- 综合排序
- 最热优先
- 最新优先
- 来自专栏SDNLAB
SDN融合5G和时延敏感网络(TSN)
这篇文章聊一聊TSN在融合SDN和5G场景下控制平面的实现。 一．场景与需求 超可靠低时延（URLLC）是5G的三大应用场景之一，比如在工业4.0中，工业企业应用上云，工厂车间的物理网络系统（CPS）传出的时延敏感流量（比如报警信息、控制命令）需要经过5G接入、5G 前传网、5G核心网到达云数据中心，通过IT和OT融合赋能工业互联网，实现智能化、自动化、柔性化的智能制造。 在组网设备上，5G前传网主要由TSN交换机组成，而核心网内既有TSN交换机又有SDN交换机，如何通过统一的控制平面对全网进行管控，并保证超可靠低时延的特性，就成了现在亟需解决的问题，从而也产生了SDN融合 未来，SDN融合5G和TSN，在家办公不必再为视频会议卡顿而捶胸，在家上课不必再为答题交互延迟而跺脚，远程医疗准确高效还免去了排队挂号取单子的繁琐，玩游戏更是流畅到人人都是“头号玩家”。
2.5K20发布于 2020-06-02 - 来自专栏边缘计算
5G时代 边缘计算与网络架构不断融合
与此同时，在类似德国“工业4.0”等工控信息智能化的发展中，信息物理融合系统（CPS，也称虚拟实体融合系统）在靠近物或数据源头的网络边缘侧实现，并对网络、计算、存储、应用等核心能力进行融合逐渐成为趋势。 边缘计算与网络架构的融合成为发展的新课题 在移动通信领域，5G三大应用场景之一中的“低功耗大连接”要求能够提供具备超千亿网络连接的支持能力，满足100万/Km2连接数密度指标要求。 通过架构上的设计尽可能将源和目的之间的距离缩短，也成为新的网络架构设计时一个重要考量的方面。因此，云尤其是边缘计算架构与网络架构之间的融合设计，成为这一发展阶段新的课题。 国外运营商与云企业合作 服务向边缘靠拢 近期，AT&T加强了与微软合作，除了大规模采购微软的云服务之外，还将网络边缘计算功能与其5G网络和Azure云服务集成在一起。 简言之，5G环境之下，未来随着网络的IT化及各方配套能力的提升，市场对运营商提出了新的能力要求：对云架构的理解，将云能力融合到网络能力中策划出更为合理的应用场景。
96230发布于 2019-09-04 - 来自专栏IT技术精选文摘
大规模异构网络数据融合
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
1.1K70发布于 2018-05-30 - 来自专栏SDNLAB
全融合网络虚拟化技术
图5 网络Overlay 网络Overlay方案如图5所示，所有的物理接入交换机支持VXLAN，物理服务器支持SR-IOV功能，使虚拟机通过SR-IOV技术直接与物理交换机相连，虚拟机的流量在接入交换机上进行 四、 网络计算融合虚拟化 通过Overlay技术实现网络虚拟化后，实现了应用与物理网络的解耦，但是网络与计算还是相互独立的，当前的网络架构还无法实现网络与虚拟机的联动，因此，必须要有一种新的IT架构来实现应用与网络的联动 VCF架构是通过集中控制的方式，实现网络与应用联动，同时可以兼容Overlay的自学习模式，从而实现网络与计算的融合虚拟化。 ? iMC云管理平台，融合了终端管理、网络管理以及云业务管理三大管理平台，实现了云业务端到端的管理。 五、 结束语 H3C VCF架构融合了网络计算存储，其最大的特征是增加了一个统一的控制器，把底层物理设备的控制权集中起来，从而能够实现所有资源的相互联动，同时对外提供了开发的接口供第三方进行定制化开发，
