شبکه های اتصال نوری مرکز داده: یک پایان - به - چشم انداز پایان
Sep 09, 2025| 
تجسم زیرساخت های مرکز داده مدرن که ارتباطات پیچیده ای را نشان می دهد که ستون فقرات دنیای دیجیتال ما را تشکیل می دهد.
چشم انداز دیجیتال مدرن شاهد تحول بی سابقه ای در نحوه سازماندهی ، مدیریت و استفاده از منابع محاسباتی بوده است. در قلب این انقلاب مرکز داده نهفته است - یک اکوسیستم پیشرفته که به عنوان ستون فقرات دنیای بهم پیوسته ما عمل می کند. از آنجا که ما به دوره ای از رشد داده های نمایی و برنامه های به طور فزاینده ای پیشرفت می کنیم ، پارادایم های سنتی طراحی مرکز داده ها و معماری شبکه با چالش های مهمی روبرو هستند که نیاز به راه حل های نوآورانه دارند.
مراکز داده از مزارع سرور ساده به محیط های پیچیده و بسیار ارکستر شده تبدیل شده اند که همه چیز را از خدمات وب اصلی گرفته تا برنامه های اطلاعاتی مصنوعی پیشرفته پشتیبانی می کنند. ظهور محاسبات ابری ، تجزیه و تحلیل داده های بزرگ و الزامات پردازش زمان {1-}} intained اساساً الگوهای ترافیک و انتظارات عملکرد را در این امکانات تغییر داده است. این تکامل نیاز فوری به فن آوری های اتصال پیچیده تر ایجاد کرده است ، و شبکه های نوری به عنوان یک فعال کننده مهم برای معماری های مرکز داده نسل بعدی {3} بعدی ظاهر می شوند.
محرک های کلیدی تکامل
تقاضای رشد و ذخیره داده های نمایی
ظهور پارادایم های محاسباتی ابری
برنامه های پیشرفته هوش مصنوعی و یادگیری ماشین
الزامات پردازش زمان واقعی {{0}
تغییر الگوهای ترافیک و نیازهای ارتباطی
معماری مرکز داده و اصول محاسبات ابری
تعریف مرکز داده مدرن
با توجه به تعریف جامع سیسکو ، یک مرکز داده یک محیط کنترل شده را نشان می دهد که میزبان منابع محاسباتی مهم است و از مدیریت متمرکز استفاده می کند ، و شرکت ها را قادر می سازد تا به طور مداوم یا مطابق با نیازهای تجاری خود فعالیت کنند. این منابع محاسباتی شامل اصلی های اصلی ، سرورهای وب و برنامه ، سرورهای فایل و چاپ ، سرورهای پستی ، نرم افزار برنامه و سیستم عامل ها ، زیرساخت های ذخیره سازی و زیرساخت های شبکه از جمله شبکه های ذخیره سازی IP یا SAN است.
هنگام بررسی مراکز داده از دیدگاه مقیاس ، آنها به طور معمول از سیستم های مقیاس - در اندازه تجاوز می کنند ، با این که مراکز داده حاوی ده ها هزار گره محاسباتی است که اغلب عناوین را ایجاد می کنند. مراکز داده مقیاس بزرگ - تفاوت های قابل توجهی از امکانات مقیاس - ، در درجه اول با استفاده از برنامه های اختصاصی ، میانی و نرم افزار سیستم در حالی که تعداد محدودی از برنامه های مقیاس Ultra- بزرگ {5-} را نشان می دهد ، نشان می دهد.

انقلاب محاسباتی ابری
محاسبات ابری به عنوان یکی از محرک های اصلی انفجار ترافیک در مراکز داده بزرگ- ظاهر شده است. مفهوم محاسبات ابری را می توان به عنوان مجموعه ای از خدماتی که کاربران از طریق اینترنت به دست می آورند ، درک کرد و به طور جمعی به عنوان "نرم افزار به عنوان یک سرویس" (SAAS) یاد می شود. این سرویس ها ممکن است توسط برنامه های لایه بالایی- در مراکز داده یا با استفاده از نرم افزار سخت افزار و سیستم مراکز داده ارائه شود ، با سخت افزار داخلی و نرم افزاری که به طور جمعی "ابر" نامیده می شوند.
هنگامی که یک ابر یک مدل "pay - as-} شما -} را برای خدمت به عموم پذیرفته است ، به عنوان یک ابر عمومی تعیین می شود و خدماتی که ارائه می دهد ، محاسبات ابزار نامیده می شود. در مقابل ، مراکز داده ای که خدمات داخلی را منحصراً برای یک مشتری یا سازمان واحد ارائه می دهند ، ابرهای خصوصی نامیده می شوند. بنابراین ، به استثنای ابرهای خصوصی ، محاسبات ابری را می توان به عنوان شامل SaaS و محاسبات ابزار خلاصه کرد ، جایی که شرکت کنندگان می توانند یا کاربران یا ارائه دهندگان SAAS یا کاربران یا ارائه دهندگان محاسبات ابزار باشند.
