随着企业数字化转型深入,基础网络承担着企业整个园区各类业务系统的整体数据传输,是企业高效业务发展不可或缺的一部分。而设备与用户的加入,则使得网络的价值和重要性以几何级数增加。在此背景下,智能网络成为数字时代企业园区网络的必然选择。
基于对智能园区网的理解,神州数码旗下DCN(神州数码网络)联合数字中国服务联盟成员陕西瑞金旗下云雀软件、金锐同创旗下巽联科技,共同推出智能园区网混合云管理三方联合解决方案,旨在提升智能园区网简易化开局的智能部署、感知业务状态的应用与服务和软件定义网络的智能运维等三个维度的能力,打造新基础设施,赋能企业数字化转型。
智能园区网混合云管理联合解决方案概述
该方案把园区网划分为园区业务网、园区办公网、设备管理区、数据中心区、分支机构区等区域,为实现不同区域的业务目标,智能园区网混合云管理联合解决方案具备不同的组成及优势。
园区业务网:重点考虑业务系统端到端的网络性能,采用流量采集分析的方式,通过与CMDB以及NAT设备(防火墙或负载均衡)进行API对接获得服务器IP以及IP地址转换策略,自动关联会话,展示业务系统全流程画像,并显示此会话的网络状况,让客户清晰看到业务系统的网络态势。
设备管理区:承担整网的入网、运维和运营的工作。神州数码DCN的ImCloud云管理平台纳管DCN自有及第三方无线设备,实现跨品牌有线无线统一管理,并实现设备层面的可视化,如网络组网状态、设备状态、配置管理等,在APP移动运维集中发挥优势。

业务系统端到端逻辑及网络性能
数据中心区:神州数码DCN的ImCloud支持位置相关的智能数据服务,以AP内置蓝牙对终端的定位而产生位置信息,通过数据中心大数据分析为上层应用提供数据支撑。
分支机构区:实现搬家期间根据接入的终端自动下发 VLAN、IP、接入安全策略,解决了大规模网络调整及配置问题,通过软件定义网络的方式实现了纯无人值守下的搬家模式。搬家结束后,用户将系统策略切换为绑定模式,每次入网开始前检测入网合规性,所有用户无法私自移动位置。
以神州数码DCN技术与产品能力构建联合解决方案优势
三方联合解决方案从技术及产品两个层面的结合来提升解决方案整体能力,实现了混合云架构、开局简易化、感知业务状态、软件定义网络四大优势。
混合云架构:ImCloud+云雀+巽联组成松耦合混合云架构,部署模式支持内网、外网多种场景(隔离网交换机控制+外网无线管理+内网混合场景),适配各种网络环境;
实现开局简易化:神州数码DCN与云雀结合提供网络规划能力及跨品牌自动化部署能力,实现开局简易化;
感知业务状态:神州数码DCN与巽联科技结合来感知业务状态,提供无线位置服务及端到端的业务逻辑及网络性能情况分析;
软件定义网络:实现主机访问关系可视化及IP地址可视化,为智能运维提供基础,通过软件定义网络实现网络自动化迁移。

三方联合解决方案技术结合点
该方案结合了神州数码DCN产品优势,增强了解决方案产品性能。
神州数码DCN设备自动上线:定制交换机实现神州数码DCN设备自动上线,无需预配置,云雀可以直接管理DCN交换机
软件定义接口状态:定制交换机可基于云雀实现软件定义的接口UP/DOWN,自动感知接口开关
数据分析:ImCloud、云雀、巽联的数据分析结果导入云平台进行综合关联分析,为智能园区网管理带来无限可能。
智能园区网混合云管理联合解决方案可以帮助企业园区更加灵活演进,承载更多的智能业务,从而发挥数字化转型的带动作用。未来,基于"数字中国服务联盟",神州数码将在解决方案构建、服务能力输出、品牌合作等方面与联盟成员和生态伙伴展开更多创新合作模式和前沿领域的前瞻性探索。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。