瞻博网络继续发展其人工智能原生网络平台，而 HPE 140 亿美元收购瞻博网络的交易继续通过必要的监管障碍。
瞻博网络（Juniper Networks）正在推进其 AI-Native Networking Platform 的软件，以帮助企业客户更好地管理和支持数据中心中的人工智能。这家被 HPE 收购的目标公司还为企业人工智能集群提供新的验证设计，并开设了一个实验室，对企业人工智能数据中心项目进行认证。
瞻博网络的AI-Native网络平台旨在将其园区、分支机构和数据中心网络产品统一在一个通用的AI引擎下。该平台的核心是该公司基于云的自然语言Mist人工智能和Marvis虚拟网络助理（VNA）技术。瞻博网络的Mist人工智能引擎可以分析来自网络接入点和设备的数据，从而发现异常并提供可行的解决方案。Marvis可以检测和描述无数的网络问题，包括有线或无线客户端持续故障、电缆故障、接入点覆盖漏洞、广域网链路问题以及射频容量不足等。
瞻博网络现在扩展了其平台，增加了一系列被称为人工智能运营（Ops4AI）的新功能。这些新增功能可实现拥塞控制、负载平衡和管理功能，适用于由供应商的核心 Junos 和基于意图的瞻博 Apstra 数据中心网络软件控制的系统。
瞻博网络产品、解决方案和营销负责人Amit Sanyal表示，针对网络拥塞问题，公司增加了一项名为面向人工智能的 Fabric autotuning 的功能，该功能可收集路由器和交换机的遥测数据，自动计算和配置用于 Fabric 拥塞控制的最佳参数设置。
"Sanyal写道："在人工智能网络中，来自GPU的远程动态内存访问（RDMA）驱动着巨大的网络流量。"尽管采用了负载均衡等拥塞避免技术，但在某些情况下仍会出现拥塞（例如，在最后一跳交换机上，来自多个 GPU 的流量流向单个 GPU）。出现这种情况时，客户会使用数据中心量化拥塞通知（DCQCN）等拥塞控制技术。DCQCN 使用显式拥塞通知 (ECN) 和基于优先级的流量控制 (PFC) 等功能来计算和配置参数设置，以便在所有交换机上为每个端口的每个队列获得最佳性能。在所有交换机的数千个队列中手动设置这些参数既困难又容易出错"。
为了解决这个问题，瞻博网络Apstra收集遥测信息，并为每个端口的每个队列计算最佳ECN和PFC参数设置。Sanyal 写道，通过闭环自动化，网络中的所有交换机都能自动配置最佳设置。
Apstra 的工作原理是实时保存配置、遥测和验证信息，确保网络按照企业的要求运行。公司可以利用 Apstra 的自动化功能，为跨物理和虚拟基础架构的工作负载提供一致的网络和安全策略。此外，Apstra 还会定期进行网络检查，以保护配置。它与硬件无关，因此可以与瞻博网络的网络产品以及思科、Arista、戴尔、微软和 Nvidia 的产品集成。
在负载平衡方面，瞻博网络增加了对动态负载平衡（DLB）的支持，DLB可选择最佳网络路径，并提供更低的延迟、更高的网络利用率和更快的作业完成时间。Sanyal表示，从人工智能工作负载的角度来看，这将带来更好的人工智能工作负载性能和更高的昂贵GPU利用率。
"与传统的静态负载均衡相比，DLB 能显著提高 Fabric 带宽的利用率。但 DLB 的一个局限性是，它只能跟踪本地链路的质量，而不能了解从入口节点到出口节点的整个路径质量，"Sanyal 写道。"假设我们有一个 CLOS 拓扑，服务器 1 和服务器 2 都在尝试发送数据，分别称为 flow-1 和 flow-2。在 DLB 的情况下，leaf-1 只知道本地链路的利用率，并完全根据本地交换机质量表做出决定，而本地链路可能处于完美状态。但是，如果使用 GLB，就可以了解整个路径质量，其中的拥塞问题就存在于脊叶级别。