ابر عمومی
خدمات ارائه شده به عموم مردم در پرداخت - as - شما -} go مبنای بروید ، و منابع مقیاس پذیر قابل دسترسی از طریق اینترنت را فراهم می کند.
ابر خصوصی
زیرساخت های ابری اختصاص داده شده به یک سازمان واحد ، گزینه های کنترل ، امنیت و سفارشی سازی بیشتری را ارائه می دهد.
ابر ترکیبی
ترکیبی از محیط های ابری عمومی و خصوصی ، امکان داده و قابلیت حمل و نقل برنامه بین سیستم عامل ها.
برنامه های نوظهور و تأثیر آنها
پدیده انفجار داده
پذیرش گسترده و تقویت سریع پخش ویدیو ، تصاویر ماهواره ای ، Peer - to- انتقال داده های همسالان و سیستم های ذخیره سازی منجر به رشد قابل توجهی در ترافیک اینترنت شده است. برای درک کامل گزاره ارزش راه حل های دامنه نوری در محیط های مرکز داده ، ما باید به طور جامع تجزیه و تحلیل کنیم که چگونه این برنامه های نوظهور بر مرکز داده های داخل - تأثیر می گذارد و الگوهای ترافیک مرکز داده را بین می کند.
فراتر از برنامه های کاربردی که باعث رشد مطلق ترافیک می شود ، مانند پخش ویدیو ، بسیاری از برنامه های دیگر از جمله اسکن پزشکی ، واقعیت مجازی و شبیه سازی فیزیکی ، دستیابی ، ذخیره و پردازش حجم های زیادی از داده ها هستند. گسترش سنسورها در محیط ما همچنان به جمع آوری و تجزیه و تحلیل مجموعه داده های در حال رشد ادامه می دهد ، و به طور مداوم قابلیت های محاسباتی پردازنده را بهبود می بخشد و این روند را تسریع می کند.
این برنامه ها مجموعه داده های عظیمی را تولید می کنند که یا در هنگام انتقال به صورت آنلاین پردازش می شوند یا برای پردازش آفلاین بعدی ذخیره می شوند. دنیای ما در حال تولید مقادیر گسترده ای از داده ها است و محققان به طور فعال به دنبال روشهای بهینه برای دستیابی به این مجموعه داده های عظیم برای پیشرفت بیشتر زمینه ها مانند محاسبات موبایل ، رسانه های شخصی ، یادگیری ماشین و روباتیک هستند.

رشد داده های نمایی
سرعت تسریع در تولید داده ها باعث ایجاد چالش های بی سابقه ای برای سیستم های ذخیره سازی و انتقال می شود.

تکثیر سنسور
شبکه در حال گسترش دستگاه های متصل ، جریان های گسترده ای از داده ها را تولید می کند که نیاز به پردازش زمان واقعی {0}.
الگوهای محاسباتی و ارتباطی
برنامه های کاربردی یا اجرای آنها زیر-} مراحل ممکن است وابستگی زیادی به پردازنده ها برای محاسبه یا انتقال اطلاعات ذخیره شده نشان دهد. به عنوان مثال ، برنامه های ابر رایانه ای در زمینه هایی مانند پیش بینی لرزه ای و محاسبات علمی به طور معمول شامل دو مرحله مجزا است: یک مرحله حساس - شامل انتقال داده های گسترده از ذخیره به گره های محاسباتی ، و یک مرحله محاسباتی- که در آن وظایف محاسباتی در سراسر فرآیندهای مختلف توزیع می شود. به طور مشابه ، مرحله کاهش MapReduce {5} برنامه های نوع در درجه اول شامل تبادل نتایج محاسباتی بین پردازنده ها است.
یک مثال خاص که این الگوهای را نشان می دهد واقعی است - تشخیص رویداد زمان در برنامه های ویدیویی. در سیستم های نظارت هوشمند ، تحقیقات گسترده ای برای یافتن و شناسایی خودکار وقایع در جریان های ویدیویی انجام شده است. بر خلاف فریم -} یا تک- تشخیص صحنه صحنه ، تشخیص رویداد مورد بحث در اینجا شامل محلی سازی و شناسایی الگوهای خاص در ابعاد موقتی و مکانی مداوم ، مانند شناخت ژست موج زدن شخص است.
