Perubahan Paradigma ke Jaringan Zero Trust Era baru kerja hybrid dengan penggunaan edge computing, multi-cloud, dan berbagai perangkat telah menciptakan tantangan baru dalam keamanan jaringan. Sebelumnya, meningkatkan keamanan jaringan berarti menambahkan banyak lapisan keamanan, perangkat tambahan, biaya operasional, serta perubahan konfigurasi yang kompleks. Namun, cara ini kurang efektif dalam menghadapi jaringan modern saat ini. Akibatnya, tim keamanan sering kali memiliki visibilitas terbatas terhadap jaringan dan hanya bisa mengandalkan solusi sementara. Karena batasan jaringan tradisional semakin tidak relevan, organisasi kini mulai menerapkan pendekatan Zero Trust dengan mengintegrasikan keamanan langsung ke dalam infrastruktur jaringan. Pendekatan ini membantu melacak dan mengelola risiko dengan lebih baik. Arista menggunakan prinsip Zero Trust ini untuk membangun sistem keamanan yang tertanam dalam jaringan sejak awal. Saatnya Beralih dari Firewall Konvensional ke Mikroperimeter Firewall tradisional memiliki tiga fungsi utama: Mengatur lalu lintas jaringan Melakukan segmentasi menggunakan daftar akses (ACL) Memeriksa lalu lintas tingkat lanjut (L4-L7) untuk kepatuhan Model Zero Trust dari CISA (berdasarkan NIST 800-207) menyarankan perlindungan di sekitar setiap aset yang ingin diamankan. Namun, memasang firewall di setiap titik dalam jaringan perusahaan bukanlah solusi yang praktis. Pendekatan Arista memungkinkan segmentasi Zero Trust secara langsung di jaringan untuk mencegah pergerakan lateral (east-west) yang berbahaya. Dalam hal ini, switch jaringan bertindak sebagai mikroperimeter, sedangkan firewall tradisional tetap digunakan untuk memeriksa lalu lintas masuk dan keluar (north-south). Kombinasi ini menciptakan jaringan yang lebih aman dan efisien. Mengintegrasikan Fungsi Firewall ke Dalam Jaringan Arista MSS: Membangun Mikroperimeter Arista MSS menawarkan tiga fitur utama yang membantu organisasi menciptakan mikroperimeter yang lebih aman: Keamanan cepat dalam jaringan: Switch berbasis Arista EOS memungkinkan pembuatan kebijakan keamanan yang lebih rinci dan berbasis identitas untuk segmentasi lateral (east-west). Ini mengurangi dampak serangan karena memisahkan setiap bagian jaringan. Mengurangi ketergantungan pada firewall yang mahal dan kompleks. Integrasi dengan firewall untuk keamanan tambahan: Arista MSS dapat bekerja sama dengan firewall seperti Palo Alto Networks dan Zscaler untuk pemeriksaan lalu lintas yang lebih ketat pada koneksi antar-zona dan komunikasi keluar-masuk jaringan. Ini memastikan kepatuhan tanpa memperlambat lalu lintas jaringan. Manajemen mikroperimeter dengan CloudVision: CloudVision menggunakan teknologi NetDL™ untuk memberikan visibilitas mendalam terhadap lalu lintas jaringan. Dashboard interaktif membantu tim keamanan mengelola mikroperimeter dengan lebih mudah. Asisten virtual Ask AVA™ mempermudah pencarian data dan analisis kebijakan keamanan. Kesimpulan Kini adalah saat yang tepat untuk menyatukan jaringan dan keamanan dengan pendekatan Zero Trust dalam skala besar. Keamanan harus menjadi bagian dari setiap aspek jaringan untuk memastikan perlindungan proaktif, segmentasi ketat, serta pencegahan ancaman sebelum berkembang menjadi pelanggaran data besar.
Category: blog
Membawa SWAG ke Jaringan Kampus Perusahaan!
