过去18个月以来,以太网的发展突飞猛进,传输速度节节攀升。在今年7月份召开的IEEE P802.3bs 400GbE工作小组会议上我们获悉,该组织已经完成了对技术方案的遴选,为接下来制订IEEE P802.3bs 400GbE标准草案做好了准备。
John D’Ambrosia,戴尔网络首席技术官、以太网传播总负责人,同时也是IEEE 802.3 400 Gb/s以太网研究组主席、以太网联盟董事会主席以及IEEE 802执行委员会记录秘书。最近,他在博客中与我们分享了一个令人振奋的消息:IEEE P802.3bs 400GbE研究组已经完成了技术方案遴选,为400GbE标准草案的推出做好了准备。
戴尔网络首席技术官、以太网传播总负责人John D’Ambrosia
是 的,我们已经看到了400 Gb/s以太网的曙光!参与草案定制过程的John D’Ambrosia非常感慨,“达成业界共识不是一件容易的事,只有经历过才知道它的艰难。这些决议将从根本上改变电信号和光信号的传输,这不仅会在短 期内为整个行业带来两个机遇,还将为未来发展铺平了道路。”
揭秘IEEE P802.3bs 400GbE项目
由John D’Ambrosia主持的400GbE项目包括开发用于电路板和400GbE光模块的400GbE电接口以及在100米多模光纤(MMF)、500米单模光纤、2千米单模光纤和10千米单模光纤(SMF)上运行400GbE。
完整解决方案组合包括若干个基于多个25Gb/s或50Gb/s通道的方案,其中的运行速率主要取决于具体的光纤型号。
100米MMF型号将通过16个运行速率为25Gb/s的通道解决,即在各个方向上通过16条并行光纤以25Gb/s的速率传输,同时它也使用基于16个25Gb/s通道的电接口。
该解决方案使用的是当前驱动25GbE和100GbE的同一25Gb/s电信号和光信号传输速度。它基于不归零码 (NRZ) 信号传输这一使用了多年的基本信号传输方式。
每种传输型号到最终都会面临绕不开的独特技术和经济压力,因此,工作小组在研究如何选择解决方案组合时,针对不同的传统距离有不同的考虑:
●对于500米的情形,工作小组选择了在每个方向上使用4根并行光纤的方法,其中每根光纤传输100Gb/s的单个光信号。这样,4根光纤合在一起即可实现 400GbE,并且每个光纤还具备支持100GbE的潜力。尽管支持100GbE并不是该项目的目标,但工作组认识到如果开发出来的解决方案不影响这类实施将具有重大意义。
●对于2千米和10千米的情形,需要采用单个双SMF的方法,因为使用如此长距离的并行光纤可能会遇到成本较高的问题。对于这些解决方案,将使用单光纤 WDM 的方法来传输400GbE,该方法使用8个光信号 (lambdas),其中每个信号的速度为50Gb/s。
John D’Ambrosia表示,“感觉到自己已经触摸到了以太网解决方案的光明未来。”
以太网的发展依靠IT核心生态圈的进步
John D’Ambrosia曾表示,以太网的发展其实是依赖于整个IT生态圈的努力。服务器领域正处在向万兆的演进过程中,需要把万兆网卡和服务器集成在一起。在数据中心中我们需要有更多高密度的以太网交换机支持万兆服务器部署。在数据中心汇聚层,我们可以看到40G以太网能够更经济、有效地发挥作用,所以被广泛接受,而100G目前还不是性价比最好的选择,仍然有待发展。
越往核心走,带宽的压力越大,因为所有的数据都会从边缘汇聚到核心管道。这就要考虑整个网络和基础设施的配置问题,包括虚拟化服务器、对应的数据流量以及相应的成本、能耗等。成本和可靠性的考虑才使得以太网能够不断地发展。
戴尔以创新精神推广以太网
在以太网的推广过程中,无论是戴尔还是John D’Ambrosia都是以太网的布道者。John D’Ambrosia作为以太网联盟董事会主席可以直接参与以太网各项标准的制定和推广。而戴尔的优势在于拥有完整的数据中心生态系统,包括服务器、存储、网络和各类软件等。在John D’Ambrosia的带领下,戴尔可以更加清晰地了解以太网的未来,制定更加完整的产品路线图。
更好地推广以太网,需要更好的开放性的创新理念。2014年,戴尔提出了“Future-Ready(成就未来)”的口号,并将开放真正的落实到产品上。戴尔网络方案将会支持数据中心、园区、分支机构以及远程数据中心的快速发展。
在推广软件定义网络SDN战略和戴尔灵动网络架构的同时,戴尔正在推动着开放式网络的革命,未来的网络中将拥有标准的编排和自动化工具、可选的第三方SDN/NVO控制器,支持任何操作系统,使用基于开放式标准的硬件及芯片。
随着中国4G的落地普及和未来5G的逐步发展,400GbE一定会成为一个高性价比的网络在未来几年被快速推广。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。