近日,在AWS re:Invent 2020大会上,Aruba宣布了其SD-WAN产品组合的多项新性能。新性能主要来自于Aruba SD-Branch以及最近收购的Silver Peak Unity EdgeConnect™ 解决方案,旨在实现从分支机构到Amazon Web Services(AWS)的集中监控、管理和自动化连接。Aruba SD-WAN产品组合与全新AWS Transit Gateway Connect的集成极大地简化了网络操作和管理,并使客户在连接到Amazon Virtual Private Clouds(Amazon VPC)时,能够跨分支站点保证一致的服务质量和统一的安全策略。这使得分支机构用户可获得稳定的性能和高品质的体验。
为了满足分散的办公地点、移动和物联网(IoT)环境的动态需求,企业希望快速实现网络现代化。那么,他们便需要一种简单的方法来部署、管理和监控跨地域的分支网络,以确保用户的安全性、合规性和应用程序可用性。新的AWS Transit Gateway Connect实现了与Aruba SD-WAN产品组合之间更紧密、更精简的集成,从而加快部署、降低运营成本,并可随时访问性能指标和网络遥测数据。
AWS亚马逊EC2网络副总裁Mayumi Hiramatsu表示道:“在管理AWS的路径时,企业有很多选择,可以根据所使用的应用程序类型和用户所在位置最好地平衡自己的需求。今天,Aruba宣布与AWS Transit Gateway Connect集成,代表了我们与Aruba团队一直以来所做的工作的延续,那就是,进一步简化IT,使我们的客户能够专注于云时代的增长和数字化转型。”
通过采用Aruba和AWS Transit Gateway之间的本地集成,客户可以获得安全性、简便性,以及更高的速度。AWS Transit Gateway Connect内置的新功能可以帮助客户实现如下优化升级:
Verisk Analytics,Inc.是一家领先的数据分析提供商,为保险、能源和金融服务市场的全球客户提供服务,是创新型公司拥抱全云愿景的典范。Verisk所构建的企业基础架构,以统一的、云原生的方式,为员工和客户提供无缝、现代的用户体验。通过使用Aruba SD Branch解决方案和AWS Transit Gateway,Verisk能够将其网络基础架构技术整合到一个集成的、自动化的SD-WAN平台中,并将其所有应用程序和工作负载迁移到AWS。如此可以简化管理,提高整个网络的可视性,并使Verisk能够通过逐步淘汰物理数据中心节约成本。
“我们的IT基础架构必须要不断的发展,以支持快速增长的业务。而向基于云的基础架构过渡,是朝着正确方向迈出的一大步。” Verisk网络工程经理Sophie Twu说道:“AWS和Aruba集成解决方案的优点包括:对所有网关、交换机和无线接入点进行可靠的连接,以及冗余和集中管理,并能够在远程站点部署设备。我们认为,Aruba技术与全新AWS Transit Gateway Connect功能的最新集成,可以进一步简化网络的部署和管理,以及将远程分支机构连接到AWS。”
Aruba于今年年初收购Silver Peak,为寻求或正在向云优先架构过渡的客户提供了更多的选择。Silver Peak Unity EdgeConnect SD-WAN 边缘平台与AWS Transit Gateway Network Manager的集成,使网络管理员能够为所有站点,以及AWS和其内部站点之间的连接创建一个统一的全局视图,从而可以了解网络变化、对事件和运行状况进行遥测,为用户提供最优质的体验。
650 Group创始人兼首席分析师Alan Weckel说道:“当今的现代企业需要规模化提升速度,灵活性和简便性,以适应快速变化的业务需求。对于许多企业来说,云就是答案。有些AWS客户希望利用云功能,同时确保分支机构连接的高性能和安全性。Aruba与AWS持续合作,现在又增加了Silver Peak,在满足这部分客户需求的同时,使他们无需面对运行和管理分散在多个地理位置的VPC所带来的复杂性。
针对Aruba SD-WAN解决方案的全新AWS Transit Gateway Connect功能现已推出。
关于Aruba
HPE旗下的Aruba公司是一家领先的安全、智能边缘到云端网络解决方案提供商。Aruba致力于利用人工智能实现网络自动化,并利用数据实现丰厚的业务成果。通过 Aruba ESP(边缘服务平台)以及服务订阅的方式,Aruba 可采用云原生方案满足客户对跨园区、分支机构、数据中心和远程工作环境的连接性、安全性和财务的需求,进而覆盖有线和无线局域网 (LAN) 及广域网 (WAN) 领域的所有业务。
好文章,需要你的鼓励
论文提出CAST框架,通过多智能体系统把任务成败的粗略反馈转化为逐步动作的详细批评理由,训练出更懂节制的批评模型,再用它优化执行策略,让8B小模型在可靠性指标上反超120B大模型,提升智能体在真实动态环境中的稳定表现。
论文提出NavMCP框架,用意图、观察、记忆三条通道把VLM推理与导航基础模型NFM结合,解决具身问答中长距离探索问题,在多个基准和真实机器狗测试中均取得最优效果。
研究发现教师模型批改学生生成内容时噪声率高达50%,但学生依然能进步。作者发现真正起作用的是压制学生自己低概率词,据此提出无需外部监督的OPSA方法,在AIME24等数学测试上带来最高307%的提升。
PaperGym提出一套把科研论文转化为AI训练环境的方法,解决科研计划生成缺乏可验证奖励的难题,通过问题答案分离降低评分标准泄露,结合自蒸馏与强化学习两阶段训练,让小模型在多个基准上超越更大规模的商业模型。