1.6K90发布于 2018-04-03 - 来自专栏大数据和云计算技术
超融合方案分析系列（5）EMC vxrail超融合方案分析
以下是超融合分析系列前面几篇，已经阅读过的同学可以跳过。 超融合概述 超融合产品分析系列（1）：nutanix方案 超融合方案分析系列（2）：VSAN的超融合方案分析 超融合方案分析系列（3）深信服超融合方案分析 超融合方案分析系列（4）H3C超融合方案分析 进一步分析 2U4节点属于高密机架服务器，采用这个方案，对更高可靠性有挑战，同时限制也必然很多： 支持网络扩展性有限，最大支持2个10GE网口，无法从物理上隔离，单网芯片双网口网卡的可靠性也不如多网卡 尤其是最新的v5 61xx系列CPU，基本上都是125w以上。将大部分CPU型号基本无法支持。 单节点最大支持4*4=16跟CPU，相比2U空间普遍支持24根内存条，支持的虚拟机更少。 同样，基于VSAN的方案，通常采用的是1:5的混合方案或者全闪存，6个磁盘槽位全部给数据盘，那么整个方案还需要有一个OS盘，在早期的材料中，我看到的是基于SLC的128G的SATADOM的做Esxi虚拟化
2.9K90发布于 2018-03-08 - 来自专栏最新医学影像技术
图像融合生成对抗网络案例
前几篇文章给大家分享了各种基于小波变换方法的图像融合例子，今天我将分享如何使用生成对抗网络来进行图像融合。 简单说明一下，FusionGAN是由生成网络和判别网络构成，生成网络采用的是VNet模型，判别网络采用的是常规分类网络，生成网络的输入是两幅多模态的原始图像，两幅原始图像经过VNet网络产生生成融合图像结果 ，然后将金标准融合图像和生成网络的融合图像一起输入到分类结构的判别网络中去进行真假判别。 首先是生成网络损失函数和判别网络损失函数曲线训练结果。 ? ? 然后是训练过程中生成的融合图像与金标准融合图像如下所示，可以看到随着不断训练生成的融合图像与金标准融合图像越来越相似。 ? 四、生成融合图像效果 最后用训练好的FusionGAN模型来对输入红外图像和自然图像进行融合，并与基于小波变换的脉冲耦合神经网络融合结果进行比对，结果还是比较接近的，如下图所示。 ?
1.6K30发布于 2020-06-29 - 来自专栏边缘计算
云网络：云网融合的新型网络发展趋势
关键词：云网络；云网融合；软件定义广域网 2021年10月18日，习近平总书记在主持中共中央政治局第三十四次集体学习时指出，要加快新型基础设施建设，加强战略布局，加快建设高速泛在、天地一体、云网融合、智能敏捷 以入云专线为例，在城域网范围内，基础网络层可以是无源光网络（PON）、光传输网（OTN），也可以是5G网络。 云网络的现状和发展前景 其实，从业界的应用部署来看，SD-WAN[5]就是一种云网络形态。SD-WAN 具备上述特征并包含上述3个层面。 SD-WAN的Underlay部分可以是目前的互联网专线、互联网宽带，也可以是传输专线，甚至是5G无线接入。所以我们不能认为SD-WAN的网络带宽等同于互联网带宽。 DOI: 10.7544/issn1000-1239.2020.20190693 [5] 史凡. SD-WAN服务持续升级 带来云网络新业态 [J]. 通信世界, 2021(14): 36-38.
