Microsemi联合ClariPhy优化新一代DCI平台 满足ICP数据中心互联需求

简介:

随着互联网应用模型的转变,数据中心流量也呈现了不同的流动方式,传统上数据中心南北流量也即数据中心到用户之间的流量居多,不过现在变了,数据中心东西流量也即数据中心内部流量和数据中心之间的流量快速增长。

与此同时,诸如阿里巴巴、百度和腾讯等互联网内容提供商(ICP),正在迅速扩展其数据中心基础设施的规模,以解决云服务日益增长的需求。由于同城光纤时延小、带宽充足、可靠性高、部署灵活等特点,光传输成为数据中心互联(DCI)的主要选择。

Microsemi联合ClariPhy优化新一代DCI平台 满足ICP数据中心互联需求

区域内的数据中心通过大容量光纤互联在一起,从而形成一个逻辑上的超大规模数据中心。城域数据中心在网络边缘遍地开花,以方便与通信服务提供商的接入点(PoPs)进行互连。因此,数据中心互联于光传输行业而言意味着一个快速增长的市场机遇,同时在需求方面也与那些传统的通信服务提供商(CSP)有所不同。

Microsemi预测,到2019年ICP在光传输的花费将占到20%。不过DCI对光传输有不同的需求,首先以冷却来说,针对DCI优化的光传输设备必须与“DC服务器/交换机”看齐,其要求独立数据中心的散热处理以及DCI对客户端特殊的光模块。将传统数据中心进行模块化处理,把机柜、供配电、制冷、布线、安防等基础设施集成为一体 ,有利于数据中心快速部署、灵活扩容、降低功耗,同时解决了散热和灵活性架构的问题。

另外,DCI端口协议和端口速率也有不同的需求,10GE会继续成为连接DC交换机的主流速率和协议,40GE仅限于少数ICP,100GE端口今年才在市场出现,QSFP28模块的供给困难限制了其早期的推广,而且不同的垂直市场的DC需求更多的协议。针对DCI优化的光传输设备需要支持DC光模块。

Microsemi基于超大规模数据中心的趋势和要求促使OEM开发出新一代DCI优化的平台——Coriant Groove G30。支持数据中心客户端光模块;支持由前向后的空气流通;支持交直流供电;能够控制层软件最小化并且拥有开放的API和OS协议。

相干光通信作为公认的100G及以上传输的首选,它能够帮助企业实现最低总体拥有成本(TCO),更具规模效益,且为承担超大传输(从10Tbps升级至70Tbps)技术的唯一选择。专注于相干光传输技术研发的ClariPhy是业界首个推出28nm 200/100G相干SoC的厂商,也推出了业界首个针对下一代相干DSP的16nm FFT+模拟平台。适用于所有DCI和电信领域,LightSpeed II作为业界第一款40/100/200G FlexCoherent DSP,现已量产。

此外,如今100G已经成为运营商骨干网络的标配,甚至开始向400G进军,通信行业现有的基础架构是基于100G设计,而在不改变现有基架尺寸和功耗条件下要求支持400G,继续采用传统的处理器是无法实现的。Microsemi正在促进业界将城域网向400G网络容量升级。作为业界首款能在P-OTP上实现单芯片400G线卡的OTN处理器,Microsemi DIGI-G4将10G、40G及100G线卡的端口密度提升了四倍。且DIGI-G4是业界首款能够监视光网络上LLDP报文的芯片,能够实时自动发现相连的路由器/交换机,并保证SDN控制器永远拥有最新的网络拓扑。

的确,ICP对传输的要求与运营商很不一样。Microsemi以最新的DCI解决方案,包括DIGI-G4 系列OTN处理器等,和ClariPhy在全球范围内实现的多太比特网络的LightSpeed-II系列相干系统级芯片(SoC),实现了DCI的产品优化和服务提升,从而满足ICP的特殊需求。


