——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
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。