学习
实践
活动
专区
工具
TVP
写文章

2019年:为优化软件定义的数据中心网络,你需要关注啥

为保障软件定义的数据中心网络(SDDCN)性能,组织需要先进的网络软件来管理和保护高速流量。为提供可靠的服务质量,网络管理员需要自动化解决方案来监控关键应用程序。 ? 为了优化SDDNC的性能,以下是在未来一年中需要关注的10个因素。 多云迁移 现在,大多数组织都生活在多云世界中,应用程序运行在各种IaaS,SaaS和内部数据中心平台上。 网络软件(包括数据中心和SD-WAN)将越来越多地用于跟踪数据流并促进应用程序/数据迁移到适当的平台。 网络软件提供了对关键数据中心资产的分段/隔离,以及监控数据流量以识别攻击和改变网络以修复特定威胁的能力。 2019年,网络软件供应商必须构建一个基础广泛的安全生态系统,将SDDCN元素与大多数组织中已部署的各种网络和IT安全系统集成在一起。

32630
  • 广告
    关闭

    年末·限时回馈

    热卖云产品年终特惠,2核2G轻量应用服务器7.33元/月起,更多上云必备产品助力您轻松上云

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    业界 | ARM放大招发布Trillium项目:包含神经网络软件库和两种AI处理器

    、许迪 90% 的 AI 设备都是用 Arm 的架构设计的,现在 Arm 在人工智能领域厚积薄发,发布了 Trillium 项目,包括一款为移动设备而设计的机器学习处理器、一款目标检测处理器和一个神经网络软件库 为了提高机器学习的影响力,今天这家公司宣布了 Trillium 项目,包括一个机器学习处理器、一个目标检测处理器,和一个神经网络软件库的 Arm IP 套件。 该芯片使移动设备每平方毫米的运算性能不低于每秒 4.6 万亿次,在现实优化应用中实现 2 到 4 倍的吞吐量提升,以及在热度和能耗有限的环境里也能够实现超过 3 TOPs/W 的效率。 该架构为 16 位整数运算进行了优化。 新架构将为 CPU 和 GPU 遇到的挑战提供解决方案,Davies 说。「卷积神经网络非常普遍。 该库支持主流框架,如 TensorFlow、Caffe,且已经为 Arm Cortex CPU、Mali GPU 和新型机器学习处理器进行了优化

    36860

    起底那家在亚马逊卖5G核心网、斩获MWC2019四项大奖的Athonet

    就是这样一家连维基百科都没有的不到50人的小公司,凭借BubbleCloud解决方案斩获了最佳企业移动创新奖、杰出移动技术奖(首席技术官之选)、最佳移动技术突破奖(公司年度全球收入不到1000万美元)和最佳网络软件突破奖 网络软件化 2015年,在NetSoft学术会议上,网络软件化的概念被首次提出,目的是通过软件编程来设计、实现、部署、管理和维护网络设备和网络组件的总变革趋势,在网络设备、组件的整个生命周期中,利用软件的灵活性和快速性 ,为网络和服务结构的重新设计、优化成本和过程,实现自我管理,为网络基础设施带来附加值创造了条件。 (更多内容,请阅读一场即将开始的革命——网络软件化) 白盒化 自从软件定义网络(SDN)出现以后,市场对白盒交换机的需求越来越大。 白盒等新技术的引进有助于摆脱设备厂商锁定,有了白盒,电信公司就可以在商用的现成服务器上运行网络软件,而不是依赖于结合了专有硬件和软件的“黑匣子”。

    56420

    压力测试中存在的问题

    压力测试存在那些问题 我归纳一下又几点: 操作系统默认安装,在未做任何优化的情况下实施压力测试 未考虑磁盘IO对软件的影响 未考虑网络带宽对软件的影响 网络软件测试,没有考虑到TCP特点 各种超时参数优化 测试客户端未优化 并发理解有误 WEB服务器,数据库,等等服务器未优化 如果上面几项没有做优化,压力测试数据基本没有任何参考价值,任何一项没有优化,都会导致你的压力测试数据出现偏差。 下面我来逐条说明: 操作系统问题 操作系统是大众化软件,出厂优化都是面向大众,不可能为某个领域做单独优化。所以我们第一步需要优化操作系统。 Linux 系统优化内核参数,Windows 系统优化注册表等等。 磁盘IO 这是最容易出现瓶颈的地方,常常是CPU还没有达到极限,磁盘已经不堪重负。 客户端 很多网络软件需要从客户端发出压力测试请求,所以客户端的优化也是必须的,否则客户端压力出不去,服务端压力进不来。 并发 很多人认为并发,就是同一时间内的最大连接数,这是错误的。

