AT&T ECOMP与Open-O相互掣肘

简介:

AT&T在7月份与Linux基金会积极合作,围绕其推出的增强控制、编排、管理和策略(ECOMP)的平台构建一个开源工作组,但是Linux基金会迄今为止尚未宣布ECOMP成为其官方的一个项目。

或许其中一个障碍是ECOMP包括了软件定义网络(SDN)和网络功能虚拟化(NFV)管理和网络编排(MANO)核心。而Linux基金会已经有了一个Open-O项目,该项目也是在研究MANO方面的工作。

AT&T将如何跨越这个障碍?拥有130年悠久历史的运营商做事一向我行我素,而且也有一批厂商跟随。但该公司表示希望将ECOMP进行开源,这意味着开源社区工作必须得到开展。AT&T是否将集成Open-O的代码或仍然在其MANO道路上自行发展还有待观察。

ECOMP和Open-O涵盖的内容都不仅仅是MANO,因此如何将这两个项目合并到一起或者保持两个项目并行就变的更加复杂。AT&T将ECOMP拆分成了8个子软件系统,而Open-O不仅仅为NFV实现编排,同样也能做到软件定义网络的编排(SDN-O)以及全球服务编排(GS-O)。

在采访Linux基金会Open-O主任Marc Cohn关于ECOMP的看法时,他强调ECOMP还不是Linux基金会下的一个项目。他说:“Linux基金会刚刚给了AT&T一些建议,AT&T作出决定肯定会影响到Open-O,但无论AT&T如何决策,Open-O都会是一个独立的开源项目。”

The China Factor

ECOMP是为AT&T服务的自产自销编写的代码,Open-O的主要成员包括中国移动、中国电信、华为以及中兴。中国移动是世界上最大的移动业务服务提供商,而且中国移动和中国电信的用户超过10亿,AT&T移动用户1.31亿相形见绌。

Cohn说:“如果你看到了Open-O庞大的用户群,这才是它发展的关键。”即便是Open-O项目中规模稍微小一些的中国电信都比AT&T用户群体庞大的多。

尽管Open-O的成员包括了中国的电信运营商,Cohn强调Open-O是一个全球性的项目。包括爱立信、英特尔、Canonical、Gigaspaces、Infoblox、Red Hat等厂商也成为该项目的成员,甚至中国的厂商如华为和中兴也在该项目中作出贡献。(注:Gigaspaces是Open-O项目的创始成员,该公司的开源代码不仅在Open-O中使用,也在ECOMP中广泛应用。)

Open-O在合理的时间内安排正式会议,以便世界各地的成员作出贡献。Cohn说:“我们不仅为硅谷的人提供时间上的方便,我们还尊重东西方文化的差异。我们将这些东西记录下来,并加入到Wiki中,我们努力为适应全球各地的参与者进行适度的调整。”

Open-O Update

尽管AT&T计划好了ECOMP项目下一步的发展方向,Open-O仍然处于领先地位。自从在2月份的世界移动大会上宣布了该项目,Open-O工作组已经确立了管理模式并建立了技术指导委员会、理事会、营销委员会。其成员选举华为的Chris Donley作为技术指导委员会主席。

该工作组一直在致力于形成终端用户技术咨询委员会。Cohn说:“Open-O项目的最初成立者认为我们应该做些不同的事情,如涉及运营商应用的过程。”

Open-O选个了其最初的目标用例,是将虚拟CPE(vCPE)应用到住宅和企业场景。该工作组计划在2016年年底推出第一个代码版本,将命名为“Sun”。

此外,Open-O与Linux基金会下的OPNFV项目进行合作,将Open-O的代码集成到其上游项目之一,开发Wiki的项目叫Opera。该代码不会在OPNFV即将发布的Colorado版本中有所体现,相反,它的目标是2017年第二季度发布的Danube版本。

迄今为止,Open-O有大约100个开发人员和13个成员单位。

本文转自d1net(转载)

相关文章
|
Java 开发者 Spring
深入理解Spring Boot的@ComponentScan注解
【4月更文挑战第22天】在构建 Spring Boot 应用时,@ComponentScan 是一个不可或缺的工具,它使得组件发现变得自动化和高效。这篇博客将详细介绍 @ComponentScan 的基本概念、关键属性及其在实际开发中的应用。
1103 4
|
存储 NoSQL 算法
从一个crash问题展开,探索gcc编译优化细节
问题分析的过程也正是技术成长之路,本文以一个gcc编译优化引发的crash为切入点,逐步展开对编译器优化细节的探索之路,在分析过程中打开了新世界的大门……
|
数据采集 存储 Java
|
Kubernetes 安全 API
国内首个云上容器ATT&CK攻防矩阵发布,阿里云助力企业容器化安全落地
本文对云上容器ATT&CK攻防矩阵做了详细阐述,希望能帮助开发和运维人员了解容器的安全风险和落地安全实践。
国内首个云上容器ATT&CK攻防矩阵发布,阿里云助力企业容器化安全落地
|
10月前
|
机器学习/深度学习 运维 分布式计算
Pandas数据应用:异常检测
本文介绍如何使用Pandas进行异常检测,涵盖异常值定义及其对数据分析的影响。通过简单统计方法(如均值+3标准差)、箱线图法(基于四分位距IQR)和基于密度的方法(如DBSCAN),并提供代码案例。同时,针对数据类型不匹配、缺失值处理不当及大数据量性能问题等常见报错给出解决方案。掌握这些技术有助于提高数据分析的准确性和可靠性。
419 19
|
8月前
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(三):成熟AI模型与自研如何选择?
本文为AI训练师提供选型指南,探讨使用成熟模型还是自研算法。内容涵盖NLP、CV和多模态场景下主流模型推荐,如DeepSeek-Chat、GPT-4o、ResNet-50等,以及自研模型的应用场景与技术实现。同时提供懒人四步决策法和避雷口诀,帮助快速选择适合的工具。新手建议从预训练模型入手,逐步深入魔改或自研,避免常见坑点。附带场景化对比表,助力高效决策。
408 5
|
存储 自然语言处理 API
打破文本边界:如何进行多模态RAG评估
一般的检索增强生成(RAG,Retrieval-Augmented Generation)方法主要依赖于文本数据,常常忽略了图像中的丰富信息。那么应该如何解决呢?本文带你了解一下这个模型。
打破文本边界:如何进行多模态RAG评估
|
JavaScript 测试技术 持续交付
使用 GitLab CI/CD 管道自动化部署 Web 应用
【10月更文挑战第2天】使用 GitLab CI/CD 管道自动化部署 Web 应用
555 1
|
存储 人工智能 Cloud Native
耳朵经济快速增长背后,喜马拉雅数据价值如何释放 | 创新场景
喜马拉雅和阿里云的合作,正走在整个互联网行业的最前沿,在新的数据底座之上,喜马拉雅的AI、大数据应用也将大放光彩。本文摘自《云栖战略参考》
47505 5
耳朵经济快速增长背后,喜马拉雅数据价值如何释放 | 创新场景
|
机器学习/深度学习 弹性计算 算法
ArcGIS Pro遥感影像分类:随机森林、支持向量机方法
ArcGIS Pro遥感影像分类:随机森林、支持向量机方法
905 1

热门文章

最新文章