2.4K20编辑于 2022-04-01 - 来自专栏自然语言处理
贷款违约预测-Task5 模型融合
Task5 模型融合 Tip:此部分为零基础入门金融风控的 Task5 模型融合部分，欢迎大家后续多多交流。 尝试多种融合方案，提交融合结果并打卡。 （模型融合一般用于A榜比赛的尾声和B榜比赛的全程） 5.2 内容介绍 模型融合是比赛后期上分的重要手段，特别是多人组队学习的比赛中，将不同队友的模型进行融合，可能会收获意想不到的效果哦，往往模型相差越大且模型表现都不错的前提下 ，模型融合后结果会有大幅提升，以下是模型融合的方式。 clf, label, grd in zip(clf_list, label, grid): scores = cross_val_score(clf, X, y, cv=5,
1.1K40发布于 2020-10-10 - 来自专栏NewBeeNLP
DeepWalk：图网络与NLP的巧妙融合
作者 | kaiyuan 整理 | NewBeeNLP公众号 最近这段时间一直在做图网络相关，也差不多收尾了，有空整体复盘了下，大致以下几个主题，不过没整理完全哈哈（下次一定 ） ? Representations[1] 代码：https://github.com/phanein/deepwalk enjoy~ TL;DR DeepWalk是首次将深度学习技术（无监督学习）引入到网络分析 （network analysis）中的工作，它的输入是一个图，最终目标就是获得网络图中每个结点的向量表示 。 采用随机游走有两个好处： 「利于并行化」：随机游走可以同时从不同的顶点开始采样，加快整个大图的处理速度； 「较强适应性」：可以适应网络局部的变化； Skip Gram word2vec的skip-gram 一个小结 deepwalk可以说给网络学习方向打开了一个新思路，有很多优点： 支持数据稀疏场景 支持大规模场景（并行化） 但是仍然存在许多不足： 游走是完全随机的，但其实是不符合真实的社交网络的； 未考虑有向图
1.1K31发布于 2020-10-21 - 来自专栏SDNLAB
新三网融合——计算存储与网络
网络转发设备用于传输流量，不同类型的流量对网络的需求是不同的。 数据中心中有三大类资源，计算、存储和网络，之前讲过的数据网络都是用来传输用户到用户的应用流量的，这类流量对于网络的容忍度比较高，丢包多一点、时延高一点或者抖动大一点都没什么关系，以太网+TCP/IP的协议栈基本上统治了数通网络领域 对于HPC流量，通常使用IB网络（Infinite Band，无限带宽网络）进行高带宽、低时延的传输，对于存储流量，则通常使用FC网络（Fibre Channel，光纤通道网络）进行高带宽、无丢包的传输 下图给出了数据中心中业务网络组网的简化模型。 ? 三张独立的网络往往意味着远超3倍的CAPEX/OPEX，整合势在必行。而三种网络的协议栈不同，要实现整合必须使用一个通用的承载协议。 Cisco 5k已经对FCoE提供了支持，但作者不清楚VN-TAG网卡跟NPIV是否已经做了集成，如果答案是确定的，那么VN-TAG相比于VEPA的优势可就不是一点半点了。 ?
2.3K60发布于 2018-04-02 - 来自专栏AI智韵
DyCAF-Net：动态类感知融合网络
最近的工作如BiFPN[5]引入了可学习的融合权重以增强适应性。然而，这些设计主要依赖静态融合启发式方法，无法在具有异质物体尺度的多样化和动态场景中进行泛化。 为此，我们提出了动态类感知融合网络（DyCAF-Net），这是一种通过三个互补原则重新思考颈部设计的新颖检测框架： 输入条件动态融合：用基于隐式均衡的颈部替换静态多尺度融合规则，该颈部学习根据输入场景条件传播特征直至收敛 残差连接确保保留原始特征图，这有助于稳定训练并促进网络中的梯度流。 B. 隐式多尺度均衡融合 传统多尺度融合技术，如PANet[4]中的技术，使用具有显式启发式的堆叠卷积层。 早期工作如特征金字塔网络(FPN)[3]引入了自上而下的路径，将语义丰富的深层特征与空间精确的浅层特征进行融合。 传统的颈部架构，包括PANet[4]和BiFPN[5]，表现出三个关键缺陷。首先，它们的静态融合规则无法适应依赖于输入的尺度关系，导致在异质场景中特征聚合次优。
31710编辑于 2025-09-11 - 来自专栏NewBeeNLP
DeepWalk：图网络与NLP的巧妙融合
