即用无需重新训练,为机器人智能化发展提供了新思路。