Seiring dengan terus berkembangnya pengguna, perangkat, dan IoT (Internet of Things), kebutuhan untuk manajemen switch dan optimisasi beban kerja antar domain semakin meningkat. Banyak pendekatan yang tidak optimal dan tertutup telah dirancang di masa lalu. Arista didirikan untuk membangun perangkat lunak dan perangkat keras terbaik, yang setara dengan kinerja dan kepadatan tertinggi di cloud/data center, dan kini berkembang ke switch kampus. Pada tahun 2020, kami memperkenalkan switch Arista CCS 750 dan 720 series dengan jejak terkecil sebagai contoh dari kepadatan tertinggi dan jejak terkecil. Namun, jelas ada kalanya switch-switch ini perlu dikelola sebagai satu entitas agar pelanggan dapat membangun dan mengoperasikan desain dan topologi yang fleksibel. Pada tahun 1990-an, ini dilakukan dengan perangkat keras kabel proprietary dan topologi stackable ring atau chain yang tertutup. Ini adalah pendekatan yang tertutup dan rumit karena cakupan manajemennya terbatas pada jumlah switch yang kecil (kurang dari 10) dan bergantung pada mekanisme proprietary. Membawa SWAG ke Dunia Switching Pelanggan Arista menyadari keterbatasan pendekatan stacking legasi ini dan mendorong kami untuk membantu mereka melepaskan diri dari keterbatasan tersebut. Jadi, kami memulai inovasi terobosan lainnya untuk perusahaan modern. Upaya perintisan dimulai pada awal 2010-an dengan MLAG, di mana kita dapat menggabungkan beberapa link aktif-aktif dan memungkinkan jalur alternatif dan redundan ke switch di data center. Berdasarkan pengalaman MLAG tersebut, Arista SWAG™ (Switch Aggregation Group) membawa konsep stacking modern ke switch kampus. Arista SWAG memungkinkan sekelompok switch untuk digabungkan dan berbagi kontrol pusat, sehingga memberikan kemampuan untuk mengoperasikan grup switch tersebut melalui satu alamat IP dan satu antarmuka CLI untuk otomatisasi. SWAG didasarkan pada Arista EOSⓇ dan mendukung berbagai topologi, termasuk desain Leaf-Spine universal dari Arista serta topologi ring dan chain yang lebih tradisional. Yang penting, SWAG dapat diskalakan hingga 48 elemen stacking kampus. Bayangkan memberikan semua manfaat stacking legasi tanpa keterbatasannya! Beberapa manfaat ini termasuk: Dapat diskalakan hingga 48 switch dalam satu grup, memungkinkan penghematan alamat IP. Dapat memperluas cakupan cluster lebih jauh dari sekadar “lemari IDF” ke domain jaringan yang lebih besar. Mendukung topologi Leaf-Spine Arista yang sangat tangguh dan berkapasitas tinggi selain topologi Ring dan Chain. Waktu downtime minimal berkat kemampuan seperti smart software upgrades (SSU) yang dimiliki karena SWAG dibangun di atas perangkat lunak EOS yang sudah terbukti. Sekarang pelanggan kami memiliki fleksibilitas untuk melakukan operasi jaringan pada tumpukan logis switch dalam arsitektur leaf spine yang berbasis standar, terbuka, dan modern, seperti yang ditunjukkan dalam gambar di bawah ini. SWAG Arista untuk Stack Kampus Modern Jalan Menuju Depan – Hindari “Stackable Tax” Manajemen Arista CloudVision LSS™ (Leaf Spine Stack) membawa kemudahan dalam pengelolaan switch! CV LSS mengurangi kompleksitas konfigurasi dan pemeliharaan dengan memungkinkan beberapa switch beroperasi di bawah manajemen satu entitas. Dengan menghubungkan switch menjadi “stack virtual,” administrator mendapatkan keuntungan dari kedua dunia. Pelanggan dapat mengorganisir kelompok switch secara logis berdasarkan struktur dunia nyata, seperti gedung atau lantai dalam Manajemen CloudVision LSS, dan kemudian melakukan operasi jaringan seperti onboarding, provisioning, pemantauan, pembaruan, dan konfigurasi secara mulus di seluruh grup. Perusahaan juga mendapatkan manfaat dari desain jaringan yang fleksibel, apakah switch yang digabungkan dalam mode mandiri, chassis, MLAG, atau mode stack berbasis SWAG. Perangkat lunak modern Arista dirancang secara inheren dengan teknik ketersediaan dan segmentasi kunci yang memisahkan manajemen dan kontrol pesawat, sehingga menghindari jebakan stacking proprietary. Pendekatan stacking yang disederhanakan ini meningkatkan operasi, meminimalkan downtime, dan mengurangi TCO—sebuah kemajuan yang sudah lama dinantikan. Industri jaringan telah beroperasi dalam silo yang rumit dan jaringan proprietary tertutup terlalu lama. Ini adalah waktu yang tepat untuk bertransformasi ke model operasi baru yang lebih modern. Selamat datang di dunia baru SWAG! Apabila anda butuh penjelasan lebih detail mengenai arista bisa langsung hubungi Arista Indonesia.