最近这段时间一直在做图网络相关，也差不多收尾了，有空整体复盘了下，大致以下几个主题，不过没整理完全哈哈 [20200920100614548.png? x-oss-process=image,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0thaXl1YW5fc2p0dQ Social Representations 代码：https://github.com/phanein/deepwalk enjoy~ TL;DR DeepWalk是首次将深度学习技术（无监督学习）引入到网络分析 （network analysis）中的工作，它的输入是一个图，最终目标就是获得网络图中每个结点的向量表示 \mathbf{X}_{e} \in \mathbb{R}^{|V| \times d} 。 但是仍然存在许多不足： 游走是完全随机的，但其实是不符合真实的社交网络的； 未考虑有向图、带权图
91820发布于 2020-09-23 - 来自专栏我爱计算机视觉
DLA：一种深度网络特征融合方法
本文回顾一篇CVPR 2018 的论文 Deep Layer Aggregation，一种网络特征融合方法，谷歌学术显示目前该文已有398次引用，希望对研究网络基础结构设计的同学有启发。 2.HDA (Hierarchical Deep Aggregation) IDA能够有效融合多个stage的特征，但是没有对stage内部多个block的特征进行融合。 Node中的特征引回到Backbone中，使得当前block将前面聚合后的特征作为输入，如下图所示： 为提高计算效率，将上图中同一深度的Aggregation Node进行融合，融合后的结构如下图所示 5.使用DLA构造CNN DLA是一个通用的架构，可以很方便地融合到现有的CNN结构中来完成多种计算机视觉任务。 5.1 分类 使用类似ResNet的结构，以DLA为基础构造网络完成分类任务。 6.总结 提出了IDA和HDA，用来融合不同block和不同stage的特征，并将IDA和HDA融合为DLA模块，以DLA为基础构造CNN； 通过实验证明了在分类和语义分割任务中，相比于同等规模的网络，
2.3K30发布于 2021-04-20 - 来自专栏AI SPPECH
YOLO Neck网络设计与特征融合：从FPN到自适应融合的演进
最后，本文展望了Neck网络的未来发展趋势，包括动态融合、轻量化设计、跨模态融合等方向，为研究者和工程师提供了深入理解YOLO Neck网络的宝贵参考。 1. 背景动机与当前热点 1.1 Neck网络在YOLO中的核心地位 Neck网络是YOLO算法的重要组成部分，位于骨干网络和检测头之间，负责将骨干网络提取的多尺度特征进行融合和增强，为检测头提供更有效的特征表示 ，提高对小目标的检测能力 mAP提升5% YOLOv4 PANet + SPP 双向特征金字塔，增强多尺度特征融合 mAP提升3% YOLOv5 PANet + SPPF 改进的SPP模块，减少计算量， 网络对比 算法 Neck网络设计 核心特点 性能表现 YOLOv3 FPN 自上而下特征融合 mAP@0.5: 72.3 YOLOv5 PANet + SPPF 双向融合 + 高效池化 mAP@0.5: 超参数 建议值 说明 融合通道数 256-1024 根据模型大小调整，大模型使用较大通道数 融合层级 3-5 一般使用3-5个层级的特征融合 上采样方式 bilinear 双线性插值，平衡精度和速度
62310编辑于 2026-01-03 基于神经网络的图像融合算法
基于神经网络的图像融合算法神经网络图像融合基础核心思想与传统基于变换域或稀疏表示的融合方法不同，神经网络通过学习大量图像数据中的特征表示，自动提取最适合融合的特征层次，实现更智能、更自适应的图像融合。 卷积神经网络融合方法基本CNN融合架构% 简单的CNN融合网络示例layers = [ imageInputLayer([256 256 2], 'Name', 'input') % 双输入源图像 生成对抗网络融合方法GAN通过生成器和判别器的对抗训练，能产生视觉质量更高的融合图像。 fprintf('开始训练图像融合网络... 多尺度融合网络金字塔结构处理不同尺度特征U-Net-like 编码器-解码器架构残差连接保持细节信息3.