مراحل پردازش کاربردی
مصرف داده ها و پیش پردازش
ارتباطات - توزیع داده های فشرده
محاسبات - فاز پردازش سنگین
جمع آوری نتیجه و ارتباطات
پردازش و خروجی نهایی
در سناریوهای جهانی - ، این اقدامات اغلب در محیط های شلوغ و پویا اتفاق می افتد و جدایی از تصاویر پس زمینه را بسیار چالش برانگیز می کند. برای تشخیص زمان واقعی - زمان وقایع متعدد ، مانند وقوع همزمان موج زدن ، اجرای رو به جلو و استفاده از تلفن همراه ، لازم است چندین بار فیلم ها را تکرار کرده و آنها را برای پردازش موازی توزیع کند ، به طور چشمگیری نیازهای انتقال داده را افزایش می دهد.
معماری های پردازش موازی ، تجزیه و تحلیل زمان واقعی - را فعال کنید اما نیازهای اتصال قابل توجهی بین گره های پردازش را معرفی می کند.
پردازش ویدیو و نیازهای پهنای باند
برنامه های دید رایانه نشان دهنده محاسبات -}} کار فشرده با نیازهای خاص تأخیر در حالت های تعاملی و نشان دادن متغیر ، داده ها- ویژگی های اجرای وابسته است. به طور کلی ، این برنامه ها دارای ویژگی هایی هستند که از معماری های پردازش موازی حمایت می کنند. تجزیه کار محاسباتی برای برنامه های تشخیص ویدیو نشان می دهد که چگونه جریان های ویدئویی ورودی به ماژول های مختلف تجزیه و تحلیل تکثیر می شوند ، با نتایج منتقل شده به ماژول های جمع آوری برای تصمیمات تشخیص نهایی رویداد.
الزامات پهنای باند بین زیرمجموعه های مختلف به طور قابل توجهی متفاوت است ، با خطوط لوله انتقال داده های ویدئویی نیاز به پهنای باند قابل توجهی بالاتر از نتایج آنالیز انتقال دهنده دارد. به طور همزمان ، حجم داده های نیاز به تجزیه و تحلیل سریع بسیار زیاد شده است.
نیازهای پهنای باند جریان ویدیویی
ویدیوی NTSC (480 × 640) 27.6 مگابایت در ثانیه
720p HD Video 102.9 Mb/s
1080p Full HD 373.2 Mb/s
4K Ultra HD 1.5 گیگابایت در ثانیه
در سناریوهای تشخیص هوشمند- scale مانند فرودگاه ها ، ده ها تا صدها دوربین به طور همزمان کار می کنند. در حالی که الگوریتم های فشرده سازی یا تکنیک های پیشرفته تر می توانند نرخ جریان را کاهش دهند (فشرده سازی MPEG می تواند نسبت های فشرده سازی زیاد - تعریف و نسبت های فشرده سازی 20-40 برابر برای فیلم تعریف استاندارد را بدست آورد) ، این رویکردها نمی توانند به طور اساسی مشکل را حل کنند ، به خصوص همانطور که دامنه کاربردی در حال گسترش است.
برای دستیابی به قابلیت های پاسخ زمان واقعی- ، موازی سازی کار محاسباتی ضروری است و به تعداد زیادی هسته پردازنده برای اجرای همزمان نیاز دارد. به عنوان مثال ، برنامه های تشخیص شیء ، به صدها تا هزاران هسته پردازنده نیاز دارند و اهمیت اساسی معماری های مرکز داده DCI را برجسته می کنند که می توانند به طور مؤثر از چنین نیازهای پردازش موازی پشتیبانی کنند.
پیشرفت های ریز پردازنده و چالش های اتصال
Multi - هسته و بسیاری - تکامل هسته

برنامه های نوظهور توضیح داده شده در بالا به مشارکت هسته های پردازنده بی شماری بستگی دارد ، در حالی که بهبود عملکرد پردازنده های جدید چند-} هسته به طور قابل توجهی پیشرفت خود را ارتقا داده اند. حافظه مشترک و ذخیره سازی مشترک Multi - core/بسیاری-}} معماری های اصلی از پیشرفت های قابل توجهی محاسباتی پشتیبانی می کنند ، اما همچنین نیازهای پهنای باند جدیدی را در شبکه های اتصال تحمیل می کنند.
در سطح پردازنده ، تنگناهای ارتباطی بین cpu - تا - cpu و cpu - to -}}}} وجود دارد ، با پهنای باند اتصال لازم مداوم افزایش می یابد. علیرغم پیشرفت در تحقیقات اتصال دامنه برقی مس {5} مبتنی بر ، مشکلات یکپارچگی سیگنال شدید فعلی و محدودیت های مصرف برق ، بهبود عملکرد از طریق افزایش پیچیدگی مداوم ، عملکرد را برای انتقال دهنده های دامنه الکتریکی دشوار می کند.
