技术小站：
& 在线直播
时间：4月24日 10:00 - 11:30
& 地点：广州
时间：4月26日 13:00 - 18:00
& 地点：深圳
时间：4月27日 13:30 - 17:30
& 地点：深圳
时间：5月8日 13:00 - 18:00
张飞电子工程师速成全集
10天掌握PCB AD画板
教你高速PCB项目整体设计
如何设计STM32单片机系统？
物联网操作系统从写到用
讲师：华清远见
讲师：林超文
讲师：郑振宇
讲师：李述铜
移入鼠标可放大二维码
博科16Gbps光纤通信网络解决方案
来源：本站整理 作者：叶子日 12:04
[导读] 以结构为基础的网络是支持高度虚拟化的数据中心和私有云环境的基本要求，并且是Brocade One博科统一网络战略的重要要素，可提供低延迟、不间断的易于操作的网络
　以结构为基础的网络是支持高度虚拟化的数据中心和私有云环境的基本要求，并且是Brocade One博科统一网络战略的重要要素，可提供低延迟、不间断的易于操作的网络。为了支持这一重要客户需求，为了达到光纤通道标准，进一步扩大公司的市场领先地位并为已安装的存储网络客户(其中包括90%的财富1000强企业)基地提供持续的升级途径。
　　全新博科16 Gbps光纤通道组合
　　博科的全新端对端16 Gbps光纤通道组合包括博科DCX 8510中枢、博科6510转换器、博科1860结构转适配器、博科网络顾问11.1管理软件，以及博科结构OS 7.0操作系统。这些产品在下一代光纤通道行业标准FC-PI-5的基础上，提供16 Gbps性能，其性能为博科2008年首次推出的解决方案的两倍。完整的博科16 Gbps组合包括：
　　& 博科DCX 8510中枢：该行业最强大的SAN中枢，拥有可扩展性、高性能和可靠性，经过实践证明这些性能，支持私有云存储，可提高业务灵活性。它包含8槽和4槽底盘型号，支持多达384 16 Gbps线性速率端口以及每秒8.2兆兆(Tbps)带宽。它能简化扩展性网络设计，降低网络的复杂性，简化管理并降低成本。它的能源消耗是0.27 瓦/Gbps，性能比同类竞争解决方案提高10倍。
　　& 博科6510转换器：提供特别的价格/非同一般的性能，博科6510设计灵活，在高效的1U形状系数下加强服务器虚拟化，虚拟桌面基础设施(VDI)和固态硬盘(SSD)配置。它拥有24个端口，并可扩展至28个端口，提供高达768 Gbps总计流量。功率为0.14瓦/ Gbps，是全行业最低的功率损耗。每个端口以与10 GbE端口类似的成本提供高达40%的性能。
　　& 博科1860结构适配器：这是一种新型服务器适配器，支持光纤通道、以太网光纤通道(FCoE)以及单个适配器所需的以太网连接，以实现灵活的服务器输入/输出整合。博科1860是适用于私有云优化数据中心网络的理想适配器。它为16 Gbps 和10 Gbps 光纤通道提供高速性能，拥有一百多万个IPOS存储应用程序，同时通过博科网络顾问的单个界面统一管理适配器、SAN和LAN资源。
　　& 博科网络顾问11.1：这是一款统一的管理软件解决方案，适用于博科光纤通道、有线以太网、无线以太网以及融合后的网络环境。博科网络顾问11.1对于端对端网络管理拥有更强的洞察力，有助于降低成本，简化操作。它提供众多强大的管理功能以及现金的服务器适配器以及虚拟机管理功能。为简化管理流程，它可无缝整合第三方存储资源管理和EMC资源管理组合和HP虚拟连接企业及存储调配经理的数据中心业务流程工具。
　　& 博科结构OS 7.0：博科光纤通道硬件可在最新博科结构OS上运行，该系统现提供7.0版本。这一最新发布为虚拟化和云架构提供众多独特功能，包括瓶颈探测、先进的性能检测和适应性网络从而有助于优化结构行为和应用程序性能。
　　除了转移到16 Gbps标准所带来的更高性能外，博科在其它方面进行了强化，包括用于改善带宽利用率的空中数据压缩，用于加强安全性的空中高速加密，以及用于改进后的网络可见性和网络管理的诊断程序。为提供无可匹敌的投资保护，新的组合无缝整合了已在全球范围内完成配置的约3000万光纤通道SAN端口。
16Gbps相关文章
16Gbps相关下载
博科相关文章
博科相关下载
光纤通信相关文章
光纤通信相关下载
网络相关文章
网络相关下载
随着科技的发展，人们对生活质量的追求越来越高，传统的家庭生活方式已经无法满足现代人的家居生活，智慧家庭的新型生活理念成为很多人梦寐以求的...