Era Mikroperimete
Perubahan Paradigma Menuju Jaringan Zero Trust Era baru kolaborasi edge, multi-cloud, dan multi-device untuk kerja hibrid telah melahirkan jaringan yang baru. Secara historis, menambahkan lapisan-lapisan keamanan jaringan dengan perangkat keras tambahan, biaya operasional yang terus-menerus, dan perubahan konfigurasi di tingkat infrastruktur jaringan telah menjadi hal yang merepotkan. Mekanisme ini bahkan kurang efektif untuk jaringan baru. Oleh karena itu, tim keamanan terpaksa harus berhadapan dengan minimnya visibilitas jaringan dan solusi taktis. Perubahan paradigma menuju perimeter yang menghilang ini mendorong organisasi untuk memasukkan keamanan ke dalam infrastruktur jaringan sebagai pendekatan zero trust yang proaktif untuk melacak dan mengelola risiko dari permukaan serangan yang lebih luas. Jaringan zero trust Arista dibangun berdasarkan prinsip-prinsip ini dan secara default membangun keamanan ke dalam jaringan. Saatnya Memikirkan Kembali Firewall dengan Mikroperimeter Firewall perimeter klasik memiliki tiga fungsi penting: routing jaringan, segmentasi dengan access lists (ACL), dan inspeksi stateful terhadap lalu lintas L4-L7 untuk tujuan kepatuhan. Model Kematangan Zero Trust CISA, yang berdasarkan pada NIST 800-207, mengharuskan perimeter di sekitar setiap aset yang ingin dilindungi organisasi. Menempatkan firewall klasik di seluruh perusahaan bukanlah pilihan yang praktis. Sebagai gantinya, pendekatan berbasis jaringan Arista memberikan segmentasi dan penegakan zero trust untuk mencegah pergerakan lateral east-west. Dengan demikian, switch jaringan menciptakan mikroperimeter, sementara firewall klasik dapat terus memeriksa lalu lintas L4-L7 north-south. Kombinasi ini menghasilkan jaringan yang elegan dan aman, menggabungkan yang terbaik dari kedua dunia, seperti yang ditunjukkan pada gambar di bawah ini. Memindahkan Fungsi Firewall ke dalam Jaringan Arista MSS: Memungkinkan Mikroperimeter Arista MSS menawarkan tiga kemampuan yang memungkinkan organisasi membangun mikroperimeter: Penegakan Tanpa Status dengan Kecepatan Kabel dalam Jaringan: Switch berbasis EOS Arista menyediakan model kebijakan dan penegakan yang sederhana untuk mikroperimeter yang lebih terperinci dan sadar identitas, yang memungkinkan segmentasi lateral east-west yang sering tidak dimiliki organisasi saat ini. Dengan demikian, pelanggaran sekecil apapun dapat berdampak signifikan. Pendekatan ini juga membebaskan kemampuan dari firewall yang harus dipasang secara eksplisit untuk tujuan ini dengan biaya yang sangat tinggi. Pengalihan ke Firewall Stateful: Arista MSS dapat terintegrasi dengan mulus dengan firewall dan proxy cloud dari mitra seperti Palo Alto Networks dan Zscaler untuk penegakan jaringan stateful L4-L7, terutama untuk lalu lintas north-south dan antar zona. Integrasi ini menghindari pemrosesan ulang semua lalu lintas lainnya, sambil memenuhi kebutuhan kepatuhan organisasi. CloudVision untuk Manajemen Mikroperimeter: Arista CloudVision yang didukung oleh NetDL™ memberikan visibilitas mendalam secara real-time ke dalam paket, aliran, dan identitas endpoint. Selain itu, dashboard MSS dalam CloudVision mempermudah upaya operator untuk mengelola mikroperimeter. Kami juga sedang meningkatkan layanan Ask AVA™ (Autonomous Virtual Assist) untuk menyediakan antarmuka seperti chat bagi operator untuk menavigasi data dashboard, menanyakan pelanggaran kebijakan, dan memahaminya. Kesimpulan Ini adalah waktu yang tepat untuk menyatukan dunia jaringan dan keamanan, karena organisasi mencari zero trust dalam skala terabit dengan dukungan fleksibel untuk identitas dan mikroperimeter. Keamanan harus meresap ke dalam segala hal yang kita lakukan di jaringan saat ini untuk membawa pendekatan proaktif dan berkelanjutan terhadap segmentasi, penegakan, dan mitigasi ancaman yang aktif dan meresap. Ancaman mematikan harus terdeteksi dan dicegah sebelum dapat berkembang menjadi pelanggaran data besar. Selamat datang di era jaringan zero trust yang holistik yang dibangun di atas mikroperimeter Arista MSS!
