3种可供选择的SD-WAN架构

本文介绍了SD-WAN的三种架构模式:纯本地模式、云支持模式和云支持+骨干网模式。每种模式都有其独特优势,如实时流量监控、多链路负载均衡、云应用性能提升和灾难恢复能力。适合不同类型的企业,从不使用云应用到依赖大型云计算应用的公司。骨干网模式通过私有网络提高实时应用性能,尤其适用于对延迟敏感的企业。

1、纯本地模式(On-prem-only)

纯本地模式(On-prem-only)的SD-WAN正如其名,企业需要在本地保留一个SD-WAN的盒子(其实质是一个插件路由器),在每个站点执行实时的流量监控。

与其他的架构方式不同的是,SD-WAN盒子不需要连接到云网关,它只连接到企业的其他端点。

最适合的企业类型:公司内部托管所有应用程序的公司(没有任何云应用程序),如果企业不使用云应用程序,那就不需要使用支持云计算的SD-WAN解决方案,添加云计算的启用将增加不必要的成本。一个常见的配置是为实时应用程序(如语音、视频或虚拟桌面)保持一个缩小版的MPLS网络,并且能够有效利用受SD-WAN控制的公共互联网。

优势:

  • 每月的SD-WAN云启用成本较低(甚至为0)
  • 多链路/ISP负载均衡
  • 实时流量监控,提高所有WAN应用程序的性能
  • 以更好的连接备份,提高灾难恢复(DR)

2、支持云计算的架构式(Cloud-enabled)

在支持云计算模式的SD-WAN架构中,该解决方案提供了连接到云网关(虚拟)的SD-WAN盒子,通过这种架构方式,企业可以获得纯本地模式(即实时流量监控和多链路负载均衡/故障迁移)的优势,同时还能提高云计算应用的性能和可靠性。

云网关直接与主要的云服务提供商(Office 365、AWS、Salesforce等)联网,从整体上提高云计算应用的性能。此外,如果企业互联网链路在使用云计算应用程序时发生故障,网络可以保持云会话处于活跃状态。如果企业有备用互联网链路,SD-WAN可以将云应用程序重新路由到企业的备用链路,从而有效预防会话中断。

最适合的企业类型:运行大型云计算应用程序的公司,例如Office 365,AWS,Dropbox,Azure,Salesforce等。通常的配置是使内部实时应用程序在小型MPLS网络上运行,并具有云应用程序,同时在由SD-WAN控制的互联网上运行。

优势:

  • 云网关:提高云应用的性能和应用程序的可靠性
  • 多链路/ISP负载均衡
  • 实时流量监控,提高WAN应用的性能
  • 以更好的连接备份,提高灾难恢复(DR)

3、支持云计算+骨干网的架构模式

支持云计算的SD-WAN架构在加上了骨干网之后,其性能提升到了另一个层次。支持云计算的骨干网SD-WAN架构提供了SD-WAN盒子,将企业的站点连接到SD-WAN提供商距离最近的网络节点(POP),企业的流量在SD-WAN提供商的私人、光纤、网络骨干网中传输。

当企业的WAN流量在穿过SD-WAN提供商的专用骨干网时,可以实现低延迟、低丢包率和低抖动。这种方式能够有效提高所有网络流量的性能,特别是语音、视频和虚拟桌面等实时流量。骨干网也与主要的云应用提供商直接相连,这些应用能够提高性能和可靠性。

最适合的企业类型:运行大量实时网络应用的公司,有望彻底取消其MPLS网络并降低成本,由于担心高延迟、丢包和抖动,又不希望完全依赖公共互联网传输流量的公司。

优势:

  • 广域网流量主要通过私有骨干网传输,提高网络应用的性能,尤其是实时应用的性能
  • 云网关能够提高云应用的性能和可靠性
  • 多链路/ISP负载均衡
  • 实时流量监控,提高WAN应用的性能
  • 以更好的连接备份,提高灾难恢复(DR)

目前还没有几家公司提供这种架构模式的SD-WAN产品。

在这三种架构模式中,都存在多个变量,但是这些变量也是企业正确评估和设计一个SD-WAN解决方案所需考虑的要素。

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值