    54640

    Android 优化——存储优化

    Android 优化目录 ---- 交换数据格式 Google 推出的 Protocal Buffers 是一种更轻便高效的存储结构,但消耗内存较大。 SharePreferences 优化 当 SharedPreferences 文件还没有被加载到内存时,调用 getSharedPreferences 方法会初始化文件并读入内存,这容易导致 耗时更长 因此,最好的优化方法就是避免频繁地读写 SharedPreferences,减少无谓的调用。 数据库优化 使用 StringBuilder 代替 String 查询时返回更少的结果集及更少的字段 查询时只取需要的字段和结果集,更多的结果集会消耗更多的时间及内存,更多的字段会导致更多的内存消耗 实际多表操作在被实际执行前,查询优化器会根据连接条件,列出几组可能的连接方案并从中找出系统开销最小的最佳方案 查询列与索引列次序一致 用多表连接代替 EXISTS 子句 把过滤记录数最多的条件放在最前面

    36920

    Android 优化——布局优化

    Android 优化目录 ---- 理想情况下,60 FPS 以上就不会卡顿,就是 1 秒内要有 60 帧,所以每一帧要在 16ms 内绘制完成。 刷新机制可以看Android Project Butter分析或《Android应用性能优化最佳实践》2.1.2 刷新机制一节。 大片的蓝色可以接受,如果整个窗口是蓝色的,可以尝试优化减少一次 绘制。 绿色:每个像素多绘制了 2 次。 淡红:每个像素多绘制了 3 次。一般来说,这个区域不超过屏幕的 1/4 是可以接受的。 严重影响性能,需要优化,避免深红色区域。 自定义 View 本身被认为一层,但是 onDraw 里可绘制时可能产生过度绘制,通过 canvas.clipRect 来解决,具体参见 《Android应用性能优化最佳实践》2.4.3 一节。

    53320

    优化1】线性优化

    概览 线性化的必要性 非线性条件线性化 绝对值约束 最大最小约束 比例约束 总结 Julia优化例子 Knapsack Diet 概览 线性优化,指的是目标函数和约束条件都是线性的优化问题。 面对一个优化问题,首先需要建立优化问题的模型,因此需要编程语言;对优化问题建模后需要求解该问题,因此需要求解不同优化问题的solver。 优化库JuMP:是Julia的一个包,用于建立优化问题。 solver:Jump支持很多开源与商业的solver,这些solver用于求解优化问题。 线性化的必要性 求解线性问题要比求解非线性问题容易很多,因此将非线性的目标函数或者约束跳进进行线性化,有利于求解优化问题。 本文将介绍三种常见的非线性约束并探讨如何将其线性化。 \end{equation} 最大最小约束 最大最小约束(或最小最大约束),可以将优化目标用一个自变量代替,然后补充满足条件的自变量的约束条件即可。

    1K90

    iOS 优化 - 启动优化

    之前曾在iOS 优化-瘦身文章中提到过 iOS 优化将会是一个专题,今天就带来 iOS 优化系列的第二篇,主要介绍一下启动优化,即如何减少应用的启动时间。 App 启动过程 在优化之前,我们需要对 App 的完整启动过程有个了解,这样我们才能知道启动耗时分布的阶段、哪一个阶段可以被优化以及优化哪一个阶段 ROI 最高。 下面是一些常用的优化手段,优化起来易,防劣化起来难。 首屏渲染优化 这个阶段其实对 UI 渲染效率的提升了,优化手段也就是渲染优化方面的通用手段了。 参考资料 reducing-your-app-s-launch-time[6] 58 同城 App 性能治理实践-iOS 启动时间优化 iOS 优化篇 - 启动优化之 Clang 插桩实现二进制重排[7

    20620

    压力测试中存在的问题

    压力测试存在那些问题 我归纳一下又几点: 操作系统默认安装,在未做任何优化的情况下实施压力测试 未考虑磁盘IO对软件的影响 未考虑网络带宽对软件的影响 网络软件测试,没有考虑到TCP特点 各种超时参数优化 测试客户端未优化 并发理解有误 WEB服务器,数据库,等等服务器未优化 如果上面几项没有做优化,压力测试数据基本没有任何参考价值,任何一项没有优化,都会导致你的压力测试数据出现偏差。 下面我来逐条说明: 操作系统问题 操作系统是大众化软件,出厂优化都是面向大众,不可能为某个领域做单独优化。所以我们第一步需要优化操作系统。 Linux 系统优化内核参数,Windows 系统优化注册表等等。 磁盘IO 这是最容易出现瓶颈的地方,常常是CPU还没有达到极限,磁盘已经不堪重负。 客户端 很多网络软件需要从客户端发出压力测试请求,所以客户端的优化也是必须的,否则客户端压力出不去,服务端压力进不来。 并发 很多人认为并发,就是同一时间内的最大连接数,这是错误的。

    81340

    扫码关注腾讯云开发者

    领取腾讯云代金券