Meta dan Arista Membangun AI dalam Skala Besar
Kemitraan antara Arista dan Meta telah menjadi kunci dalam mengembangkan solusi jaringan untuk AI, khususnya dengan penerapan Arista 7700R4 Distributed Etherlink Switch (DES) pada kluster AI berbasis Ethernet terbaru milik Meta. Tonggak ini mencerminkan kolaborasi yang dalam dan telah berlangsung lama, dimulai dengan pengembangan bersama sistem Arista 7368X4 minipack 100G pada tahun 2018, diikuti oleh beberapa iterasi sistem yang terinspirasi oleh OCP yang telah diterapkan secara luas. Perubahan Lanskap Jaringan AI Lanskap AI mengalami perubahan besar dengan kemunculan model AI besar seperti ChatGPT, yang menyoroti potensi besar dari AI kognitif. Seiring dengan berkembangnya beban kerja AI yang semakin besar dan kompleks, kebutuhan jaringan untuk menangani beban kerja tersebut juga berkembang. Meskipun banyak kebutuhan dasar dari kluster High-Performance Computing (HPC) pada tahun 2008—seperti performa tanpa hambatan, antarmuka berkecepatan tinggi, dan manajemen lalu lintas—masih relevan hingga saat ini, skala sistem ini telah meningkat secara dramatis. Pada tahun 2010, kluster HPC biasanya menggunakan Ethernet 10G, dengan ratusan node yang terhubung melalui sistem Arista 7500E series. Pada tahun 2024, ini telah berubah menjadi Ethernet 400G, dengan interkoneksi yang bekerja pada 800G, dan kluster AI sekarang terdiri dari ribuan node komputasi, masing-masing dengan beberapa XPU. Perubahan ini menegaskan semakin meningkatnya kebutuhan akan jaringan Ethernet berkecepatan tinggi untuk mendukung aplikasi AI, yang secara efektif menyelesaikan perdebatan antara penggunaan InfiniBand (IB) dan Ethernet. Menanggapi Permintaan Beban Kerja AI yang Besar Aplikasi AI modern, terutama model AI berskala besar dan pembelajaran mendalam, memberikan tuntutan yang sangat besar pada jaringan pusat data. Dengan ribuan node komputasi yang masing-masing membutuhkan pertukaran data yang cepat dan efisien, menjadi jelas bahwa memenuhi kebutuhan jaringan untuk infrastruktur sebesar itu dalam satu sistem saja tidak mungkin. Prosesor satu chip atau bahkan sistem multi-chip terbatas oleh kendala fisik seperti ukuran rak jaringan dan jarak antar node komputasi. Oleh karena itu, jaringan AI berskala besar biasanya menggunakan arsitektur “leaf-spine” multi-tier. Arsitektur ini memungkinkan fleksibilitas tetapi datang dengan tantangan dalam mengelola konfigurasi yang kompleks, termasuk manajemen kemacetan, penyetelan kinerja, dan penyeimbangan beban. Menanggapi tantangan ini, vendor, bersama pelanggan seperti Meta, bekerja sama melalui Ultra Ethernet Consortium untuk meningkatkan penanganan transportasi tanpa kehilangan (lossless), distribusi paket yang efisien, dan pengendalian kemacetan di jaringan multi-tier yang dirancang untuk beban kerja AI. Pendekatan Distributed Etherlink Switch (DES) Pengenalan platform Arista 7700R4 DES menandai perubahan signifikan dalam jaringan AI. Meskipun secara fisik mungkin terlihat mirip dengan jaringan leaf/spine dua-tier tradisional, sistem DES menawarkan pendekatan yang sangat berbeda. DES menyediakan penerusan satu hop dengan lapisan spine fabric yang efisien, memastikan skalabilitas dan kinerja yang tinggi. Apa yang membedakan DES adalah desainnya yang dirancang untuk menangani beban kerja AI yang sangat besar tanpa memerlukan penyetelan ekstensif yang biasanya diperlukan pada sistem multi-tier tradisional. 7700R4 DES mengintegrasikan Virtual Output Queues (VoQ) khusus untuk menampung aliran data intensif, penyeimbangan beban yang 100% efisien, dan kemampuan pengalihan cepat (fast failover). Fitur-fitur ini menghilangkan kebutuhan untuk konfigurasi yang rumit dan memberikan solusi yang andal untuk sistem AI berskala besar. Peran Meta dalam Pembentukan Solusi Masukan dari Meta sangat penting dalam pengembangan 7700R4 DES, memanfaatkan pengalaman mereka dengan sistem 7800R3 sebelumnya. Dengan pengetahuan mendalam mereka tentang beban kerja AI dan jaringan, Meta mengidentifikasi kebutuhan akan solusi skala lebih besar yang dapat berkembang dengan lancar ke 800G, sambil tetap mempertahankan manfaat dari arsitektur R-Series Arista. Sebagai kesimpulan, penerapan Arista 7700R4 DES dalam kluster AI Meta merupakan langkah maju yang signifikan dalam mengatasi tantangan jaringan yang ditimbulkan oleh model AI besar. Kolaborasi ini menunjukkan kekuatan kemitraan antara Meta dan Arista, karena kedua perusahaan terus berinovasi dan berkembang untuk memenuhi tuntutan aplikasi AI dan pembelajaran mesin yang semakin berkembang. 