Barefoot Networks在其下一代网络中实现无以伦比的可视化和高效化

简介:

阿里巴巴,百度和腾讯寄希望于Barefoot Networks在其下一代网络中实现无以伦比的可视化和高效化

引领各中国网络设备商采用Barefoot公司的Tofino芯片建造系统,实现革命性的可视化,运营高效化和规模扩展等新功能,满足日益增长的客户需求

2017年5月8日中国北京消息——

Barefoot公司今天宣布与中国最大的三家互联网公司百度、阿里巴巴和腾讯达成合作,BAT将在他们的现网当中部署Barefoot的突破性可编程转发平面技术。Barefoot推出的目前业界最快的吞吐量高达6.5Tb/s的Tofino交换机是目前世界上最快的P4可编程交换机芯片,将Tofino部署到现网中将在保证性能的情况下实现数据包级别的网络可视化。

目前的网络对性能、规模和可视化的需求超过了现有网络中传统固定功能交换机芯片的能力,随着大型数据中心和运营商推出更快速度的应用,网络受限于传统的固定功能交换机芯片逐渐无法满足需求。Barefoot推出的Tofino使得用户能够设计、开发和部署定制化的转发平面功能,满足用户日益增加的需求,如负载均衡、DDoS保护、带内网络遥测(INT)等。

腾讯科技与工程集团副总裁别洪涛(Tom Bie)表示:“腾讯的网络需要为企业提供高质量的服务,且为了适应大规模的需求和新的应用需要具备可编程的性质。Barefoot Tofino和P4能够支持快速推出所需的网络功能,并且能够实时深入的洞察力来响应网络异常和故障。”

百度系统部高级总监刘超表示:“对百度来说,我们一直在不断向用户提供最先进的服务,这促使我们的网络更加简单、快速和可编程。Barefoot Tofino和P4使我们能够在架顶式(TOR)交换机上部署新的网络功能,如4层负载均衡和网络地址转换。”

对于网络设备制造商来说,要根据不同用户的需求提供高性能交换机产品是一个巨大的挑战,因为这依赖于固定功能芯片以及与之相关的限制,Barefoot推出的Tofino芯片正在使像新华三(H3C)、锐捷、中兴这样的网络设备制造商能够构建满足用户需求的产品。

新华三集团产品营销部副总裁毕首文表示:“作为新的IT基础设施和解决方案的领先供应商,新华三欢迎以太网交换ASIC领域的创新。Barefoot Tofino为IT行业的利益相关者带来了巨大的价值,并且将促进行业向SDN 2.0时代演进。”

中兴通讯副总裁朱永兴表示:“中兴通讯正在积极与Barefoot合作,为用户提供突破性的创新。我们很高兴能够使用Barefoot Tofino和P4来创建为数据中心、5G传输和NFV部署提供规模、性能和用户特定功能的产品。”

锐捷网络总裁刘中东表示:“Barefoot Tofino在转发平面上的可编程性对锐捷很有吸引力,它能够让锐捷为数据中心用户创建新的差异化的产品,使用户能够构建灵活高效的网络。”

Barefoot Networks首席执行官Craig Barratt表示:“Barefoot已经通过可编程转发平面技术,包括P4可编程的6.5Tb/s Tofino以太网交换机芯片以及Capilano软件开发环境开始了对业界的变革。我们很高兴看到我们的用户积极地拥抱我们的技术,促进网络变得更加简单和高效,我们期待今年晚些时候出货量和部署量能够显著增加。”

Barefoot将于2017年5月8日(周一)在北京举行P4 2017峰会,地址在中关村皇冠酒店。演讲嘉宾包括中国工程院院士刘韵洁、新华三集团总裁兼首席执行官于英涛、新华三首席架构师乔剡、阿里巴巴集团副总裁蔡依群、阿里巴巴首席架构师蔡德忠、Barefoot CEO Craig Barratt以及Barefoot首席科学家兼联合创始人Nick McKeown。更多详细信息,请点击http://www.sdnlab.com/18989.html

