
数据中心网络架构之变
传统的数据中心网络一般根据功能划分为:核心层、汇聚层、接入层三个部分。接入层网络一般包含有存储接入和服务器接入,通过低端网络设备直接连接存储和服务器设备,一般提供100M端口的接入。汇聚层的网络设备一般具有高密度端口,高带宽的特点,直接与接入层网络设备互连。汇聚层网络设备直接连接到核心层,核心层网络设备一般是一个企业或者数据中心的网络出口,一般是高端路由器设备或者高端数据中心设备。由此可见,传统数据中心的网络架构一般分为三层,接入层以二层业务为主,而汇聚层和核心层主要是三层业务。这样的网络架构从网络出现的时候开始几十年都没有多少变化,而变化的只有网络设备的性能和可提供的网络带宽。从10M半双工接入,到100M、1000M甚至是10G的接入带宽增长,同时在汇聚层也从1000M到10G,8口10G聚合绑定,40G端口及聚合端口绑定的带宽,在核心层也出现了100G的出口。这样的带宽在不改变网络架构上,只需要更换高性能的设备或板卡就可以实现。而通过采用更高性能的设备,也可以达到提升二三层规格性能的目的。目前的汇聚层设备,一般都可以提供二层MAC
32K~512K,三层路由8K~512K,这样的网络性能可满足10万台以上服务器的接入,也能提供100G以上的流量带宽。在这样高性能的网络环境中,网络架构已经无法适应这样高速、大容量的应用。所以网络架构的模式也在悄然演变。
传统的数据中心通过网络架构按功能进行区域划分,如WEB、APP、DB,办公区、业务区、内联区、外联区等等。不同区域之间通过汇聚层设备三层互访,从而保证不同区域的可靠性、安全性。同时,不同区域由于具有不同的功能,因此需要相互访问数据时,只要终端之间能够通信即可,并不一定要求通信双方处于同一VLAN或二层网络。所以传统的数据中心网络架构基本是二三层业务混合应用,不同层面的业务交叉应用,结构较复杂。带宽被认为是衡量网络架构的重要指标,以太网将扮演越来越重要的角色。随着带宽的逐步增加,传统的数据中心复杂的网络架构渐渐淡出人们的视线。
为了适应云计算、大数据技术的应用,数据中心网络架构逐渐演变为一种新的网络形式,相比传统的数据中心网络架构,新的数据中心网络架构将具有一些新的技术和特征。
三层的网络演变为大二层网络
随着网络IPV4地址的逐步减少,IPV6尚未得到普遍应用,数据中心内部采用过于复杂的三层网络,则会占用太多的IPV4地址,如果都采用内部私网地址,则访问会受到很大限制,若采用NAT设备进行地址转换,则会增加NAT设备的负担。随着新的网络架构直接采用二级网络:接入层和核心层。汇聚层将消失,这样网络架构的带宽将不会受到汇聚层的限制,而接入层直接接入到核心层,也可以减少网络设备投入。这样对网络设备要求比较高,传统的STP/MSTP环网技术无法适应这样大规模的网络架构,只能采用TRILL等新的二层技术。
虚拟化技术无处不在
传统的数据中心网络之间都是独立的,需要通过复杂的网络软件进行管理,大型的数据中心仅接入的网络设备就会有上千台,所以采用虚拟化技术,将几台、十几台的网络设备虚拟化为一台设备,这将大大简化网络管理的复杂度。如果小型的数据中心,也可以通过虚拟化技术将一台大型的网络设备分割成独立的几台虚拟设备,不同的业务采用不同的虚拟设备。在网络设备上应用虚拟化技术,这将大大降低数据中心的运行能耗,让数据中心运行更为绿色。
软件定义网络
软件定义网络近几年持续火热,将软件定义网络引入数据中心将极大程度地改变目前网络的架构。采用软件定义网络,将使网络架构更简单化。网络不再像原来那样很多层,将更加扁平化。可以快速根据业务需求来重新部署网络,可以灵活地从一个机柜的规模扩容到数据中心网络的规模。采用软件定义网络将使网络架构更开放,大多数网络厂家都会支持,这样采购设备也节省了投资。
万兆接入构筑信息高速路
数据中心的新网络设备均采用基于CLOS的多级交换架构,使其具备了10T以上的交换容量,能够支持高密度的万兆端口和单端口的100G带宽,具有更好的扩展性,能够很好的缓解数据中心核心层的交换压力,解决核心网络性能瓶颈,这使得万兆接入成为可能。在核心层全部采用40G以上端口或多个40G端口绑定互连。在网络架构上,全部采用万兆光纤、模块互连。为节省成本也可以采用10G的电缆互连,百兆/千兆逐渐被新的网络架构所淘汰。
存储和网络走向融合
传统的数据中心往往需要建设业务网络和存储网络两套网络架构,两个网络基本独立,这样大大浪费网络的利用率。随着IP SAN技术的发展,IP技术逐渐进入到存储领域,通过IP技术实现网络存储成为可能,这样完全可以在业务网和存储网采用一套网络架构。接入层网络设备已开始支持两种接入方式,即可以连接虚拟化的服务器,也可以连接存储设备。由于存储网络都是二层转发网络,所以只有新的网络架构才能促使网络架构走向融合。
新一代的数据中心网络架构具有了很多新兴的技术特征,所有的这些变化都是为了适应数据中心实际业务的发展需要。传统的三层网络架构必然将逐渐湮灭于历史的大潮中,也许十年,也许二十年,就在弹指一挥间,让我们展开双臂拥抱全新的网络架构吧。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30