历数NFV的发展历程

简介:

随着网络产业正在通过SDN转型,NFV的互补架构概念越来越突出。为解释这种状况,下文中将对NFV的定义、如何出现以及如何影响企业数据中心加以阐释。

NFV的定义

维基百科对于NFV的定义是:NFV是使用虚拟化技术的网络架构概念,将整个类别的网络节点功能虚拟化为构建可以连接或链接在一起的通信服务。

OpenStack基金会对于NFV的定义是:简而言之,它是通过用软件和自动化替代专用网络设备来定义、创建和管理网络的新方式。

ETSI NFV标准组织对于NFV的定义是:NFV作为一个解决方案,能够解决由传统专有的基于硬件的网络组件不断增加而导致的问题,能够满足云计算,大数据,物联网等需求。

历数NFV的发展历程

ETSI表示,NFV旨在通过发展标准的IT虚拟化技术,将网络设备整合到行业标准的高容量服务器、交换机和存储上来解决这些问题,NFV涉及到在一系列行业标准服务器硬件上运行的软件实现网络功能,并且可根据需要迁移到网络中的各个位置,而不需要安装新设备。

历数NFV的发展历程

NFV的业务能力

同SDN一样,NFV从根本上讲是从基于硬件的解决方案转向更开放的基于软件的解决方案。例如,取代专用防火墙设备,软件可以通过虚拟防火墙提供相同的功能。

再如入侵检测和入侵防御、NAT、负载均衡、WAN加速、缓存、GGSN、会话边界控制器、DNS等等虚拟网络功能。有时,不同的子功能可以组合起来形成一个更高级的多组件VNF,如虚拟路由器。

正如SDN和NFV可以在廉价的裸机或白盒服务器上的实现方式,这些VNF可以运行在通用的商用硬件组件上,而不是成本高昂的专有设备。网络运营商通过NFV快速实现并应用VNF,并通过业务流程自动化服务交付。

ETSI列出了NFV为网络运营商及其客户提供的几点优势:

  • 通过降低设备成本和降低功耗,减少运营商CAPEX和OPEX
  • 缩短部署新网络服务的时间
  • 提高新服务的投资回报率
  • 更灵活的扩大,缩小或发展服务
  • 开放虚拟家电市场和纯软件进入者
  • 以较低的风险试用和部署新的创新服务

NFV的起源

ETSI在2012年10月在德国SDN和OpenFlow世界大会上发布的白皮书“网络功能虚拟化 - 介绍,优点,推动因素,挑战与行动呼吁 ”中,将NFV引入世界,该白皮书的主要贡献者是AT&T和Verizon等厂商。

此文旨在“概述网络功能虚拟化(与云/ SDN不同)的优势,推动因素和挑战以及鼓励国际合作加速基于大量行业标准开发和部署互操作解决方案”。

该白皮书中还写道:“NFV将许多网络设备由目前的专用平台迁移到通用的X86平台上来,帮助运营商和数据中心更加敏捷地为客户创建和部署网络特性,降低设备投资和运营费用”。此外,白皮书还宣布在ETSI的主持下组建NFV行业规范组。

此后,其他的NFV组织逐渐形成,并且纷纷致力于引导和形成新的行业规范。例如OPNFV“有助于各种开源生态系统的NFV组件的开发和演进,通过系统集成、部署和测试,OPNFV创建了一个可供参考的NFV平台,以加速企业和服务提供商网络转型。”

NFV与SDN

NFV的出现要在SDN之后,那么二者该如何完美结合呢?

历数NFV的发展历程

ETSI表示,NFV和SDN高度互补,但不相互依赖。ONF认为,SDN是物理网络控制平面与转发平面的分离,以及控制平面控制多个设备的位置。此外,它是一个新兴的体系结构,具有动态,可管理性,成本效益和适应性,使其成为当今应用的高带宽,动态性质的理想选择。

ETSI认为组织可以实施没有SDN的NFV(反之亦然),但是两种方法在一起使用时可能会提供更多的价值。NFV更多的是将网络功能移植到虚拟环境中,SDN更加重视网络控制层与转发层的分离。在ETSI2012的白皮书中,也解释了NFV / SDN的关系:

