随着智算中心数据流量和业务需求的快速增长,高效、灵活的网络解决方案成为关键。细颗粒光传送网(fine grain optical transport network,fgOTN)作为同步数字体系(synchronous digital hierarchy,SDH)技术的接续与光传送网(optical tran...随着智算中心数据流量和业务需求的快速增长,高效、灵活的网络解决方案成为关键。细颗粒光传送网(fine grain optical transport network,fgOTN)作为同步数字体系(synchronous digital hierarchy,SDH)技术的接续与光传送网(optical transport network,OTN)技术的扩展,被应用于智算中心互联,以满足其灵活调度、高效传输、严格安全隔离和低时延等多重需求。首先,介绍了fgOTN的基本概念、技术架构及应用场景,随后,阐述了智算中心的相关概念、体系架构、关键技术及应用场景。在此基础上,重点探讨了fgOTN在智算中心互联中的应用,旨在促进智算中心间数据传输的高效、可靠。最后,论述了fgOTN应用于智算中心互联的研究方向和发展趋势。展开更多
文摘随着智算中心数据流量和业务需求的快速增长,高效、灵活的网络解决方案成为关键。细颗粒光传送网(fine grain optical transport network,fgOTN)作为同步数字体系(synchronous digital hierarchy,SDH)技术的接续与光传送网(optical transport network,OTN)技术的扩展,被应用于智算中心互联,以满足其灵活调度、高效传输、严格安全隔离和低时延等多重需求。首先,介绍了fgOTN的基本概念、技术架构及应用场景,随后,阐述了智算中心的相关概念、体系架构、关键技术及应用场景。在此基础上,重点探讨了fgOTN在智算中心互联中的应用,旨在促进智算中心间数据传输的高效、可靠。最后,论述了fgOTN应用于智算中心互联的研究方向和发展趋势。
文摘未来第六代移动通信系统(6G)以提供超可靠、智能化的网络连接,实现动态环境下的万物互联。数字孪生信道(Digital Twin Channel,DTC)作为支持6G网络智能化的关键技术,在数字世界中在线构建高保真孪生信道,助力网络主动适应与精准决策。传统的AI小模型通常仅针对特定任务或特定场景,面对6G复杂、高动态的无线信道存在巨大挑战,难以全面满足DTC的需求。大语言模型(Large Language Model,LLM)因在多模态特征融合、高维数据建模等方面具有强大能力,有望克服上述挑战。首次将DTC与LLM框架相结合,构建信道通用预训练大模型ChannelGPT,以应对6G无线信道的巨大挑战。具体来说,ChannelGPT设计为3个核心层,数据处理层构建大规模环境与信道数据集,算法模型层充分挖掘无线环境信息与信道特性之间的匹配映射,功能应用层有望支持多任务的联合优化。仿真结果表明,ChannelGPT在预测精度、多模态融合能力方面相较于小模型方法具有明显优势,为实现DTC提供了有潜力的手段。