7700R4 berperilaku seperti satu sistem, dengan buffer dalam khusus untuk memastikan transportasi tanpa kehilangan di seluruh jaringan AI berbasis Ethernet. DES tidak bergantung pada topologi, siap untuk UEC, dioptimalkan untuk beban kerja pelatihan dan inferensi, dengan arsitektur yang 100% efisien, dan menawarkan telemetri yang kaya serta fitur cerdas yang dibutuhkan oleh Pusat AI modern. Keunggulan Utama DES Advantage Description Impact Accelerator Agnostic DES works with any XPU, workload, and vertical application. Future-proof solution that is flexible with no lock-ins. NIC Agnostic DES works with all high-speed networks and delivers a lossless, fully scheduled solution with packet spraying without needing a dedicated smart NIC. No special NICs are required, with substantial cost and power savings. Topology Agnostic DES accommodates commonly deployed 2-tier ToR and rail designs simultaneously. Maximizes performance and reduces the cost and power of optics and fibers. Ultra Ethernet Ready DES works with or without UEC enhancements. Future-proof solution, flexible – no need to wait. No Special Tuning Required DES is 100% efficient out of the box based on the R-Series VoQ and cell-based fabric architecture. Saves time and maximizes XPU investment by accelerating deployment. Fast Hardware Failover DES provides 100ms link failure detection and reroute. No active protocol failovers, no subnet manager or controller needed. Built for LPO All DES ports support Linear Drive Pluggable Optics. This allows a 50% or greater power reduction on leaf-spine links. Smart features for AI DES provides native visibility, advanced traffic management, and NIC integration. With a deep understanding of cluster performance and setting, troubleshooting is easy. Ringkasan Meningkatnya kebutuhan Pusat AI telah menciptakan tuntutan yang lebih besar pada jaringan terbuka modern. Portofolio Etherlink Arista menawarkan pilihan dalam bentuk faktor, mulai dari sistem chip tunggal hingga jaringan multi-chip modular multi-tier yang dapat diskalakan hingga ribuan port XPU. Arista 7700R4 Distributed Etherlink Switch menawarkan kesederhanaan dan skalabilitas dengan solusi yang hemat biaya dan efisien daya untuk Pusat AI. Kami sangat senang dengan kolaborasi rekayasa yang erat dengan Meta untuk era baru AI.
Era Baru Pusat AI
Pada tahun 1984, Sun terkenal dengan pernyataannya, “Jaringan adalah Komputer.” Empat puluh tahun kemudian, kita melihat siklus ini terulang kembali dengan munculnya AI. Sifat kolektif dari model pelatihan AI bergantung pada jaringan yang tanpa kehilangan dan sangat tersedia untuk menghubungkan setiap GPU dalam cluster secara mulus dan memungkinkan kinerja puncak. Jaringan juga menghubungkan model AI yang telah dilatih ke pengguna akhir dan sistem lain di pusat data seperti penyimpanan, memungkinkan sistem untuk menjadi lebih dari sekadar jumlah bagiannya. Akibatnya, pusat data berkembang menjadi pusat AI baru di mana jaringan menjadi pusat dari manajemen AI. Tren dalam AI Untuk memahami hal ini, mari kita pertama-tama melihat ledakan dataset AI. Seiring dengan peningkatan ukuran model bahasa besar (LLM) untuk pelatihan AI, paralelisasi data menjadi hal yang tak terhindarkan. Jumlah GPU yang dibutuhkan untuk melatih model yang lebih besar tidak dapat mengikuti jumlah parameter yang sangat besar dan ukuran dataset. Paralelisasi AI, baik data, model, atau pipeline, hanya seefektif jaringan yang menghubungkan