随着物联网技术的突飞猛进，生活中越来越多的家庭设备将会联上网络，变得“智慧”起来，智慧家庭的概念成了这几年媒体、企业、用户关注的焦点，而...
创新实用技术专题
供应链服务
商务及广告合作
Jeffery Guo
关注我们的微信
供应链服务 PCB/IC/PCBA
版权所有 (C) 深圳华强聚丰电子科技有限公司
电信与信息服务业务经营许可证：粤B2-比特客户端
您的位置：
详解大数据
详解大数据
详解大数据
详解大数据
博科推进FC架构走向16Gbps时代
关键字：FC架构 博科
　　博科星期一发布了最新的16Gbps FC管理工具。博科的 Jose的市场经理说新的管理工具是博科的Brocade FabricVision中的一个部分，这个计划主要是简化SAN的开发和管理实践，并使得FC系统的寿命最大化。之前博科的8Gbps的FC产品被称为FC 发展的第四个时代，而最新的16Gbps产品则代表 FC 发展的第五个时代的到来 。
　　Brocade Fabric Vision将软硬件进行结合，以实现高性能的同时保证SAN系统的高可靠性和高可用性。
　　Brocade Fabric Vision是帮助客户和解决提供商向16Gbps FC迈进的一个重要的环节。根据Dell'Oro的研究报告2012年FC市场营收较2011年增长了4.5%，并实现了连续3年的增长。
　　当然市场增长以及新发的产品的发布对博科也具有非常重要的意义，因为博科拥有71.3%的市场份额光纤通道(引自Dell'Oro的研究)。
　　FC的速度经历了1Gbps、2Gbps、4Gbps、8Gbps，现在到了16Gbps。San Jose表示16Gbps时代不仅在速度上有所提升，在可靠性和易操作性上也有改进。
　　Brocade Fabric Vision的四个组成部分
　　第一个组成部分应该是可以定制的控制面板，这部分可以显示FC架构的运行状态和性能基表，并且使用醒目的标志来对不同的状态进行标识，以便用户能尽早的发现潜在的问题。
　　第二部分是博科的MAPS(管理分析与规划系统)、 监控和报警机制。这部分是根据公司的制度所对系统进行简单的配置，设置一些参数的阀值等。
　　第三部分应该是一个管理工具用以对权限的分配、分析FC机构中数据流实时的状态。这部分对控制整个系统的延迟，智能的对系统资源进行分配都有非常大的作用。
　　第四部分是ClearLink，这是一项通过虚拟的通路进行传输数据到目标SAN而无需和设备。
　　这里所说的16Gbps都是指独立于服务器和存储阵列外的FC 存储网络的性能，有一些估算和不确定性在其中。
　　博科的16GbpsFC硬件家族中还有博科6520这一设备。博科6520是一款2U机架大小的交换机，配有48~96个16Gbps FC端口，主要用于组建高密度级核心网络。
　　博科在2011年5月介绍了它第一款16Gbps产品，现在16Gbps全线产品已经齐全。其中包括4槽和8槽的管理器(directors)，24到96端口的交换机、16Gbps的适配卡以及为和设计的嵌入式交换机。
　　现在大约有42%的博科FC产品已经是第五代FC产品了。
　　现在博科已经在研发并推进FC设备走向第六代了。第一批产品预计在2015年推出。博科也在和FC的厂商一起研发相关的套件并开源了相关的技术。
[ 责任编辑：杨瑗嘉 ]
去年，手机江湖里的竞争格局还是…
甲骨文的云战略已经完成第一阶段…
软件信息化周刊
比特软件信息化周刊提供以数据库、操作系统和管理软件为重点的全面软件信息化产业热点、应用方案推荐、实用技巧分享等。以最新的软件资讯，最新的软件技巧，最新的软件与服务业内动态来为IT用户找到软捷径。
商务办公周刊
比特商务周刊是一个及行业资讯、深度分析、企业导购等为一体的综合性周刊。其中，与中国计量科学研究院合力打造的比特实验室可以为商业用户提供最权威的采购指南。是企业用户不可缺少的智选周刊！
比特网络周刊向企业网管员以及网络技术和产品使用者提供关于网络产业动态、技术热点、组网、建网、网络管理、网络运维等最新技术和实用技巧，帮助网管答疑解惑，成为网管好帮手。
服务器周刊
比特服务器周刊作为比特网的重点频道之一，主要关注x86服务器，RISC架构服务器以及高性能计算机行业的产品及发展动态。通过最独到的编辑观点和业界动态分析，让您第一时间了解服务器行业的趋势。
比特存储周刊长期以来，为读者提供企业存储领域高质量的原创内容，及时、全面的资讯、技术、方案以及案例文章，力求成为业界领先的存储媒体。比特存储周刊始终致力于用户的企业信息化建设、存储业务、数据保护与容灾构建以及数据管理部署等方面服务。
比特安全周刊通过专业的信息安全内容建设，为企业级用户打造最具商业价值的信息沟通平台，并为安全厂商提供多层面、多维度的媒体宣传手段。与其他同类网站信息安全内容相比，比特安全周刊运作模式更加独立，对信息安全界的动态新闻更新更快。
新闻中心热点推荐
新闻中心以独特视角精选一周内最具影响力的行业重大事件或圈内精彩故事，为企业级用户打造重点突出，可读性强，商业价值高的信息共享平台；同时为互联网、IT业界及通信厂商提供一条精准快捷，渗透力强，覆盖面广的媒体传播途径。
云计算周刊
比特云计算周刊关注云计算产业热点技术应用与趋势发展，全方位报道云计算领域最新动态。为用户与企业架设起沟通交流平台。包括IaaS、PaaS、SaaS各种不同的服务类型以及相关的安全与管理内容介绍。
CIO俱乐部周刊
比特CIO俱乐部周刊以大量高端CIO沙龙或专题研讨会以及对明星CIO的深入采访为依托，汇聚中国500强CIO的集体智慧。旨为中国杰出的CIO提供一个良好的互融互通 、促进交流的平台，并持续提供丰富的资讯和服务，探讨信息化建设，推动中国信息化发展引领CIO未来职业发展。
