——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
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。