至顶网CIO与应用频道 10月30日 北京消息:开发人员和大厨的相同之处在哪里?两者都要通过不断的测试才可以出成果。在烹饪口味纯正佳肴时, 厨师会不断试尝味道,以确保烹饪过程中的每一步都按计划进行。
同理,开发人员在交付结果之前,也会在整个进程中进行持续测试,确保项目发布时不会有任何“惊喜”。这对网络运维来说至关重要。这样做使企业有机会在用户体验和应用性能受到影响之前,主动发现和解决网络行为问题。
尝试和测试
鉴于当今网络环境的动态特性,动态测试以及对网络异常的敏捷反应是两种宝贵的资源。由于SDN和云计算等技术的发展,网络已经成为一个由不断变化的、由物理、逻辑和虚拟组件构成的流动性热点。
对新的网络协议栈所做的每一个微小的改变或更新,都有可能损害用户体验。能否在潜在的破坏或质量退化发生前抢先一步发现问题,将会关系到新业务举措、客户交易、数字化服务的成败。
通过动态测试,企业不仅能验证现有堆栈中的每一个更改,也能在用户使用之前验证新技术和网络服务在生产过程中的部署情况。
成功的必要因素
动态测试与实时网络监控软件和实时分析结合使用能带来最佳效果。这三个组件使企业机构能够建立一个网络性能动力室,覆盖范围可从数据中心机架延伸至个人使用者的移动设备上。
例如, 动态服务数据和被动基础架构性能的组合能在可预测的网络行为以及库存、拓扑、断层、流和数据包分析的基础上,从终端用户的视角创建全面的网络服务质量端到端视图。所有这些元素都可以被转换成用于网络运维的可操作智能,为其提供当前客户体验质量、服务性能和未来网络行为的最佳视图。
更低的管理成本,更高的灵活性
为了充分利用动态测试,企业机构需要建立合理的流程和平台以助力网络运维团队。性能优良的网络监控软件使企业不仅能在战略终端的位置轻松地远程实施测试代理,在核心、高流量区域也同样能如同多租户测试代理一样能够执行测试、捕获主动监控结果并利用回传技术来延展网络可视性,而这些都有助于减轻网络团队的管理负担。
即使在今天,解决方案如果仅能识别进程中的网络行为也已远远不够。对于可用以预测未来行为的数据,网络运维团队还需帮助提高反应能力。快速解决问题和主动避免问题对于保证用户体验至关重要。自动警报、触发器以及测试案例都能够帮助网络运维团队迅速发现问题的根本原因。
监控、预测、分析网络行为及性能是现代网络基础架构的先决条件。通过确保所有构成要素在一项新应用或新服务开始之前、进行中以及结束之后都相互协调配合,企业将能创造出数字化时代的杰作。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。