原文发布时间为: 2016年9月23日

本文作者:陈广成

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
|
4月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心的能源效率
【8月更文挑战第30天】 在信息技术不断进步的今天,数据中心作为支撑云计算、大数据分析和人工智能等技术的核心基础设施,其能源效率已成为衡量运营成本和环境可持续性的关键指标。本文旨在探讨如何通过机器学习技术对数据中心进行能源效率优化。首先,文中介绍了数据中心能耗的主要组成部分及其影响因素。其次,详细阐述了机器学习模型在预测和管理数据中心能源消耗方面的应用,并通过案例分析展示了机器学习算法在实际环境中的效果。最后,文章讨论了机器学习优化策略实施的潜在挑战与未来发展方向。
|
4月前
|
Java API 数据中心
百炼平台Java 集成API上传文档到数据中心并添加索引
本文主要演示阿里云百炼产品,如何通过API实现数据中心文档的上传和索引的添加。
149 3
|
4月前
|
机器学习/深度学习 存储 监控
利用机器学习技术优化数据中心能效
【7月更文挑战第36天】在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着能源成本的不断上升以及环境保护意识的增强,开发智能化、自动化的解决方案以降低能耗和提高能源利用率变得尤为重要。本文探讨了如何应用机器学习技术对数据中心的能源消耗进行建模、预测和优化,提出了一个基于机器学习的框架来动态调整资源分配和工作负载管理,以达到节能的目的。通过实验验证,该框架能够有效减少数据中心的能耗,同时保持服务质量。
|
5月前
|
存储 网络协议 数据库
多数据中心的互联需求及流量原则
【7月更文挑战第21天】灾备数据中心提升业务连续性,增强用户体验与数据安全,复杂网络架构带来挑战。
|
6月前
|
机器学习/深度学习 运维 数据挖掘
智能化运维:利用机器学习优化数据中心
【6月更文挑战第28天】本文将探讨如何通过机器学习技术来优化数据中心的运维工作。我们将首先介绍机器学习的基本原理,然后详细讨论其在数据中心运维中的应用,包括故障预测、性能优化和自动化运维等。最后,我们将通过一个实际案例来展示机器学习在数据中心运维中的实际效果。
|
7月前
|
机器学习/深度学习 算法 数据挖掘
利用机器学习优化数据中心能效
【5月更文挑战第30天】 在数据中心管理和运营过程中,能效优化是一项持续的挑战。随着能源成本的不断上升以及环保意识的增强,开发高效能的数据中心变得更加重要。本文将探讨如何利用机器学习技术来优化数据中心的能源使用效率,减少能耗同时保持系统性能。通过分析历史数据和实时监控信息,机器学习模型可以预测数据中心的负载变化,并动态调整资源分配以实现最佳的能效比。文中还将讨论实施机器学习驱动的能效优化策略时可能遇到的挑战及解决方案。
|
7月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
7月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心能效的策略
【5月更文挑战第31天】在信息技术不断进步的今天,数据中心作为计算和存储的核心,其能源效率问题日益凸显。传统的能效管理方法已无法满足当前复杂多变的需求。本文提出了一种基于机器学习技术的数据中心能效优化策略,通过智能算法实时监控和调整数据中心的运行状态,以达到降低能耗、提高资源利用率的目的。该策略不仅考虑了服务器负载和冷却系统的效率,还兼顾了可再生能源的使用情况,为绿色计算提供了新的视角。
|
7月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心能效的策略
【5月更文挑战第31天】 在数据中心管理和运营的众多挑战中,能效优化是减少运营成本和环境影响的关键要素。随着机器学习技术的不断进步,本文探讨了如何应用机器学习算法来监测和调控数据中心的能源使用效率。通过分析历史能耗数据、服务器负载以及环境变量,机器学习模型能够预测数据中心的能耗模式并实施节能措施。文中介绍了几种主要的机器学习方法,并讨论了它们在实际场景中的应用效果。
|
7月前
|
机器学习/深度学习 资源调度 算法
利用机器学习优化数据中心的能效管理
【5月更文挑战第31天】 在数据中心管理和运营中,能效优化是降低运营成本和减少环境影响的关键。本文提出了一种基于机器学习的方法来动态调整数据中心的资源分配,旨在提高整体能源效率。该方法通过分析历史数据和实时负载信息,预测未来工作负载并相应地调整硬件配置。实验结果表明,与传统的静态管理策略相比,所提出的动态管理策略可以显著降低能耗,同时保持服务质量。