网络功能虚拟化可以依靠当前在许多数据中心中使用的技术(非SDN机制)实现,但依靠SDN的控制和数据转发平面分离的方法可以增强性能,简化与现有部署的兼容性,并促进操作和维护程序。

网络功能虚拟化通过提供可以运行SDN软件的基础设施来支持SDN。此外,网络功能虚拟化使用商用服务器和交换机,与SDN密切配合。

OpenDaylight也解释了结合NFV/SDN带来的好处:“SDN允许用户从控制平面分离数据平面编程网络层,而NFV允许灵活的网络服务的时间和地点实现可编程性,SDN和NFV可以使用户优化网络资源,提高网络敏捷性,服务创新,加快服务上市时间,提高商业智能,最终实现动态服务驱动的虚拟网络。

NFV的下一步

随着NFV的日益成熟,许多厂商(包括AT&T,思科,戴尔,思杰,微软,甲骨文,Verizon,博科,Juniper等众多公司)都在提供基于NFV的商品和服务。同时,标准组织和行业管理人员也继续致力于该领域更加秩序化。

OPNFV表示,其致力于通过促进与上游项目(包括OpenDaylight,ONOS,OpenStack,Ceph,KVM,Open vSwitch和Linux)的集成来增强NFV基础设施。

历数NFV的发展历程

OPNFV表示其目标是:

  • 开发一个可用于构建NFV功能的集成和测试的开源平台,加速新产品和服务的引入,包括领先的最终用户的参与,以验证OPNFV是否满足用户社区的需求
  • OPNFV平台参与上下游相关开源项目合作,确保开源组件之间的一致性,性能和互操作性
  • 建立基于开放标准和软件的NFV解决方案的生态系统,以满足最终用户的需求

推动OPNFV作为开源NFV的首选平台和社区

ETSI NFV ISG同时正在继续运行稳定的50多个publications,涵盖从信息建模到安全性到NFV管理和业务流程。该小组的工作分两年进行,目前2017-18年的第3版,初步设计了18个新的publications。该集团已将其publications从标准前研究转向详细规范,将早期概念证明转移到“Plugtest”互操作测试。

ETSI NFV ISG表示:这个大型社区(包括世界38个主要服务提供商和290多家公司在内)致力于规范NFV标准,分享NFV实施和测试的经验。

随着标准组织和无数供应商的努力 - 从运营商和服务提供商开始,NFV正悄悄进入企业数据中心。

去年12月,思科在博客上预测了2017年NFV趋势:“我们将看到网络功能虚拟化(NFV)从服务提供商传播到企业 ,更轻松地提供链接和网络服务。”