IT专家新闻邮件长期以来，以定向、分众、整合的商业模式，为企业IT专业人士以及IT系统采购决策者提供高质量的原创内容，包括IT新闻、评论、专家答疑、技巧和白皮书。此外，IT专家网还为读者提供包括咨询、社区、论坛、线下会议、读者沙龙等多种服务。
X周刊是一份IT人的技术娱乐周刊，给用户实时传递I最新T资讯、IT段子、技术技巧、畅销书籍，同时用户还能参与我们推荐的互动游戏，给广大的IT技术人士忙碌工作之余带来轻松休闲一刻。
微信扫一扫
关注Chinabyte1709人阅读
个人觉着RFCN系列的工作还是非常好的，所提出的position sensitive score maps 非常有启发性，包括本文的一些工作都是有很高的价值的。
主要涉及的论文
[1] Instance-sensitive Fully Convolutional Networks
[2] R-FCN: Object Detection via Region-based Fully Convolutional Networks
[3] Fully Convolutional Instance-aware Semantic Segmentation
1. Position sensitive score maps
以往featuremap 直接根据输入进行学习，每个channel所学习的特征对应位置都是同一像素的映射，而本文提出的position-sensitive score maps，每个channel所学习的特征都与不同的位置相关。
在R-FCN中：
具体请看之前的，Position sensitive score maps 共k2(C+1)个，之后的RoI pooling,对每个相应位置的score 求平均得到C+1个channel的结果，最后的vote也是在相应通道上求平均。
而在fcis中：
原本k2(C+1)，变为了 2k2(C+1)，这里的2，是将原来的一个score map 变为了inside score map+outside score map，经过position sensitive RoI pooling之后变为 2(C+1)。
fcis bbox regression 得到的channel是 4k2(C+1)也是通过average vote。
2 Joint Mask Prediction and Classification
如何利用这里的2(C+1) score maps是这部分的重点：
首先对于classification:
classification首先进过Grope_max的操作，输出【num_rois, group,h,w】 维数据，得到的是inside和outside之间的最大值，然后将经过softmax进入loss，inference的时候同样得到一个softmax的class的prob。
下面的代码，不想看的请略过。
psroipool_cls = mx.contrib.sym.ChannelOperator(name='psroipool_cls', data=psroipool_cls_seg, group=num_classes, op_type='Group_Max')
cls_score = mx.sym.Pooling(name='cls_score', data=psroipool_cls, pool_type='avg', global_pool=True, kernel=(21, 21))
cls_score = mx.sym.Reshape(name='cls_score_reshape', data=cls_score, shape=(-1, num_classes))
namespace cuda {
template &typename DType&
__global__ void GroupMaxForwardKernel(
const int count,
const DType* bottom_data,
const int channels,
const int group,
const int channels_in_group,
const int spatial_dim,
DType* top_data,
DType* max_idx_data) {
CUDA_KERNEL_LOOP(index, count) {
int s = index % spatial_
int g = (index / spatial_dim) % group;
int n = index / spatial_dim / group;
DType max_val = -FLT_MAX;
int max_idx = -1;
for (int i = 0; i & channels_in_ ++i) {
int c = g*channels_in_group +
int bottom_index = (n*channels + c)*spatial_dim +
if (bottom_data[bottom_index]&max_val) {
max_val = bottom_data[bottom_index];
top_data[index] = max_
max_idx_data[index] = max_
template&typename DType&
inline void GroupMaxForward(const Tensor&gpu, 4, DType& &out,
const Tensor&gpu, 4, DType& &data,
const Tensor&gpu, 4, DType& &max_idx,
const int group) {
const DType *bottom_data = data.dptr_;