از روندهای توسعه فعلی ، تا سال 2015 ، CPU-} تا -} interncondition Bondernection الزامات پیش بینی می شد که بیش از 200 گیگابایت در ثانیه باشد ، با اتصال نوری که یک مسیر مناسب برای دستیابی به باند 4- ، بسیار مقیاس پذیر و راه حل های انعطاف پذیر انعطاف پذیر فراهم می کند. این روند همچنان به سرعت بخشیده است ، و فن آوری های اتصال نوری را به طور فزاینده ای برای اجرای مرکز داده های مدرن DCI بسیار مهم می کند.
محدودیت های معماری شبکه
همانطور که در بالا مورد بحث قرار گرفت ، برنامه های نوظهور به طور فزاینده ای مطالبات پهنای باند بالایی را در نظر می گیرند. از برنامه های محاسباتی علمی گرفته تا موتورهای جستجو و برنامه های MapReduce ، همه به پهنای باند ارتباطی خوشه ای به داخل- نیاز دارند. بنابراین - نامیده می شود intra - traffic Traffic Center Center Traffic ، همچنین به عنوان شرق- traffic Traffic West شناخته می شود ، با نرخ هایی که حتی از شمال {6} Traffic Traffic South (ترافیک ورود و خروج مراکز داده) در حال رشد است ، در حال رشد است.
در سال 2011 ، نسبت East-} West به شمال {2} traffic ترافیک جنوبی در مراکز داده مایکروسافت به 4: 1 نزدیک شد. با مقیاس های مرکز داده به طور مداوم در حال رشد و الزامات پهنای باند برنامه ، دستیابی به شبکه هایی که نزدیک به ایده آل هستند {5- to - همه اتصال به یک چالش عظیم تبدیل شده است. مراکز داده سنتی به طور معمول از معماری های شبکه - استفاده می کنند ، جایی که پهنای باند اتصال داخل - بیش از پهنای باند inter- Rack ، ایجاد شبکه بیش از {11 {{}}} نسبت اشتراک.
اگرچه مراکز داده از لحاظ نظری فعال کردن مقیاس بزرگ - گسترش سیستم های ذخیره سازی و محاسبات (بر اساس استانداردهای تجاری یا پردازنده های کم هزینه-) ، این معماری از ارتباطات محلی پهنای باند (ارتباطات گره مجاور) به جای بزرگ بودن- ارتباطات جهانی ، به نفع بالا -}}}}}}}}}}}}}} در نتیجه ، برای دستیابی به راندمان ارتباطی بالاتر ، استقرار برنامه موازی به طور فزاینده ای دشوار می شود ، و نیاز به سازگاری با گره های محاسباتی مناسب برای پذیرش بیش از-} معماری های شبکه مشترک دارد.
چالش های کلیدی شبکه
در حال رشد شرق - ترافیک غربی بیش از شمال-} الگوهای جنوبی
شبکه بیش از - اشتراک در معماری درخت سنتی
مقیاس پذیری محدود اتصال الکتریکی
محدودیت های مصرف برق با پیوندهای الکتریکی با سرعت بالا {0}
مشکلات در استقرار برنامه موازی در شبکه های محدود
محدودیت های مجازی سازی به دلیل وابستگی به شبکه
معماری سنتی درخت

تغییر الگوی ترافیک

بهره وری انرژی و ملاحظات زیست محیطی
در حال رشد چالش های مصرف انرژی
چه از نظر مسئولیت اجتماعی و چه از دیدگاه هزینه های اقتصادی ، به رسمیت شناخته شده است که مصرف انرژی شبکه رایانه نمی تواند نرخ رشد قبلی را حفظ کند. تخمین زده می شود که در سال 2006 ، 1.5 ٪ از انرژی الکتریکی ایالات متحده (61 میلیارد کیلووات {6} ساعت) توسط سرورها و مراکز داده مصرف می شود ، دو برابر مصرف 2000.
از آنجا که مقادیر فزاینده ای از داده ها به ذخیره و پردازش در مراکز داده نیاز دارند ، تعداد مراکز داده در حال رشد است. با افزایش مداوم تعداد سرور در مراکز داده و نیازهای تجهیزات شبکه و تجهیزات خنک کننده ، مصرف انرژی مرکز داده به طرز چشمگیری افزایش می یابد مگر اینکه تحت تأثیر رکود اقتصادی قرار بگیرد.