GPU-GPU tersebut. GPU harus saling bertukar dan menghitung gradien global untuk menyesuaikan bobot model. Untuk itu, berbagai komponen dari teka-teki AI harus bekerja secara kohesif sebagai satu pusat AI: GPU, NIC, aksesori penghubung seperti optik/kabel, sistem penyimpanan, dan yang paling penting, jaringan yang ada di tengah-tengah semuanya. Ada banyak alasan dan penyebab kinerja suboptimal di pusat data berbasis AI saat ini. Yang paling utama, jaringan AI membutuhkan Quality of Service end-to-end yang konsisten untuk transportasi tanpa kehilangan. Ini berarti bahwa NIC di server, serta platform jaringan, harus memiliki penanda/pemetaan seragam dan kontrol yang akurat serta pemberitahuan kemacetan (PFC & ECN dengan DCQCN), serta ambang batas pemanfaatan buffer yang sesuai agar setiap komponen dapat merespons kejadian jaringan seperti kemacetan dengan cepat, memastikan pengirim dapat mengontrol laju aliran lalu lintas secara tepat untuk menghindari kehilangan paket. Saat ini, NIC dan perangkat jaringan dikonfigurasi secara terpisah. Ketidaksesuaian konfigurasi apa pun bisa sangat sulit untuk dipahami di jaringan AI besar. Salah satu alasan umum untuk kinerja yang buruk adalah kegagalan komponen. Server, GPU, NIC, transceiver, kabel, switch, dan router dapat gagal yang mengakibatkan go-back N – atau bahkan lebih buruk, dapat menghentikan seluruh pekerjaan, yang menyebabkan penalti kinerja yang besar. Dan probabilitas kegagalan komponen menjadi semakin besar seiring bertambahnya ukuran cluster. Secara tradisional, perpustakaan komunikasi kolektif (CCL) dari vendor GPU akan mencoba menemukan topologi jaringan yang mendasari menggunakan teknik lokalisasi, tetapi perbedaan antara topologi yang ditemukan dan yang sebenarnya dapat sangat mempengaruhi waktu penyelesaian pekerjaan pelatihan AI. Aspek lain dari jaringan AI adalah bahwa sebagian besar operator memiliki tim terpisah yang merancang dan mengelola infrastruktur komputasi vs. jaringan yang berbeda. Ini melibatkan penggunaan sistem orkestrasi yang berbeda untuk konfigurasi, validasi, pemantauan, dan pembaruan. Kurangnya satu titik kontrol dan visibilitas membuatnya sangat sulit untuk mengidentifikasi dan menglokalisasi masalah kinerja. Semua masalah ini diperburuk seiring dengan bertambahnya ukuran cluster AI. Sangat mudah untuk melihat bagaimana silo ini bisa semakin dalam, memperburuk masalah. Pemisahan operasi antara komputasi dan jaringan dapat menyebabkan tantangan dalam menghubungkan teknologi-teknologi ini untuk kinerja optimal, serta menyebabkan keterlambatan dalam mendiagnosis dan menyelesaikan penurunan kinerja atau kegagalan total. Jaringan itu sendiri bisa terpecah menjadi pulau-pulau cluster InfiniBand HPC yang terpisah dari pusat data berbasis Ethernet. Hal ini pada gilirannya dapat membatasi perlindungan investasi, menyebabkan tantangan dalam mentransfer data antar pulau tersebut, memaksa penggunaan gateway yang canggung, dan dalam menghubungkan komputasi ke penyimpanan dan pengguna akhir. Fokus pada salah satu teknologi (seperti komputasi, misalnya) secara terpisah dari semua aspek solusi holistik mengabaikan sifat saling bergantung dan saling terhubung dari teknologi-teknologi tersebut seperti yang ditunjukkan di bawah ini. Silo Jaringan saat ini Bangkitnya Pusat AI Baru Pusat AI baru mengakui dan menerima keseluruhan ekosistem modern yang saling bergantung ini. Seluruh sistem berkembang bersama untuk kinerja optimal, bukan terjebak dalam isolasi seperti pada silo jaringan sebelumnya. GPU membutuhkan jaringan yang teroptimasi dan tanpa kehilangan untuk menyelesaikan pelatihan AI dalam waktu sesingkat mungkin, dan kemudian model AI yang telah dilatih perlu terhubung ke klaster inferensi AI untuk memungkinkan pengguna akhir mengakses model tersebut. Node komputasi, yang mencakup baik GPU/akselerator AI maupun CPU/komputasi umum, perlu berkomunikasi dan terhubung dengan sistem penyimpanan serta sistem TI lainnya di pusat data yang ada. Tidak ada yang bekerja