DType *top_data = out.dptr_;
DType *max_idx_data = max_idx.dptr_;
const int count = out.shape_.Size();
const int channels = data.size(1);
const int height = data.size(2);
const int width = data.size(3);
const int spatial_dim = height *
const int channels_in_group = channels / group;
cudaStream_t stream = Stream&gpu&::GetStream(out.stream_);
GroupMaxForwardKernel&DType& && &mxnet::op::mxnet_op::cuda_get_num_blocks(count),
kBaseThreadNum, 0, stream && &(
count, bottom_data, channels, group,
channels_in_group, spatial_dim, top_data, max_idx_data);
ChannelOperator_CUDA_CHECK(cudaPeekAtLastError());
其次，对于mask：
mask在train时,进过Label_Pick得到的是ground truth类别的inside和outside score map，输出shape为：【num_rois, 2, h, w】，然后求softmax loss。
label_seg = mx.sym.Reshape(name='label_seg', data=label, shape=(-1, 1, 1, 1))
seg_pred = mx.contrib.sym.ChannelOperator(name='seg_pred', data=psroipool_cls_seg, pick_idx=label_seg, group=num_classes, op_type='Group_Pick', pick_type='Label_Pick')
template &typename DType&
__global__ void GroupPickForwardKernel(
const int count,
const DType* bottom_data,
const int channels,
const int group,
const int channels_in_group,
const int spatial_dim,
DType* top_data,
const DType* pick_idx_data) {
CUDA_KERNEL_LOOP(index, count) {
int s = index % spatial_
int c = (index / spatial_dim) % channels_in_
int n = index / spatial_dim / channels_in_
int g = pick_idx_data[n];
int bottom_index = (n*channels + g*channels_in_group + c)*spatial_dim +
top_data[index] = (g & group && g &= 0) ? bottom_data[bottom_index] : DType(0);
template&typename DType&
inline void GroupPickForward(const Tensor&gpu, 4, DType& &out,
const Tensor&gpu, 4, DType& &data,
const Tensor&gpu, 4, DType& &pick_idx,
const int group) {
const DType *bottom_data = data.dptr_;
DType *top_data = out.dptr_;
const DType *pick_idx_data = pick_idx.dptr_;
const int count = out.shape_.Size();
const int channels = data.size(1);
const int height = data.size(2);
const int width = data.size(3);
const int spatial_dim = height *
const int channels_in_group = channels / group;
cudaStream_t stream = Stream&gpu&::GetStream(out.stream_);
GroupPickForwardKernel&DType& && &mxnet::op::mxnet_op::cuda_get_num_blocks(count),
kBaseThreadNum, 0, stream && &(
count, bottom_data, channels, group,
channels_in_group, spatial_dim, top_data, pick_idx_data);
ChannelOperator_CUDA_CHECK(cudaPeekAtLastError());
inference 的时候没有groundtruth，会先经过Group_Softmax，然后经过Score_Pick.