انتخاب مکان مرکز داده با توجه به فاکتورهای برق ، با عنوان مثال ، ایجاد مراکز داده در امتداد دره رودخانه کلمبیا برای استفاده از انرژی الکتریکی ارزان قیمت آغاز شده است. در حالی که فن آوری های محاسبات ابری و مجازی سازی می توانند به کاهش مصرف انرژی کمک کنند ، روند صعودی کلی در مصرف انرژی مرکز داده بدون تغییر باقی می ماند.

اثربخشی استفاده از قدرت و محاسبات سبز
از دیدگاه فنی ، روشهای بی شماری برای بهبود بهره وری انرژی در سالهای اخیر مشخص شده است که متریک اثربخشی مصرف قدرت (PUE) به طور گسترده اتخاذ شده است. PUE برابر است با کل مصرف انرژی زیرساخت تقسیم شده توسط تجهیزات مصرف انرژی ، منعکس کننده راندمان استفاده از انرژی یک مرکز داده ، با سناریوی ایده آل Pue=1.0.
Google مقادیر PUE سه ماهه را برای مراکز داده خود به همراه فن آوری های مربوط به کاهش قدرت گزارش می کند ، با مقادیر به طور مداوم در حال کاهش و در حال حاضر به 1.2 نزدیک می شود. در مرکز داده های فیس بوک در Prineville ، Oregon ، دمای راهرو سرد در 81 درجه فارنهایت (تقریباً 27 درجه) نگهداری می شود ، با هوای گرم از سرورهایی که برای گرم کردن فضاهای اداری استفاده می شوند. آنها چگالی سرور را در ارتفاع 1.5U برای اتلاف بهتر گرما بهینه می کنند و به یک PUE چشمگیر 1.08 رسیده اند.
طبق یک مطالعه جامع توسط کومی و همکاران. (2011) ، "رشد در مرکز داده استفاده از برق 2005 تا 2010" ، مراکز داده تقریباً 1.3 ٪ از مصرف برق در سراسر جهان را مصرف کردند ، با پیش بینی ها نشانگر رشد مداوم با وجود بهبود کارایی است. این تحقیق ، که در Analytics Press منتشر شده است ، اندازه گیری های اساسی اساسی برای درک روند مصرف انرژی مرکز داده جهانی را ارائه می دهد و بر اهمیت انرژی- استراتژی های محاسباتی متناسب تأکید می کند (Koomey ، J. ، Berard ، S. ، Sanchez ، M. ، & Wong ، H. Analytics Press ، 2011.
مراکز داده گوگل
فن آوری های پیشرفته خنک کننده
ادغام انرژی تجدید پذیر
گزارش سه ماهه PUE
مراکز داده فیس بوک
استفاده مجدد از هوای گرم برای گرم کردن
تراکم سرور بهینه شده (1.5U)
طراحی راهرو سرد کارآمد
میانگین صنعت
شیوه های کارآیی متنوع
فرصت هایی برای بهینه سازی
تأثیرات آب و هوایی منطقه ای
محاسبات متناسب با انرژی
در "مورد برای محاسبات متناسب با انرژی" ، Barroso و Hölzle خاطرنشان كردند كه تحقیقات بر روی نرخ متوسط استفاده از CPU نشان داد كه سرورها به ندرت كاملاً بیکار هستند و در حداکثر استفاده عمل می کنند ، به این معنی که سرورها بیشتر وقت خود را صرف کار در حالت کارآیی کم می کنند. آنها پیشنهاد کردند که محاسبات متناسب با انرژی پتانسیل دو برابر بهره وری انرژی را دارد و توجه گسترده ای را ایجاد می کند.
با این حال ، باید روشن شود که 100 ٪ استفاده لزوماً یک هدف ایده آل نیست ، زیرا این امر منجر به عملکرد ضعیف سیستم می شود. علاوه بر این ، خاموش کردن سرورهای نسبتاً بیکار به همان اندازه که به نظر می رسد راه حل مؤثر نیست ، زیرا داده ها اغلب در تمام سرورها توزیع می شوند ، و زمان بیکار هنوز شامل اجرای کارهای پس زمینه است.
محققان با تکیه بر مفاهیم محاسبات متناسب با انرژی ، شبکه های مرکز داده متناسب با انرژی را پیشنهاد کرده اند. آنها اظهار داشتند كه با توجه به نسبت اشتراک-} ادامه می یابد و نیازهای پهنای باند بی نظیر افزایش می یابد ، مراکز داده به ظرفیت تعویض بیشتر و تجهیزات شبکه نیاز دارند و در نتیجه مصرف انرژی شبکه نشان دهنده بخش فزاینده ای بیشتر از کل مصرف است.
