PMC:以20G芯片提速分组和光网络融合

简介:

继7月推出HyPHY20G产品后,近日,PMC再次向业界宣布推出了META20G,作为20G系列的第二个产品,META20G主要是针对电信级以太网络交换机和路由器(CESR)。PMC公司表示,在这一领域的愿景以及投资策略就是要实现及加速分组和光网络的融合。

实现芯片级OTN端到端部署

全球电信运营商实现网络过渡且通过一种技术就可以管理网络和所有的服务,就是OTN。电信和数据通信设备围绕OTN不断合并,以提供融合的IP和光架构,降低运营商的投资和运营成本。PMC-Sierra公司传输产品业务部产品市场推广总监BabakSamimi向本刊介绍说。“从芯片级来说,我们已经将OTN技术从目前应用的核心网,拓展至端对端部署,正如现在SONET/SDH能够做到的端到端。”

长期以来,业界一直在讨论OTN,但全球还在使用SONET/SDH,且在未来很长时间都一直使用,比如我国在过去一年来新建的30多万个基站都是SDH回程,因此,业界需要一种技术,不仅可以长期支持现在的SDH,还可以支持OTN。PMC为此而在新技术上持续积极的投资,并解决了该技术困扰。“从目前看,整个PMC的业务均由最终用户所驱动,该供应链也由消费者决定。”20G产品的推出,也是根据市场需求应运而生的。

对此,BabakSamimi介绍说,HyPHY20G能够解决在传输层上OTN承载多业务的问题,而META20G则可以支持OTN承载IP业务,现在PMC已经能够使网络中的所有设备,包括交换机、路由器、还有传输层的设备,在统一的OTN架构上实现管理。当客户选择与PMC合作,即可利用这一次的投资使整个产品线获益,不仅可以满足他们现在所有的技术需求,即SDH承载多业务,而且也可以满足OTN承载多业务或IP业务。“META 20G能够使OTN可以承载任何的IP服务。”

OTN生态系统已形成

“我们必须要让电信运营商确信,OTN的产业链从芯片到系统产品,到软件都已经完全就绪了,可以实现OTN部署。”BabakSamimi说。如果整个生态系统尚未完善,就无法实现业界整体向OTN技术过渡。

BabakSamimi认为,目前,OTN芯片技术已经做好准备了,而华为、中兴、烽火等系统厂商,可以基于该技术而投入生产,运营商也可以来做网络的部署了。另外,“我们需要告诉系统厂商,芯片技术已经完善可以用于系统级产品生产,而且系统厂商则要向运营商说明设备已经可以部署了,给运营商以信心并去实现网络的过渡。”

按照PMC方面的判断,10月推出META后,预计电信运营商网络实际上使用HyPHY20G和META20G的时间会在2010年。另据介绍,PMC是市场上惟一一家能够为电信级网络上所有种类的设备提供OTN解决方案的芯片商,产品涵盖核心网、城域网和接入网的产品。

本文转自d1net(转载)

相关文章
|
5月前
|
机器学习/深度学习 自然语言处理 数据可视化
基于图神经网络的自然语言处理:融合LangGraph与大型概念模型的情感分析实践
本文探讨了在企业数字化转型中,大型概念模型(LCMs)与图神经网络结合处理非结构化文本数据的技术方案。LCMs突破传统词汇级处理局限,以概念级语义理解为核心,增强情感分析、实体识别和主题建模能力。通过构建基于LangGraph的混合符号-语义处理管道,整合符号方法的结构化优势与语义方法的理解深度,实现精准的文本分析。具体应用中,该架构通过预处理、图构建、嵌入生成及GNN推理等模块,完成客户反馈的情感分类与主题聚类。最终,LangGraph工作流编排确保各模块高效协作,为企业提供可解释性强、业务价值高的分析结果。此技术融合为挖掘非结构化数据价值、支持数据驱动决策提供了创新路径。
294 6
基于图神经网络的自然语言处理:融合LangGraph与大型概念模型的情感分析实践
|
3月前
|
机器学习/深度学习 数据采集 算法
贝叶斯状态空间神经网络:融合概率推理和状态空间实现高精度预测和可解释性
本文将BSSNN扩展至反向推理任务,即预测X∣y,这种设计使得模型不仅能够预测结果,还能够探索特定结果对应的输入特征组合。在二元分类任务中,这种反向推理能力有助于识别导致正负类结果的关键因素,从而显著提升模型的可解释性和决策支持能力。
223 42
贝叶斯状态空间神经网络:融合概率推理和状态空间实现高精度预测和可解释性
|
8月前
|
编解码 异构计算
RT-DETR改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合
RT-DETR改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合
491 10
RT-DETR改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合
|
8月前
|
机器学习/深度学习 计算机视觉
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
269 3
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
|
8月前
|
机器学习/深度学习 计算机视觉
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
395 62
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
|
7月前
|
机器学习/深度学习 测试技术 网络架构
FANformer:融合傅里叶分析网络的大语言模型基础架构
近期大语言模型(LLM)的基准测试结果显示,OpenAI的GPT-4.5在某些关键评测中表现不如规模较小的模型,如DeepSeek-V3。这引发了对现有LLM架构扩展性的思考。研究人员提出了FANformer架构,通过将傅里叶分析网络整合到Transformer的注意力机制中,显著提升了模型性能。实验表明,FANformer在处理周期性模式和数学推理任务上表现出色,仅用较少参数和训练数据即可超越传统Transformer。这一创新为解决LLM扩展性挑战提供了新方向。
181 5
FANformer:融合傅里叶分析网络的大语言模型基础架构
|
6月前
|
传感器 存储 算法
基于ECC簇内分组密钥管理算法的无线传感器网络matlab性能仿真
本程序基于ECC(椭圆曲线密码学)簇内分组密钥管理算法,对无线传感器网络(WSN)进行MATLAB性能仿真。通过对比网络通信开销、存活节点数量、网络能耗及数据通信量四个关键指标,验证算法的高效性和安全性。程序在MATLAB 2022A版本下运行,结果无水印展示。算法通过将WSN划分为多个簇,利用ECC生成和分发密钥,降低计算与通信成本,适用于资源受限的传感器网络场景,确保数据保密性和完整性。
|
8月前
|
机器学习/深度学习 编解码 计算机视觉
RT-DETR改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络,加强细节特征的提取和融合
RT-DETR改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络,加强细节特征的提取和融合
322 10
RT-DETR改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络,加强细节特征的提取和融合
|
8月前
|
机器学习/深度学习 计算机视觉
YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
284 9
YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度
|
8月前
|
编解码 异构计算
YOLOv11改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合
YOLOv11改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合
1860 7
YOLOv11改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合