嘿,别小看网络在超融合系统中的重要性!

简介:

嘿,别小看网络在超融合系统中的重要性!


请问:网络对于你的意义是什么?

两个字:生命嘿,别小看网络在超融合系统中的重要性!

其实对于大多数人而言,网络都已成为生活中必不可少的一部分,对于超融合系统来说,亦是如此!但是,大多数超融合环境却未将网络考虑在内!

对于思科 HyperFlex 来说,网络被视为系统中不可或缺的基本组成部分!具体怎样体现?!一个事实告诉你!

一个事实

借助思科 UCS 6248/6296 交换矩阵互联,你可以通过一个连接和管理点将刀片服务器和思科 HyperFlex 节点集成在一起:这是其他任何超融合供应商都无法提供的功能!

部署集群后,无需重新设计网络即可对其进行最大限度的扩展。该解决方案的设计初衷就是可以轻松扩展,超融合系统需要大量东西流量带宽并且具备低延迟特性,思科均可提供!

看到这,大家可能了解了网络之于超融合系统的重要性,但你知道这是为何吗?!当超融合系统与思科网络集成,又会带来哪些创新成果?!满载知识的 “小巴车” 已经开动,想要学习?快上车!

嘿,别小看网络在超融合系统中的重要性!

网络在超融合系统中极为重要,因为存储平台的性能取决于网络!借助思科 UCS 交换矩阵互联,可以获得高带宽、低延迟 10 Gbps 统一交换矩阵连接,通过一组电缆承载所有生产 IP 流量、超融合层流量和管理流量。集群中的每个连接都被视为其自己的微分段,与受单独物理链接支持时拥有相同的安全级别,从而使得集成网络比在使用商品法时更加安全。

嘿,别小看网络在超融合系统中的重要性!

HyperFlex 网络技术:高带宽、低延迟

系统经过设计,以便所有流量(即使是来自刀片服务器的流量)只通过单个网络跳跃即可连接集群中的任意其他节点,其他供应商都无法实现这一点。我们的延迟是确定的,因此,对于数据平台你可以获得一致的网络性能,并且不必担心工作负载部署方面的网络限制。此单跳架构可加速东西流量,从而提升集群性能。

超融合中网络的另一个关键技术点在于 vNIC 及 QoS! 思科 HyperFlex 系统上的网卡很奇妙,这种被叫做 VIC 的网卡是一种高级的融合式网卡(CNA),可以虚拟化成多个 vNIC。其它厂商服务器上的网卡只能虚拟静态 vNIC 不同,思科 HyperFlex 的 VIC 可以虚拟化 256 个vNIC,而且思科支持动态 vNIC,这种类型的 vNIC 不是固定的,可以随着 VM 的漂移而移动。通过和 VMware 的结合,动态 vNIC 在 VM 移来或虚拟设备热添加时被创建出来,在 VM 移走或虚拟设备热移除时被删掉。这些 vNIC 逻辑上就像 FI6248/6296 伸在服务器里的端口,因此只有思科 HyperFlex 能实现整个超融合内端到端的 IO 质量(QoS)保证。

嘿,别小看网络在超融合系统中的重要性!

不过,想要实现以上愿景,还需要产品来支撑才行!那么,如何选择产品?

如今,思科 HyperFlex 系统设计为与集群中的每个节点有 20 Gbps 连接,并与思科FI6248/6296交换矩阵进行互联;未来思科FI6300 系列交换矩阵会带来 40 Gbps 连接……鉴于思科 HyperFlex 系统中对数据吞吐量的需求增长,我们的产品已准备好满足这些需求!

除此之外,随着环境增长并开始覆盖整个企业时,还可以使用思科 ACI 来实施软件定义的网络!

嘿,别小看网络在超融合系统中的重要性!与思科以应用为中心的基础设施集成

思科 ACI 提供基于策略的自动化网络部署,在安全、隔离的环境中保护各类应用。网络可以直接连接到虚拟机和物理服务器,并提供下列优势:

  • 增强安全性:思科 ACI 将应用与租户彼此隔离,将每个应用与租户置于一个微分段环境中,并进行特定于应用和租户的基于策略的网络控制。
  • 整个环境中保持一致:在 思科 HyperFlex 环境中获取最佳实践后,思科 ACI 自动化可以在所有超融合环境以及传统环境中进行部署标准化。
  • 监控和遥测:思科 ACI 提供有关延迟、丢包以及与应用和逻辑网段关联的流量路径的详细信息,可以更好地查看和控制软件定义的网络。

  • 最佳性能:思科 ACI 跨网络的主干加分支式架构自动分配流量以提高性能和资源利用率,围绕热点自动重新路由以获得无忧的网络性能。
原文发布时间为: 2016年12月19日
本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。
相关文章
|
2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
144 9
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
|
2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
120 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
|
2月前
|
机器学习/深度学习 数据可视化 算法
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
神经常微分方程(Neural ODEs)是深度学习领域的创新模型,将神经网络的离散变换扩展为连续时间动力系统。本文基于Torchdyn库介绍Neural ODE的实现与训练方法,涵盖数据集构建、模型构建、基于PyTorch Lightning的训练及实验结果可视化等内容。Torchdyn支持多种数值求解算法和高级特性,适用于生成模型、时间序列分析等领域。
223 77
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
|
2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
214 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
|
21天前
|
小程序 UED
拓展校友网络的创新解决方案:校园论坛圈子小程序+跑腿+二手市场系统
这是一款基于小程序的校园跑腿服务平台,支持多种注册登录方式、下单支付、跑腿接单配送、订单跟踪评价及物流查询功能,并配备客服模块提升用户体验。系统包含用户、客服、物流、跑腿员和订单五大核心模块,功能完善。此外,平台还拓展了校友网络功能,如信息咨询发布、校园社区建设和活动组织等,旨在增强校友互动与联系,形成紧密的校友生态。
52 4
|
1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。
48 5
FANformer:融合傅里叶分析网络的大语言模型基础架构
|
1月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
害虫识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了12种常见的害虫种类数据集【"蚂蚁(ants)", "蜜蜂(bees)", "甲虫(beetle)", "毛虫(catterpillar)", "蚯蚓(earthworms)", "蜚蠊(earwig)", "蚱蜢(grasshopper)", "飞蛾(moth)", "鼻涕虫(slug)", "蜗牛(snail)", "黄蜂(wasp)", "象鼻虫(weevil)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Djan
137 1
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
|
1月前
|
前端开发 Java 关系型数据库
基于ssm的网络直播带货管理系统,附源码+数据库+论文
该项目为网络直播带货网站,包含管理员和用户两个角色。管理员可进行主页、个人中心、用户管理、商品分类与信息管理、系统及订单管理;用户可浏览主页、管理个人中心、收藏和订单。系统基于Java开发,采用B/S架构,前端使用Vue、JSP等技术,后端为SSM框架,数据库为MySQL。项目运行环境为Windows,支持JDK8、Tomcat8.5。提供演示视频和详细文档截图。
63 10
|
2月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
蘑菇识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了9种常见的蘑菇种类数据集【"香菇(Agaricus)", "毒鹅膏菌(Amanita)", "牛肝菌(Boletus)", "网状菌(Cortinarius)", "毒镰孢(Entoloma)", "湿孢菌(Hygrocybe)", "乳菇(Lactarius)", "红菇(Russula)", "松茸(Suillus)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,
165 11
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
|
2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
105 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