sendirian. Jaringan bertindak sebagai jaringan penghubung untuk menghubungkan semua titik interaksi tersebut, seperti halnya sistem saraf yang menyediakan jalur antara neuron pada manusia. Nilai di dalamnya adalah hasil kolektif yang memungkinkan oleh keseluruhan sistem yang terhubung sebagai satu kesatuan, bukan pada komponen individu yang bekerja sendiri. Bagi manusia, nilai datang dari pikiran dan tindakan yang dimungkinkan oleh sistem saraf, bukan hanya neuron-neuron itu saja. Demikian pula, nilai dari Pusat AI adalah output yang dikonsumsi oleh pengguna akhir yang menyelesaikan masalah dengan AI, dimungkinkan oleh klaster pelatihan yang terhubung ke klaster inferensi yang terhubung ke penyimpanan dan sistem TI lainnya, yang terintegrasi ke dalam jaringan tanpa kehilangan sebagai sistem saraf pusat. Pusat AI bersinar dengan menghilangkan silo untuk memungkinkan penyetelan kinerja yang terkoordinasi, pemecahan masalah, dan operasi, dengan jaringan pusat memainkan peran penting dalam menciptakan dan menggerakkan sistem yang terhubung. Ethernet dalam Skala Besar: Pusat AI Arista EOS Menyokong Pusat AI EOSⓇ adalah sistem operasi terbaik Arista yang mendukung jaringan AI skala besar di dunia, menyatukan semua bagian ekosistem untuk menciptakan Pusat AI yang baru. Jika jaringan adalah sistem saraf dari Pusat AI, maka EOS adalah otak yang menggerakkan sistem saraf tersebut. Sebuah inovasi baru dari Arista, yang dibangun ke dalam EOS, lebih lanjut memperluas konsep saling terhubung dari Pusat AI dengan lebih erat menghubungkan jaringan ke host yang terhubung sebagai sistem holistik. EOS memperluas kontrol jaringan secara keseluruhan, telemetri, dan karakteristik QoS tanpa kehilangan dari switch jaringan hingga agen EOS jarak jauh yang berjalan di NIC di server/GPU yang terhubung langsung. Agen jarak jauh yang diterapkan pada NIC/server AI ini mengubah switch untuk menjadi pusat dari jaringan AI untuk mengonfigurasi, memantau, dan memperbaiki masalah pada Host AI dan GPU. Ini memungkinkan titik kontrol dan visibilitas yang tunggal dan seragam. Dengan memanfaatkan agen jarak jauh ini, konsistensi konfigurasi termasuk penyetelan lalu lintas end-to-end dapat dipastikan sebagai entitas homogen tunggal. Arista EOS memungkinkan komunikasi…
CloudVision: Merayakan Dekade Pertama
Saat saya merenungkan evolusi platform CloudVisionⓇ selama sepuluh tahun terakhir, serta pengumuman terbaru kami hari ini, saya teringat pada tiga prinsip yang telah membimbing kami sepanjang perjalanan ini: data jaringan lengkap tanpa kompromi, platform dibanding produk titik, dan model operasional modern. Meskipun produk dan rencana kami telah berkembang seiring waktu, masing-masing prinsip ini terasa sangat relevan dengan tantangan yang dihadapi perusahaan saat ini. Semua Dimulai dengan Data Tantangan mendasar dalam mengoperasikan jaringan berskala besar adalah mendapatkan akses ke kondisi penuh jaringan, baik secara real-time maupun historis. Pendekatan klasik seperti polling SNMP tidak memberikan granularitas atau akses real-time yang dibutuhkan operator untuk membuat keputusan jaringan yang terinformasi dalam jaringan perusahaan modern yang besar, apalagi di cloud. Arista bertekad untuk membangun sistem dasar yang dapat mengalirkan kondisi penuh jaringan secara real-time dan menyimpannya secara historis selamanya. Kami tahu bahwa mendapatkan akses lengkap ini akan menjadi bagian tersulit—kami akan memikirkan aplikasi menarik untuk dibangun di atasnya nanti. Kemampuan otomatisasi dan pengaliran kondisi dari EOSⓇ, yang sering dibangun bekerja sama dengan pelanggan cloud terbesar kami, sangat penting dalam membangun platform manajemen untuk perusahaan yang lebih luas. Hari ini, platform ini, NetDL™ (Network Data Lake) milik Arista, telah berkembang untuk mencakup tidak hanya kondisi jaringan tetapi juga data aplikasi dan pengguna yang relevan untuk menerjemahkan kondisi jaringan tingkat rendah (MAC, IP, penghitung, dan aliran) kepada pengguna, VM, dan aplikasi