2016年第四季起,Barefoot Networks的Tofino以太网交换机ASIC和Capilano SDE将对用户进行出样,通过开放转发平面,允许在报文级彻底且精细地控制网络转发,从而消除了完全网络可编程最后的障碍。

媒体联系人:

Barefoot Networks:

Gary Good

Phone: +1-707-837-1718

Email: barefoot@10fold.com

目录
相关文章
|
2月前
|
机器学习/深度学习 数据可视化 计算机视觉
目标检测笔记(五):详细介绍并实现可视化深度学习中每层特征层的网络训练情况
这篇文章详细介绍了如何通过可视化深度学习中每层特征层来理解网络的内部运作,并使用ResNet系列网络作为例子,展示了如何在训练过程中加入代码来绘制和保存特征图。
67 1
目标检测笔记(五):详细介绍并实现可视化深度学习中每层特征层的网络训练情况
|
2月前
|
机器学习/深度学习 数据可视化 Windows
深度学习笔记(七):如何用Mxnet来将神经网络可视化
这篇文章介绍了如何使用Mxnet框架来实现神经网络的可视化,包括环境依赖的安装、具体的代码实现以及运行结果的展示。
55 0
|
4月前
|
机器学习/深度学习 存储 算法
回声状态网络(Echo State Networks,ESN)详细原理讲解及Python代码实现
本文详细介绍了回声状态网络(Echo State Networks, ESN)的基本概念、优点、缺点、储层计算范式,并提供了ESN的Python代码实现,包括不考虑和考虑超参数的两种ESN实现方式,以及使用ESN进行时间序列预测的示例。
220 4
回声状态网络(Echo State Networks,ESN)详细原理讲解及Python代码实现
|
20天前
|
机器学习/深度学习 算法
生成对抗网络(Generative Adversarial Networks,简称GANs)
生成对抗网络(GANs)由Ian Goodfellow等人于2014年提出,是一种通过生成器和判别器的对抗训练生成逼真数据样本的深度学习模型。生成器创造数据,判别器评估真实性,两者相互竞争优化,广泛应用于图像生成、数据增强等领域。
|
2月前
|
机器学习/深度学习 API 算法框架/工具
残差网络(ResNet) -深度学习(Residual Networks (ResNet) – Deep Learning)
残差网络(ResNet) -深度学习(Residual Networks (ResNet) – Deep Learning)
63 0
|
2月前
|
机器学习/深度学习 数据可视化 Linux
Seaborn可视化学习笔记(一):可视化神经网络权重分布情况
这篇文章是关于如何使用Seaborn库来可视化神经网络权重分布的教程,包括函数信息、测试代码和实际应用示例。
56 0
|
4月前
|
数据可视化 算法 C++
脑研究、脑网络分析、可视化的工具箱有哪些?
本文列举并简要介绍了用于脑研究、脑网络分析和可视化的多种工具箱,如Brain Connectivity Toolbox、bctpy、人类连接组项目等,为神经科学研究者提供了丰富的分析和可视化大脑网络的工具选择。
228 2
脑研究、脑网络分析、可视化的工具箱有哪些?
|
4月前
|
数据采集 存储 数据可视化
基于Python 网络爬虫和可视化的房源信息的设计与实现
本文介绍了一个基于Python Scrapy框架和echart库的房源信息采集与可视化系统,该系统通过自动化爬虫提高房地产数据采集效率,并通过Flask服务器实现数据的Web可视化展示,旨在帮助房地产从业人员和政策制定者高效、直观地了解房源信息。
100 1
|
4月前
|
机器学习/深度学习 数据可视化 Python
如何可视化神经网络的神经元节点之间的连接?附有Python预处理代码
该博客展示了如何通过Python预处理神经网络权重矩阵并将其导出为表格,然后使用Chiplot网站来可视化神经网络的神经元节点之间的连接。
59 0
如何可视化神经网络的神经元节点之间的连接?附有Python预处理代码
|
4月前
|
Prometheus 监控 Cloud Native
在Linux中,如何使用Grafana和Prometheus进行网络监控和可视化?
在Linux中,如何使用Grafana和Prometheus进行网络监控和可视化?