شبکه متناسب با انرژی
استراتژی های کلیدی برای اجرای انرژی - شبکه های کارآمد:
تصویب توپولوژی پروانه مسطح
حداکثر رساندن -} استفاده از پیوند پهنای باند
اجرای مفاهیم پویا توپولوژی
اتصال نوری برای کاهش قدرت
تکنیک های مدیریت انرژی تطبیقی
"هسته اصلی ساخت شبکه های مرکز داده متناسب با انرژی در توپولوژی شبکه و استفاده از پیوند پهنای باند- بالا است."
راه حل های اتصال نوری پیشرفته
تجارت نوری در مقابل تجارت برق - خاموش
با افزایش مقیاس مرکز داده و الزامات پهنای باند کاربردی به صورت نمایی رشد می کند ، فن آوری های سنتی اتصال الکتریکی با محدودیت های اساسی روبرو هستند. مسائل مربوط به یکپارچگی سیگنال ، محدودیت های مصرف برق و چالش های مدیریت حرارتی ، راه حل های مبتنی بر مس- را به طور فزاینده ای دشوار می کند تا نیازهای عملکرد آینده را برآورده کند.
فن آوری های اتصال نوری چندین مزیت قانع کننده نسبت به گزینه های الکتریکی ارائه می دهند: ایمنی به تداخل الکترومغناطیسی ، مصرف انرژی پایین تر برای انتقال مسافت طولانی- ، ظرفیت پهنای باند بالاتر و بهبود مقیاس پذیری. این خصوصیات راه حل های نوری را به ویژه برای اجرای مرکز داده DCI جذاب می کند که در آن فاصله طولانی-} ، اتصال پهنای باند- بالا ضروری است.
انتقال از اتصال الکتریکی به نوری صرفاً یک به روزرسانی تکنولوژیکی نیست بلکه نشان دهنده یک تغییر اساسی در نحوه مفهوم سازی و اجرای شبکه های مرکز داده است. فن آوری های نوری توپولوژی های شبکه جدید و رویکردهای معماری را که قبلاً با راه حل های الکتریکی غیر عملی یا غیرممکن بودند ، امکان پذیر می کنند.
مزایای اتصال نوری
محدودیت های اتصال الکتریکی
تکامل توپولوژی شبکه
توپولوژی درخت سلسله مراتبی سنتی ، در حالی که درک و اجرای آن ساده است ، تنگناهای ذاتی ایجاد می کند که مقیاس پذیری و عملکرد را محدود می کند. نسبت اشتراک بیش از- ذاتی در این طرح ها به طور فزاینده ای مشکل ساز می شوند زیرا برنامه ها نیاز به یکنواخت تر دارند ، اتصال پهنای باند {2} بالا بین جفت گره های دلخواه.
توپولوژی های شبکه پیشرفته مانند شبکه های نزدیک ، درختان FAT- ، و پیکربندی های مش پهنای باند بهبود یافته را ارائه می دهند و نسبت به اشتراک- کاهش می یابد. این توپولوژی ها ، هنگامی که با فن آوری های اتصال نوری اجرا می شوند ، می توانند نزدیک - ایده آل - to - همه الگوهای اتصال که بهتر با نیازهای ارتباطی برنامه های موازی مدرن مطابقت دارند ، فراهم کنند.
اجرای این توپولوژی های پیشرفته نیاز به قابلیت های پیشرفته سوئیچینگ و مسیریابی دارد. سوئیچینگ مدار نوری ، سوئیچینگ بسته نوری و الکترو Hybrid- رویکردهای نوری هر یک از تجارت ، پیچیدگی و هزینه مختلف تجارت مختلف را ارائه می دهند. انتخاب فن آوری های مناسب شبکه نوری به شدت به نیازهای خاص برنامه و اهداف عملکرد بستگی دارد.
توپولوژی شبکه نزدیک

اتصال غیر - مسدود کردن اتصال با چندین مسیر بین گره ها ، ایده آل برای اجرای نوری است.
توپولوژی شبکه مش

چندین مسیر اضافی را برای در دسترس بودن بالا ارائه می دهد ، با پیوندهای نوری که اتصالات پهنای باند - بالا را بین همه گره ها فراهم می کند.
مقایسه فن آوری های سوئیچینگ نوری
| فناوری | عوارض | پهنای باند | مقیاس پذیری | پیچیدگی | بهترین برای |
|---|---|---|---|---|---|
| سوئیچینگ مدار نوری | معتاد | خیلی بلند | عالی | کم | Long - زندگی ، بالا - جریان پهنای باند |
| تعویض بسته نوری | کم | عالی | معتاد | عالی | کوتاه - زندگی و ترافیک پشت سر هم |
| الکترو ترکیبی - نوری | متغیر | عالی | خیلی بلند | معتاد | الگوهای ترافیک مختلط |
| سوئیچینگ طول موج | کم | بسیار بالا | عالی | معتاد | تقسیم طول موج متراکم |
جهت های آینده و همگرایی تکنولوژیکی
ادغام با فن آوری های نوظهور

آینده شبکه های مرکز داده DCI احتمالاً شامل همگرایی فناوری های پیشرفته چندگانه خواهد بود. یادگیری ماشین و قابلیت های هوش مصنوعی می تواند برای بهینه سازی عملکرد شبکه به صورت پویا ، پیش بینی الگوهای ترافیک و تنظیم خودکار تنظیمات مدار نوری برای به حداکثر رساندن کارآیی استفاده شود.