本文作者:佚名          

来源:51CTO

目录
相关文章
|
Web App开发 弹性计算 负载均衡
阿里云acp考试时间、内容?阿里ACP认证考试有什么经验?
阿里acp认证考试有什么经验?众所周知,阿里云针对不同云产品类别、用户行业、用户成长阶段,精心打造不同的认证考试。阿里云认证分为四级ACF、ACP、ACA、ACM。拿到阿里云证书即使以后从业相关行业都可以拿到高新、以及相关行业的专业资格
2380 0
阿里云acp考试时间、内容?阿里ACP认证考试有什么经验?
|
8月前
|
机器学习/深度学习 人工智能 并行计算
124_数据并行扩展:Megatron框架 - 分析模型分片的独特通信开销
2025年,大型语言模型的规模已达到数千亿甚至数万亿参数,单GPU训练已成为不可能的任务。高效的分布式训练技术成为训练超大模型的关键。Megatron框架作为业界领先的分布式训练解决方案,通过创新性的并行策略,实现了对超大语言模型的高效训练。
762 3
124_数据并行扩展:Megatron框架 - 分析模型分片的独特通信开销
|
机器学习/深度学习 人工智能 计算机视觉
《Google Gemini 1.5 Pro:MoE架构如何重塑AI性能与效率》
Google Gemini 1.5 Pro采用混合专家系统(MoE)架构,突破传统模型“一刀切”模式,以专家团队形式精准处理不同任务。它能高效解析文本、图像、音频和视频等多模态数据,支持超长上下文理解(高达100万个token),在复杂任务中展现卓越性能。例如,分析电影时,图像、语言和音频专家协同工作,深入挖掘细节;处理402页登月记录时,准确提取关键信息。MoE架构动态分配计算资源,提升推理速度与效率,同时具备强大知识迁移能力,如快速学习稀有语言。这一创新为AI在医疗、金融等领域应用铺平道路,推动产业迈向新高度。
411 0
|
机器学习/深度学习 人工智能 运维
AI为网络可靠性加“稳”——从断网烦恼到智能运维
AI为网络可靠性加“稳”——从断网烦恼到智能运维
668 2
|
存储 物联网 数据处理
什么数据中心最好?盘点全球十大数据中心!
在数字时代,数据中心作为关键基础设施,支撑着商业和社会的高效运转。从AWS、谷歌、微软到阿里云、苹果等巨头的数据中心,它们各具特色,涵盖高性能计算、液冷技术、绿色节能和高安全性等领域。这些“超级堡垒”不仅保障了在线交易、远程教育、智慧医疗等服务的稳定运行,还推动了云计算、大数据和物联网的发展,极大提升了社会效率和生活质量。每个数据中心根据自身优势,在不同应用场景中发挥着不可替代的作用,共同构建了数字化世界的基石。
1592 1
|
人工智能 Cloud Native 虚拟化
小白学网络系列之---从物理网络到云网络
本文由阿里云技术服务部枫桥撰写,围绕物理网络和云网络的基础知识展开,强调网络在云计算中的重要性。文章首先介绍了OSI模型下的物理层、数据链路层、网络层、传输层和应用层,解释了各层的功能与作用。接着探讨了云网络的必要性及其核心技术,如VPC(虚拟私有网络)、Overlay和Underlay网络,并阐述了它们之间的协作关系。最后,文章分析了AI大模型浪潮下云网络的演进方向,包括高速RDMA网络架构、高性能集合通信库ACCL和高性能数据主动加载加速软件KSpeed等技术的应用,展示了云网络在支持大规模分布式AI训练中的关键作用。通过本文,读者可以深入了解从物理网络到云网络的技术演进及其未来发展趋势。
1236 15
|
机器学习/深度学习 数据中心 芯片
【AI系统】谷歌 TPU 历史发展
本文详细介绍了谷歌TPU的发展历程及其在AI领域的应用。TPU是谷歌为加速机器学习任务设计的专用集成电路,自2016年首次推出以来,经历了多次迭代升级,包括TPU v1、v2、v3、v4及Edge TPU等版本。文章分析了各代TPU的技术革新,如低精度计算、脉动阵列、专用硬件设计等,并探讨了TPU在数据中心和边缘计算中的实际应用效果,以及谷歌如何通过TPU推动移动计算体验的进步。
1489 1
【AI系统】谷歌 TPU 历史发展
|
机器学习/深度学习 存储
DeepSeek进阶开发与应用4:DeepSeek中的分布式训练技术
随着深度学习模型和数据集规模的扩大,单机训练已无法满足需求,分布式训练技术应运而生。DeepSeek框架支持数据并行和模型并行两种模式,通过将计算任务分配到多个节点上并行执行,显著提高训练效率。本文介绍DeepSeek中的分布式训练技术,包括配置与启动方法,帮助用户轻松实现大规模模型训练。数据并行通过`MirroredStrategy`同步梯度,适用于大多数模型;模型并行则通过`ParameterServerStrategy`异步处理大模型。DeepSeek简化了分布式环境配置,支持单机多卡和多机多卡等场景。
|
Prometheus Cloud Native Linux
Prometheus+Grafana新手友好教程:从零开始搭建轻松掌握强大的警报系统
本文介绍了使用 Prometheus 和 Grafana 实现邮件报警的方案,包括三种主要方法:1) 使用 Prometheus 的 Alertmanager 组件;2) 使用 Grafana 的内置告警通知功能;3) 使用第三方告警组件如 OneAlert。同时,详细描述了环境准备、Grafana 安装配置及预警设置的步骤,确保用户能够成功搭建并测试邮件报警功能。通过这些配置,用户可以在系统或应用出现异常时及时收到邮件通知,保障系统的稳定运行。
2437 1
|
分布式计算 API 云计算