Emulex公司和Dynatrace公司今日宣布共同推出全面集成解决方案NetPod。NetPod将Dynatrace的数据中心分析(DC RUM)和Emulex的EndaceProbe智能网络记录仪(Intelligent Network Recorders,INR)完美地结合在一起。NetPod可为网络团队提供高保真网络和应用交易级可视性及长期数据包存储功能。NetPod基于硬件的EndaceProbe INR可提供100%的数据包捕获、纳秒级时间标记和“回退(back-in-time)”播放功能,以及一个可监控用户体验的平台。NetPod可帮助优化数据中心内所有应用的性能、可扩展性和可预测性,包括Citrix、SAP、Oracle、Siebel、Microsoft Exchange等。
Emulex公司高级副总裁兼网络可视性产品总经理Ali Hedayati表示:“今天的IT团队需要不光可以帮助监控和发现性能问题的端到端工具。不管问题被隔离到客户端、网络、服务器还是数据库中,NetPod提供的基础数据包数据都可用于确保技术团队可获得显示问题根源所在的确凿证据。NetPod提供的应用上下文数据还可帮助在适当的时间快速提取正确的数据包,即使感兴趣的交易发生在过去也不例外。所有这一切可以简化以网络为中心的关键任务应用的交付,通过确保这些应用对最终用户的可用性来提高它们的业务价值。”
NetPod是一种设计用于高速10/40/100Gb以太网的解决方案,可提供对多个网络层、基础架构组件、Web及非Web应用的全面可视性。它可以智能地监控并记录包含主要负载均衡装置、防火墙、WAN加速装置及中间件的最复杂应用交付基础架构中的实时应用交易。
Dynatrace公司总经理John Van Siclen表示:“NetPod是Emulex和Dynatrace为满足双方企业和服务提供商客户的需求,倾力合作的成果。NetPod能以独特的方式了解主要应用、数据库和中间件的应用逻辑和用户行为。这套集成解决方案可填补网络和应用团队间的空白,为他们提供统一的信息来有效管理数字通道和基础架构。”
NetPod将从2015年第1季度开始通过部分具有必要AA-NPM和APM专业技术的Emulex及Dynatrace合作伙伴提供。凭借全面的AA-NPM和APM专业技术及NetPod客户支持能力,Forsythe和WWT将作为北美地区的第一批产品发布合作伙伴。
Forsythe公司系统解决方案副总裁Kevin Keuning表示:“NetPod提供了一种先进的解决方案。可解决我们客户面临的最复杂的网络和应用性能问题。部署复杂多层应用的网络团队需要能够高效地排除网络性能问题根源的人员和工具,而这又需要适当的信息和流程,帮助确保顺畅的通信并协作开发有效的解决方案。”
正如Emulex最近对网络和安全运行专业人员进行的调查所显示,IT团队费尽心机地查找问题根源。而这一过程中的主要困难在于缺乏帮助发现和解决问题所需的准确、及时的数据。
WWT公司总监兼数据中心业务主管Scott Miller指出:“开发有效的解决方案来帮助客户节约时间和成本,提供确定故障潜在根源所需的确凿证据,通过有意义而且有帮助的操作来排除故障或将故障根源隔离到具体组件上,这一点非常重要。NetPod可提供对多个数据中心层、基础架构组件、Web和非Web应用的全面可视性,帮助实现故障隔离。”
NetPod结合了多种关键技术来简化并自动完成应用交易分析:
• 对用户体验及性能和可用性问题的业务影响的持续评估;
• 实时数据包捕获(无丢包)和纳秒级时间标记确保可获得分析所需的所有必要数据;
• 所捕获数据包的深度存储(Deep storage),可在出现间歇性问题时实现“回退(back-in-time)”播放分析;
• 一整套应用协议解码,还有应用逻辑和用户环境信息;
• 与Dynatrace APM技术及需要接入数据包以确保安全性的第三方产品的无缝兼容性,实现全面的代码级交易跟踪、综合监控或移动设备监控。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。