نرم افزار -} شبکه تعریف شده (SDN) ، هنگامی که در شبکه های نوری اعمال می شود ، انعطاف پذیری و برنامه نویسی بی سابقه را در مدیریت شبکه فعال می کنند. این رویکرد قابل برنامه ریزی به اپراتورهای مرکز داده DCI اجازه می دهد تا رفتار شبکه را در زمان واقعی - بر اساس تغییر نیازهای برنامه و الگوهای ترافیکی تطبیق دهند.
روند محاسبات Edge نیاز به معماری های مرکز داده توزیع شده بیشتر را در بر می گیرد ، جایی که چندین تسهیلات کوچکتر از طریق شبکه های نوری عملکرد بالا- به هم پیوسته اند. این رویکرد توزیع شده تأکید بیشتری بر اتصال مرکز داده Inter - و اهمیت راه حل های شبکه کارآمد مرکز داده DCI دارد.
ai - بهینه سازی رانده شده
الگوریتم های یادگیری ماشین که الگوهای ترافیک را پیش بینی می کنند و به طور خودکار تنظیمات شبکه نوری را برای حداکثر کارایی و عملکرد بهینه می کنند.
نرم افزار - شبکه های نوری تعریف شده
معماری های شبکه قابل برنامه ریزی که تنظیم مجدد پویا مسیرهای نوری را بر اساس الزامات برنامه واقعی - فعال می کند.
Edge - ادغام DCI
اتصالات نوری با عملکرد بالا - عملکرد بین تأسیسات محاسبات لبه و مراکز داده اصلی امکان تأخیر - ، برنامه های پهنای باند بالا {{2}.
محاسبات کوانتومی و شبکه های نوری
ظهور فن آوری های محاسبات کوانتومی هم فرصت ها و هم برای چالش های طراحی شبکه مرکز داده را ارائه می دهد. رایانه های کوانتومی به شرایط محیطی بسیار دقیق و رویکردهای تخصصی اتصال نیاز دارند که ممکن است از فناوری های شبکه نوری بهره مند شوند.
علاوه بر این ، پروتکل های ارتباطی کوانتومی و سیستم های توزیع کلیدی کوانتومی اساساً به فن آوری های انتقال نوری متکی هستند. از آنجا که محاسبات کوانتومی در محیط های مرکز داده شیوع بیشتری پیدا می کند ، ادغام بین شبکه های نوری کلاسیک و سیستم های ارتباطی کوانتومی به طور فزاینده ای اهمیت می یابد.

کوانتوم - همگرایی نوری
توزیع کلید کوانتومی از طریق شبکه های نوری
رابط های نوری برای پردازنده های کوانتومی
Hybrid Classic - شبکه های کوانتومی
ارتباط ایمن از طریق رمزنگاری کوانتومی
بهینه سازی عملکرد و کیفیت خدمات
تخصیص منابع پویا
برنامه های مرکز داده مدرن نیازهای منابع بسیار متغیر را نشان می دهند ، با تقاضای محاسباتی و ارتباطی با گذشت زمان نوسان قابل توجهی دارند. فن آوری های شبکه نوری استراتژی های تخصیص منابع پویا را قادر می سازند که می توانند با این نیازهای در حال تغییر به طور مؤثرتر از شبکه های برقی استاتیک سازگار شوند.
تقسیم طول موج (WDM) و فن آوری های سوئیچینگ نوری انعطاف پذیر اجازه می دهد تا ظرفیت شبکه به صورت پویا بر اساس تقاضای زمان واقعی {{0} اختصاص داده شود. این انعطاف پذیری شبکه های مرکز داده DCI را قادر می سازد ضمن حفظ کیفیت تضمین های خدمات برای برنامه های مهم ، به نرخ استفاده بالاتر برسند.
اجرای تخصیص منابع پویا به سیستم های کنترل پیشرفته ای نیاز دارد که می تواند عملکرد شبکه را در زمان واقعی- نظارت کند و در مورد تخصیص منابع تصمیمات هوشمندانه بگیرد. الگوریتم های یادگیری ماشین می توانند برای پیش بینی نیازهای منابع آینده بر اساس الگوهای تاریخی و وضعیت فعلی سیستم استفاده شوند.