group_softmax输出为[num_rois, c, h, w]，其前传函数为Softmax(out, data)，
score_pick 分为GetMaxIdx与GroupPickForward两部分,第一部分选取最可能的类别，
score_seg = mx.sym.Reshape(name='score_seg', data=cls_prob, shape=(-1, num_classes, 1, 1))
seg_softmax = mx.contrib.sym.ChannelOperator(name='seg_softmax', data=psroipool_cls_seg, group=num_classes, op_type='Group_Softmax')
seg_pred = mx.contrib.sym.ChannelOperator(name='seg_pred', data=seg_softmax, pick_idx=score_seg, group=num_classes, op_type='Group_Pick', pick_type='Score_Pick')
template &typename DType&
__global__ void GetMaxIdxKernel(
const int count,
const DType* pick_score_data,
DType* argmax_data,
const int group) {
CUDA_KERNEL_LOOP(index, count) {
const DType* offset_pick_score_data = pick_score_data + index*group;
int max_idx = -1;
DType max_val = -FLT_MAX;
for (int i = 1; i & group; ++i) {
max_idx = offset_pick_score_data[i] & max_val ? i : max_
max_val = offset_pick_score_data[i] & max_val ? offset_pick_score_data[i] : max_
argmax_data[index] = static_cast&DType&(max_idx);
template&typename DType&
inline void GetMaxIdx(const Tensor&gpu, 4, DType& &pick_score,
const Tensor&gpu, 4, DType& &argmax,
const int group) {
const DType *pick_score_data = pick_score.dptr_;
DType *argmax_data = argmax.dptr_;
const int count = argmax.shape_.Size();
cudaStream_t stream = Stream&gpu&::GetStream(argmax.stream_);
GetMaxIdxKernel&DType& && &mxnet::op::mxnet_op::cuda_get_num_blocks(count),
kBaseThreadNum, 0, stream && &(
count, pick_score_data, argmax_data, group);
ChannelOperator_CUDA_CHECK(cudaPeekAtLastError());
translation invariant是没有positive sensitive的情况，separate score maps是不共用一个score maps 的情况。
文章：11篇
阅读：60296
文章：10篇
阅读：32903Areca Technology Corporation
Thunderbolt Solutions
Desktop RAID
Rackmount RAID
Expansion Adapter
& & Thunderbolt Solutions
Relatived Resource
ARC-4607T2
(Thunderbolt 2 to 16 Gbps FC Adapter)
ARC-4607T2, the 16 Gbps Fibre Channel solutions with Thunderbolt(TM)2, specifically is designed for use in Apple new Mac Pro servers. ARC-4607T2 is equipped with dual Thunderbolt 2 ports for connecting to any Thunderbolt 2-enabled host such as the new Mac Pro, and offers an additional Thunderbolt 2 port for daisy-chaining other peripherals. The Thunderbolt 2 Solution from Areca provides the supreme performance so quick that it allows 4K video at the same time while daisy chaining storages devices and doing a simultaneous 4K in/output file transfers. ARC-4607T2, a Thunderbolt 2 to 16G Fibre Channel adapter, is used to connect Thunderbolt 2 host computers to 16Gb external Fibre Channel storage devices.
ARC-4607T2 offers dual 16 Gbps Fibre Channel ports that will auto negotiate with 16Gb, 8Gb, and 4Gb FC devices. With dual 16Gbps Fibre Channel ports and dual 20 Gbps Thunderbolt 2 ports configurations, the ARC-4607T2 is a best solution for hooking up to a high-speed Fibre channel SAN network to achieve high-performance storage solution for 4K video workflows.
ARC-4607T2 (Front)
ARC-4607T2 (Rear)
The ARC-4607T2 adapter brings the fastest available connections to Fibre Channel SAN on any computer, and workstation with Thunderbolt 2 interface. ARC-4607T2 adapter provides a blazing-fast storage connectivity solution with enhanced reliability and performance to support any application and tiered storage solution. ARC-Gbps dual channels expansion adapter is ideal for large capacity external storage RAID and FC switch.
Technical specifications
Enables Fibre Channel connectivity on systems with
a Thunderbolt 2 port
Dual Fibre Channel Ports
16 Gigabits per second data transfer rates
3200 MB/sec maximum full-duplex throughput per
Supports all FC topologies: direct fabric, arbitrated
loop and point-to-point
Dual 20 Gbps Thunderbolt 2 ports with DisplayPort
and device daisy-chain support
Auto Negotiation to 16Gb, 8Gb and 4Gb devices
External LEDs for link and access status for each
Thunderbolt cable included
Two pluggable 16-Gb optical LC SFP+ modules
(optional)
Thunderbolt certified for Mac
Product Features
Form Factor
Host Connection
Two 20 Gb/s
Thunderbolt Technology Ports
External Ports
2 x 16Gbps Fibre Channel Ports
OS Support
Mac OS X 10.8.5, 10.9 (Mavericks) and later & Windows 7/8
Enclosure Management
Thunderbolt Port
Cooling Fan
1 * noiseless cooling fan
Operating Temperature
Operation Humidity
5% ~ 95 %, Non-condensing
Power Supply/In/out
65W / 100-240V AC
(W x H x D)
4.97 x 2.13 x 6.35 in
(150 x 64.4 x 191.7 mm)
(W/O Drives)
2.64 lbs / 1.2Kg
Copyright & 2017 Areca Technology Corp. All rights reserved.