White Paper

Miglioramento della scalabilità nei cluster di data center per l'intelligenza artificiale

Con l'aumento della complessità e delle dimensioni dei modelli di intelligenza artificiale, l'efficace scalabilità dei cluster di data center è diventata una priorità fondamentale per le aziende che vogliono rimanere competitive. Questo white paper esplora l'ascesa dei cluster di IA, evidenzia le principali sfide di scalabilità, in particolare nell'ambito dell'infrastruttura di rete, e dimostra come le soluzioni di emulazione avanzate possano aiutarvi a superare questi ostacoli.

White Paper

In che modo le reti basate sull'intelligenza artificiale differiscono dalle reti tradizionali

L'intelligenza artificiale (AI) e l'apprendimento automatico (ML) stanno determinando grandi cambiamenti nelle reti di data center, compresi nuovi requisiti, modelli di traffico e tecnologie. Scoprite come le soluzioni Keysight aiutano a ottimizzare le reti AI.

Soluzioni in breve

Valutazione e analisi comparativa delle infrastrutture di intelligenza artificiale (IA) e apprendimento automatico (ML)

Questo solution brief presenta come Keysight AI (KAI) Data Center Builder affronta queste sfide accelerando le reti AI/ML e i cicli di innovazione input/output. Questo software innovativo utilizza dispositivi di carico del traffico ad alta densità che supportano porte da 100-800GE per emulare host AI e modelli di traffico AI/ML realistici. Scoprirete come KAI Data Center Builder può contribuire ad accelerare i rilasci, ridurre i costi, semplificare la configurazione e la manutenzione e migliorare le prestazioni complessive.

White Paper

Infrastruttura AI: Ottimizzata per l'addestramento dei modelli

Questo white paper analizza l'infrastruttura critica necessaria per un efficiente addestramento dei modelli di intelligenza artificiale, sottolineando il ruolo delle capacità della rete nel gestire vasti flussi di dati e ridurre al minimo i ritardi. Illustra le sfide da affrontare nell'addestramento dei modelli e le soluzioni innovative che possono migliorare le prestazioni.

Note applicative

Metodologia di test dell'AI Fabric

Nel contesto dei sistemi di Intelligenza Artificiale (IA), in particolare dei Large Language Models (LLM), un tessuto di rete si riferisce all'infrastruttura sottostante che collega e consente la comunicazione tra i vari componenti o nodi del sistema. Il tessuto di rete è fondamentale per facilitare il funzionamento efficiente ed efficace dei sistemi di intelligenza artificiale, compreso l'addestramento degli LLM.

White Paper

Reti a prova di futuro con Ethernet 1.6T

Questo white paper approfondisce le sfide principali della convalida delle prestazioni delle interconnessioni nel contesto di 1.6T Ethernet. Esamina le crescenti esigenze dei data center, i limiti delle architetture di rete esistenti e le tecnologie e le metodologie di test emergenti necessarie per garantire un'implementazione affidabile di queste reti ad alta velocità.

Soluzioni in breve

Test di interconnessione e prestazioni di rete 1600GE

L'Interconnect and Network Performance Tester 1600GE (INPT-1600GE) è una piattaforma Ethernet ad alta velocità versatile, disponibile in uno chassis portatile, leggero e silenzioso da banco o da rack. La piattaforma convalida le prestazioni e l'affidabilità da 200GE a 1600GE di una gamma di dispositivi e interconnessioni Ethernet che utilizzano interfacce elettriche a 212Gb/s.

Note applicative

Convalida delle interconnessioni 800GE e 1,6TE

Le interconnessioni resilienti per data center Ethernet 800GE e 1.6T svolgono un ruolo fondamentale nella massimizzazione delle prestazioni della rete AI. Se da un lato promettono maggiori velocità di trasmissione dei dati e latenze più basse, dall'altro questi ricetrasmettitori introdurranno formati di modulazione più elevati, componenti più sensibili e una maggiore suscettibilità agli impairment. Per soddisfare i requisiti prestazionali più esigenti e garantire la scalabilità futura, i fornitori di interconnessioni devono convalidare sia la conformità agli standard in evoluzione che l'interoperabilità senza soluzione di continuità con l'infrastruttura del data center esistente. Questa nota applicativa esplora le significative opportunità che stanno emergendo nel mercato dei data center AI/ML, in rapida crescita, e affronta le principali sfide che i fornitori devono affrontare, come il mantenimento di un'elevata integrità del segnale, l'ottimizzazione del consumo energetico e la garanzia di compatibilità con le moderne architetture di rete. Il documento delinea inoltre una serie completa di strategie di test, tra cui test rigorosi delle prestazioni, valutazioni dell'interoperabilità e aderenza agli standard del settore. Queste strategie sono fondamentali per il successo dell'implementazione delle interconnessioni nei data center di intelligenza artificiale.

White Paper

Test dei ricetrasmettitori per data center 800G / 1,6T

Questo white paper approfondisce le tendenze dei data center AI e spiega come gli architetti e gli operatori di data center hyperscale debbano scalare le reti da 400G a 800G / 1,6 terabit (1.6T) Ethernet per soddisfare queste esigenze. Questa guida esplora le strategie chiave per aumentare la larghezza di banda di interconnessione, garantire l'interoperabilità e l'affidabilità e ridurre i tempi, la potenza e i costi dei test.

Note applicative

Aggiornamento sulle misure TDECQ

Questo documento illustra l'evoluzione e il miglioramento delle misure di TDECQ e illustra le aspettative degli utenti dei sistemi Keysight in termini di accuratezza e coerenza per un'ampia gamma di scenari di test.

Note applicative

Ottimizzazione dei costi dei test sui transceiver ottici dei data center

Metodi per migliorare l'utilizzo del canale DCA e ridurre i costi di misura per ogni test del trasmettitore