استراتژی های بهینه سازی تأخیر
در حالی که پهنای باند اغلب نگرانی اصلی در طراحی شبکه مرکز داده است ، بهینه سازی تأخیر برای بسیاری از برنامه ها به همان اندازه بسیار مهم است. برنامه های زمان واقعی - ، سیستم های معاملاتی فرکانس بالا {{2} بالا ، و خدمات تعاملی همگی برای عملکرد مؤثر به حداقل تأخیر نیاز دارند.
فن آوری های اتصال نوری به دلیل سرعت انتقال نور و کاهش نیازهای پردازش در سیستم های تعویض نوری ، مزایای تأخیر ذاتی را ارائه می دهند. با این حال ، دستیابی به عملکرد بهینه تأخیر نیاز به بررسی دقیق توپولوژی شبکه ، الگوریتم های مسیریابی و فن آوری های تعویض دارد.
تکنیک های پیشرفته سوئیچینگ نوری مانند سوئیچینگ پشت سر هم نوری و سوئیچینگ جریان نوری می تواند ضمن حفظ عملکرد توان بالا ، بهینه سازی تأخیر را فراهم کند. انتخاب استراتژی های سوئیچینگ مناسب به الزامات خاص تأخیر کاربردی و ویژگی های ترافیک بستگی دارد.
برنامه - الزامات شبکه خاص
| نوع کاربرد | پهنای باند | عوارض | با صدای بلند | راه حل بهینه نوری |
|---|---|---|---|---|
| جریان ویدئویی | خیلی بلند | معتاد | کم | WDM با سوئیچینگ مدار |
| تجارت فرکانس بالا- | واسطه | بسیار کم | بسیار کم | مسیرهای نوری مستقیم |
| آموزش AI | بسیار بالا | کم | معتاد | مش با تعویض طول موج |
| بازی ابری | عالی | خیلی کم | خیلی کم | نوری ترکیبی - الکتریکی |
| تجزیه و تحلیل داده های بزرگ | خیلی بلند | معتاد | عالی | توپولوژی نزدیک با سوئیچینگ مدار |
ملاحظات اقتصادی و بازده سرمایه گذاری
هزینه کل تجزیه و تحلیل مالکیت
ارزیابی فن آوری های شبکه نوری برای برنامه های مرکز داده DCI باید هزینه کل مالکیت را در نظر بگیرد و نه صرفاً هزینه های اولیه سرمایه. در حالی که اجزای نوری ممکن است در مقایسه با گزینه های الکتریکی هزینه های مقدماتی بالاتری داشته باشند ، مزایای عملیاتی اغلب منجر به کاهش کل هزینه ها در طول عمر سیستم می شود.
بهبود بهره وری انرژی حاصل از اتصال نوری می تواند منجر به صرفه جویی قابل توجهی در هزینه عملیاتی شود ، به ویژه در استقرار مرکز داده های مقیاس بزرگ {0}. کاهش نیازهای خنک کننده و مصرف انرژی کمتری از سیستم های نوری به معیارهای بهبود اثربخشی مصرف انرژی (PUE) کمک می کند.
علاوه بر این ، بهبود مقیاس پذیری و انعطاف پذیری شبکه های نوری می تواند باعث کاهش فراوانی ارتقاء عمده زیرساخت ها ، گسترش هزینه های سرمایه در دوره های طولانی تر و بهبود بازده محاسبات سرمایه گذاری شود.
روند بازار و اتخاذ صنعت
بازار شبکه نوری مرکز داده در سالهای اخیر رشد سریع را تجربه کرده است ، که ناشی از افزایش نیازهای پهنای باند و محدودیت راه حل های الکتریکی سنتی است. فروشندگان اصلی فناوری در حال سرمایه گذاری زیاد در تحقیق و توسعه شبکه نوری هستند و سرعت نوآوری و کاهش هزینه ها را تسریع می کنند.
اتخاذ صنعت فن آوری های شبکه نوری نه تنها توسط مزایای فنی بلکه با فشارهای رقابتی و تقاضای مشتری برای بهبود عملکرد انجام می شود. ارائه دهندگان خدمات ابری ، به ویژه ، رهبری راه حل های پیشرفته شبکه نوری را برای حفظ مزایای رقابتی پیش می برند.
استاندارد سازی رابط های شبکه نوری و پروتکل ها با کاهش پیچیدگی ادغام و بهبود قابلیت همکاری بین راه حل های مختلف فروشنده ، امکان پذیرش گسترده تر صنعت را تسهیل می کند. این استاندارد سازی برای استقرار گسترده فن آوری های شبکه نوری در محیط های مرکز داده DCI بسیار مهم است.


