近日,下一代网络和设备测试、测量、保障和分析解决方案供应商思博伦通信(伦敦证交所上市代码:SPT)宣布,思博伦TestCenter Virtual已在AWS Marketplace中正式上线。这款适用于云计算的测试解决方案构架于思博伦的旗舰产品,可加快网络服务和应用在公有云和混合云中的开发、测试和部署,并降低其在此类多样化生态体系中的复杂性。
网络设备制造商和云服务商将AWS中的连续集成和连续交付(CI/CD)应用于产品和服务验证,而思博伦TestCenter Virtual通过“经过改进的CI/CD进程”来加快此产品验证的过程。由于该应用能够在AWS和私有混合云中同时运行终端,并可实现网络协议仿真等特有新型网络功能的加载,因此能够大幅加快此类环境中各类网络服务的验证过程。
对企业客户而言,TestCenter Virtual可加快应用和服务从私有基础设施向公有云和混合云的迁移,同时还能通过云中的连续验证和回归能力为网络的性能提供保障。同时,它还加强了传统基础设施的测试和保障技术,利用增强型的方法学来应对全新的服务和应用层挑战,从而协助客户确保在从企业设施向云中迁移过程中,SD-WAN基础设施和关键任务应用的扩展能力、可靠性和性能。
Alkira公司研发副总裁Himanshu Shah指出:“我们在AWS中利用TestCenter Virtual为旗舰解决方案Alkira CSX(Cloud Services Exchange)的控制层和数据层性能提供了保障。思博伦的虚拟解决方案帮助我们缩短了性能测试的周期,从而能够快速、高效地利用一个集成式网络服务市场来提供统一的多云网络,充分满足了我们客户的需求。”
思博伦通信高级产品经理Prashant Gupta认为:“在涵盖了公有云、私有云和物理网络环境的复杂拓扑结构中,AWS中的TestCenter Virtual帮助客户快速、高效地启动对其联网服务的性能保障。它可以大幅缩短测试周期,并通过连续回归和验证优化应用和网络的性能、规模和弹性,已成为开发商极具价值的工具,能够帮助他们缩短入市时间,并且确保多种现实场景下的云应用性能。”
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。