近日,全球应用网络领导者A10 Networks(NYSE: ATEN)在美国硅谷宣布其A10 Thunder系列应用交付解决方案已通过微软统一通信开放式互操作性项目(UCOIP),获得Microsoft Lync Server 2013互操作性认证。作为反向代理,A10 Thunder专用硬件设备和基于hypervisor的虚拟vThunder产品优化了微软前端和后端的Lync服务器,提供更多主流的交付服务,如用户认证、网络会议、即时消息、应用共享、联系人列表存储等等。同时,A10 Networks ADC设备也作为负载均衡方案,通过了与Lync服务器协作的测试和认证。
无论是物理形式还是虚拟形式的产品,A10 Thunder ADC解决方案均经过广泛的测试和验证,满足了微软Lync服务器对反向代理服务器互操作性的严格要求,而通过认证。此外,应测试要求,A10 Networks也提供了逐步部署指南等详细的合作伙伴方案文档,以实现更加简单的配置工作。微软UCOIP认证充分说明了A10 Thunder ADC可替代微软Forefront TMG威胁管理网关,作为Lync的反向代理方案。
“凭借提供应用网络工具,我们希望向IT管理员和网络基础架构专家随时随地迅速有效的提供最佳的用户体验。”A10 Networks产品营销总监Paul Nicholson表示,“A10 Networks获得UCOIP 的Lync反向代理方案认证,我们承诺将持续为复杂的企业应用环境提供支持,并提升应用的可用性、安全性和响应能力。”
多年来,A10 Networks与微软密切合作,共同对双方的应用进行优化。A10 Thunder ADC可以帮助微软企业应用,包括Exchange、SharePoint和ADFS(活动目录联合服务)的可扩充性、效能、可用性和安全性。A10 Networks的智能模板、部署指南和通过验证的互操作性更能为微软和其它应用提供全面支持,并简化安装及配置设定。
主要特点和优势
A10 Thunder ADC能为Lync服务器提供一下主要功能与优势:
· 让多台服务器实现流量负载均衡,以增强应用的扩展性
· 通过次秒级的故障切换,实现高可用性
· 应用加速和扩展
· SSL卸载
· 抵御Web应用攻击和网络安全威胁
· 高密度的多租户支持
【扩展阅读】
何为Forefront TMG?
Forefront TMG是一个高级状态检测以及应用层检测防火墙,同时还包括VPN以及Web缓存,使您能够最大化利用现有投资,提升信息安全和性能。它是微软安全战略架构Forefront中的成员,替换原来的Microsoft Internet Security and Acceleration (ISA),成为下一代网络边缘防护产品。
关于A10 Networks
作为全球应用网络领导者,A10 Networks(NYSE:ATEN)致力于为不同规模的客户提供一系列高能效的应用网络解决方案,保障其数据中心实现“应用可达”、“应用加速”和”应用安全“的愿景。A10 Networks于2004年在美国加利福尼亚州的圣何塞(硅谷)创立,凭借多年出色表现,A10 Networks在2013年Gartner应用交付市场魔力象限中打破6年魔咒,成为七年来应用交付市场上唯一一位挑战者,2014年再向领导者象限迈进一大步,坐稳三甲席位。
目前,A10 Networks办事处遍布全球,为了更好的为中国用户提供本地化服务,A10 Networks不仅在中国设立了研发中心、技术服务中心,而且成立了独资企业——上海威实网络科技有限公司,并设立了东、南、西、北、东北、香港等办事处,以专业的团队和最快的速度响应区域市场的需求。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。