34310编辑于 2025-11-03- 来自专栏网络安全观
军民融合的网络安全体系研究
（5）美国政府和军方采取网络安全审查和政府采购等措施，积极培养本国的网络安全产业 美国国防采购催生网络新技术新产业的巨大市场。 同时，中央国家机关政府采购中心于2014年5月20日通知要求，中央机关采购的所有计算机类产品不允许安装Windows8操作系统；5月23日，来自国家互联网信息办公室的消息称，为维护国家网络安全、保障中国用户合法利益 5．应用推广体系 （1）军方推广应用 军方市场的推广应用领域主要涉及全军网络信息系统、军事作战指挥信息系统、军队后勤保障系统、军队机关办公系统等。 军方市场应在3-5年内实现全面推广应用。 党政机关市场应在5-10年内实现全面替代。 5．加大资金保障，提供军民融合网络安全成长环境 资金保障是实现军民融合网络安全的必要手段。需要以资金投入的方式带动安全发展，确立资金保障的重点支持领域，大力提高基础能力建设。
1.8K40发布于 2021-02-25 - 来自专栏玉龙小栈
什么是超融合数据中心网络？
超融合数据中心网络以全无损以太网来构建新型的数据中心网络，使通用计算、存储、高性能计算三大种类业务均能融合部署在一张以太网上，同时实现全生命周期自动化和全网智能运维。 超融合数据中心网络与HCI有什么异同？ 与HCI不同，超融合数据中心网络只专注于网络层面，提供全新的计算、存储互联的网络层方案。 使用超融合数据中心网络，不需像HCI那样对计算资源、存储资源进行改造和融合，并且基于以太网很容易实现成低成本的快速扩容。 的超融合数据中心网络，基于开放以太网，通过独特的AI算法，可以使以太网络同时满足低成本，0丢包和低时延的诉求。超融合数据中心网络成为AI时代的数据中心构建统一融合的网络架构的最佳选择。
1.1K10编辑于 2022-03-15 - 来自专栏技术篇
5G发牌三周年 云网融合加速 如何解决企业网络之忧？
2019年6月6日，工信部正式向国内运营商颁发5G商用牌照，标志着中国5G时代的开启。 2022年6月，5G发牌已三周年，这三年来5G网络发展迅速，对企业数字化转型、城市高品质信息服务的支撑及促进作用越来越明显，中国5G进入规模化应用关键期。 云网融合时代，越来越多的行业实施数字化转型，IT基础设施上云，其中政务、金融、医疗等重点行业上云业务对运营商的网络提出了更高的要求，其中关键指标之一就是低时延。 网络时延成为企业面向云网融合趋势，打造差异化服务，提升网络能力的关键。 网络时延分为传输介质时延和设备转发时延。 伴随着国内5G、云计算、大数据、人工智能、物联网等新技术的迅猛发展，企业为追求业务灵活性、高可靠性、高稳定性，开始选择上云，云网融合趋势成为“刚需”，多云部署成为常态化普遍需求。
61120编辑于 2022-06-07 5G专网与SD-WAN技术融合：某饮料智能工厂网络架构深度解析
本文将深入剖析这两种技术在智能工厂中的应用场景、部署架构，以及如何通过技术融合实现最优效益。1. 背景与挑战智能工厂的核心需求：高实时性：如机器视觉检测、AGV调度等场景需要毫秒级延迟的网络支持。 2. 5G专网与SD-WAN技术简介2.1 5G专网5G专网是一种基于5G核心网和无线接入网的专用网络，用于为特定企业或场景提供高性能、低时延的通信服务。 某饮料智能工厂网络架构设计在某饮料智能工厂，5G专网与SD-WAN技术的结合形成了一种混合型网络架构。以下是具体部署方案。 3.1 网络架构图以下是某饮料智能工厂的网络架构图，展示了5G专网和SD-WAN在不同场景中的协同部署。 4. 5G专网与SD-WAN的功能对比 5. 总结通过技术融合，某饮料智能工厂实现了高性能网络覆盖与灵活跨区域协作的目标。
49810编辑于 2025-08-04- 来自专栏生物信息学、python、R、linux
Similarity Network Fusion（SNF）相似性网络融合
如下面将两种数据类型融合在一起的：同一组患者的mRNA表达和DNA甲基化。
4.5K20发布于 2020-04-01
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号