——浅谈多供应商、多运营商网络中的挑战和机遇
康普北亚区技术总监吴健
回望数据中心的发展,过往的数据中心的角色和设计的边界是清晰和明确的。本地服务区域通常会覆盖周边150英里(约240公里)左右。在数据中心内部,计算和存储容量等资源,以及数据中心接入运营商网络的链路都是基于可预测的流量负载而设计的。
这在多租户数据中心(MTDC)中更是如此,其物理位置的设立通常取决于租户对低延迟的要求。例如,对于需要低时延访问的证券交易所来说,更接近该证券交易所的MTDC对于企业而言就更具价值。通常用户的位置定义了网络的边缘,而数据中心的位置则更多地取决于用户对低延迟的要求。但是这一现状正在发生很大的改变。
随着5G和物联网部署速度的加快,催生了一批对超高可靠性、超低时延的网络应用需求。其影响之一就是传统本地服务区域的缩小,从而促使数据中心往网络边缘转移。如今,这两者间的界限,甚至角色与分工都开始变得模糊。
当然,这不完全是新的趋势。近年来,内容提供商在用户侧不断增加资源的部署来支持内容高速缓存,从而优化存储能力并降低延迟。如今其他类型的网络也在效仿这种做法,并已有典型的应用案例。对MTDC而言,当务之急是重新定位,而一直以来被不断下降的ARPU(每用户平均收入)所困扰的运营商也在更加活跃的边缘计算里寻找新的机会。
物联网机器对机器(M2M)时延的要求,以及数十亿联网设备未来产生的海量数据对网络容量提出了更高的要求。换言之,增加网络容量至关重要。然而,可部署的光纤量有限,运营商需寻找其他增加带宽的方法。波分复用可能是解决该问题的方式之一,而另一种方法则是持续缩短数据支持的边界。
缩短数据支持边界的方案有很多。从网络设计的角度来看,运营商需要持续增加数据中心和边缘计算之间东西向的流量,而非依赖更长距离的南北向传输。同时该方案需要更多的并行链路,以满足对可靠性的更高要求。
无论如何,网络都需要不断地增加边缘处部署的资源,从而提升本地数据处理能力。这不仅能够让本地设备满足超高可靠、低时延的需求,还能有效节约带宽。
上述边缘处所发生的变化,以及缩短数据支持边界,扩大网络融合和增加边缘处部署的资源都将影响MDTC的设计,并在一定程度上影响其扮演的角色。随着网络服务区的缩小,部署于边缘的资源将能够比传统的区域性MTDC方案更好地应对高性能要求。此外,对更低成本、更小占用空间和更小型服务区域的需求也将进一步对当前MTDC业务模式带来挑战。
随着运营商和内容服务提供商努力适应这一新的环境,云将发挥关键性作用。通信服务提供商将更青睐大型云部署,而小型云将在边缘占据主导地位。其主要挑战在于,如何在多个地理位置上扩展分布式云结构,同时提供服务自动化并保持网络安全控制。
虽然穿梭于边缘和核心数据中心之间的数据流量类型将发生变化,但其对当前软件和控制系统的影响将很有限,而基础设施尤其是光纤部署量亟须改变。边缘到核心的流量将带动高速以太网的需求,同时随着不断升级的高密度光纤和高密度配线系统的出现,光纤将成为制胜关键。
未来,伴随大容量、长距离传输需求,可大幅度提升带宽的波分复用应用,包括粗波分复用(CWDM)和密集波分复用(DWDM)等,一定将发挥重要作用。
需要注意的是,这些新一代网络的建设并非从零开始。运营商将以现有网络为基础进行建设,从而形成一个新旧混用的混合型多供应商系统。网络基础设施的情况复杂,要建成完善的体系任重道远。但在建成之后,将会呈现一个更高效、更简化,并能够不断成长且适应未来需求的新型网络。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。