从我们ZDNet企业解决方案中心的观点来看,由软件定义网络发展而来的软件定义计算/软件定义存储等概念的核心就在于数据平面(Data Plane)与控制平面(Control Plane)的分离,也就是说,控制平面并不涉及到具体数据的计算、传输和存储,因此,物理的基础设施和虚拟化之后的基础设施一样,都属于数据平面,有时我们也叫做基础设施平面(Infrastructure Plane)。
基础设施平面层可以包含未经虚拟化的独立Windows主机,但主要还是由经过Hyper-V虚拟化之后的虚拟资源池。对于微软来说,网络虚拟化资源和存储虚拟化资源都是构建在Hyper-V之上,因此,Windows的Hyper-V具有很重要的地位。SC VMM(System Center Virtual Machine Manager)除了一开始的对Hyper-V的管理之外,根据版本的不断升级,逐渐提供了对虚拟网络、存储资源,乃至物理的网络和存储资源的管理能力,因此SC VMM已经变成了一个很核心的组件,它包含在Control Plane内。Windows Server Hyper-V提供的核心能力是将物理的计算资源分割为虚拟计算资源(包含在虚拟机内的vCPU和Memory):
此外,虚拟网络资源也由物理交换机以及Windows Hyper-V虚拟交换机提供。在Windows Azure Pack当中隐含了SDN的概念,另外也包括了SDS(Software Defined Storage,软件定义存储),后者也就是通过Storage Spaces来有限度地达成。在越来越大的数据中心当中,SDN、SDS的存在几乎是一个必然:
物理交换机也可以由SCVMM支持
物理存储设备通过SM-API(Storage Management API)管理
Hyper-V虚拟机交换机主要提供对网络虚拟化的支持,这些网络资源可以通过额外的控制器来管理控制,这个角色同样由System Center来完成,存储方面则稍微不一样,关于SDN和SDS方面的内容,同样可以参看我们的报告《数据中心2013:硬件重构&软件定义》。
好文章,需要你的鼓励
麻省理工学院研究团队发现大语言模型"幻觉"现象的新根源:注意力机制存在固有缺陷。研究通过理论分析和实验证明,即使在理想条件下,注意力机制在处理多步推理任务时也会出现系统性错误。这一发现挑战了仅通过扩大模型规模就能解决所有问题的观点,为未来AI架构发展指明新方向,提醒用户在复杂推理任务中谨慎使用AI工具。
继苹果和其他厂商之后,Google正在加大力度推广其在智能手机上的人工智能功能。该公司试图通过展示AI在移动设备上的实用性和创新性来吸引消费者关注,希望说服用户相信手机AI功能的价值。Google面临的挑战是如何让消费者真正体验到AI带来的便利,并将这些技术优势转化为市场竞争力。
中科院自动化所等机构联合发布MM-RLHF研究,构建了史上最大的多模态AI对齐数据集,包含12万个精细人工标注样本。研究提出批评式奖励模型和动态奖励缩放算法,显著提升多模态AI的安全性和对话能力,为构建真正符合人类价值观的AI系统提供了突破性解决方案。