yang terkait. Visibilitas yang tiada tanding dari arsitektur pengaliran kondisi ini masih mendapatkan reaksi terbesar dari pelanggan kami hingga saat ini. Apa yang tidak saya prediksi ketika kami memulai adalah seberapa tak ternilainya arsitektur NetDL bagi AI dalam Jaringan—data historis yang tersedia dalam NetDL dan CloudVision as-a-Service merupakan syarat dasar untuk pemodelan AI di berbagai kasus penggunaan perusahaan yang didukung Arista. Saya berharap ini akan tetap menjadi pembeda inti bagi kami di bidang ini untuk waktu yang cukup lama. Platform untuk Jaringan sebagai Layanan Meskipun Arista pada saat itu sebagian besar adalah perusahaan jaringan pusat data, kami tidak bertujuan untuk membangun CloudVision sebagai produk manajemen jaringan pusat data. Kami lebih fokus pada pembangunan platform dan arsitektur yang tepat, dengan mengambil pelajaran dari EOS. Meskipun kami baru saja meluncurkan penawaran layanan cloud kami secara resmi, kami sudah percaya sejak awal bahwa ini adalah arah yang diinginkan pelanggan kami, sehingga kami membangun NetDL, sejak hari pertama, sebagai arsitektur multi-tenant yang sejati dan dapat diskalakan. Inilah yang memungkinkan kami menawarkan Jaringan sebagai Layanan hari ini tanpa harus membangun produk terpisah yang baru. Ketika kami memperluas penawaran kami dari pusat data ke kampus, cabang, hingga WAN, CloudVision secara alami mengikuti untuk membawa telemetry streaming dan model operasional yang umum di seluruh kasus penggunaan ini. Meskipun masing-masing jenis penerapan baru ini membawa persyaratan alur kerja yang unik, investasi yang konsisten dalam platform memberikan solusi holistik untuk seluruh jaringan perusahaan, dan bukan silo yang kemudian perlu dijahit bersama. Model Operasional Modern Langkah pertama dalam beralih ke model operasional modern adalah berpindah dari konfigurasi manual di CLI ke proses otomatisasi untuk menerapkan konfigurasi di seluruh jaringan. Ini juga sering kali menjadi perubahan tersulit bagi organisasi jaringan untuk dilakukan. Kami ingin menghindari model wizard tradisional, di mana Anda hanya dapat membangun seperangkat desain jaringan yang terbatas—ini tidak akan berhasil untuk basis pelanggan kami. Sebagai gantinya, kami memulai dengan model configlet sederhana yang memungkinkan otomatisasi jaringan secara penuh, menggunakan sintaks yang familiar bagi semua operator jaringan, serta mengurangi duplikasi dan kesalahan manusia dalam operasional. Kemampuan otomatisasi jaringan kami telah berkembang selama bertahun-tahun, dari otomatisasi jaringan berbasis configlet hingga CI Pipelines penuh dengan pemeriksaan sebelum dan sesudah penerapan serta pembaruan kode tanpa gangguan. Kami mendukung seluruh rentang operator jaringan, mulai dari tim operasi lapangan dengan alur kerja hari ke-2 hingga arsitek jaringan dengan Arista Validated Designs. Model operasional modern CloudVision memungkinkan pelanggan untuk mengelola jaringan mereka dengan kelincahan dan kepercayaan diri yang diperlukan untuk mendukung bisnis mereka. Kami sangat berterima kasih kepada pelanggan kami yang telah bermitra dengan kami selama dekade terakhir untuk menjadikan CloudVision sebagai platform jaringan perusahaan seperti sekarang ini—kami tidak bisa melakukannya tanpa Anda. Dan saya sangat bersemangat untuk dekade yang akan datang! Ingin tahu lebih banyak mengenai arista network, silahkan hubungi arista@ilogoindonesia.id
Wi-Fi 7: Masa Depan Jaringan Nirkabel Berkecepatan Tinggi Kini Telah Hadir
Perusahaan-perusahaan kini menghadapi tekanan untuk memenuhi dan melampaui tantangan kebutuhan bandwidth yang semakin pesat, termasuk aplikasi AR/VR (augmented reality/virtual reality), streaming multimedia, proliferasi IoT, aplikasi video, dan penyebaran dengan kepadatan tinggi. Untuk memenuhi tuntutan zaman, Wi-Fi 7, standar Wi-Fi terbaru 802.11be, memanfaatkan spektrum 6 GHz untuk meningkatkan efisiensi dan keandalan Wi-Fi, sambil menawarkan bandwidth yang lebih tinggi dan latensi yang lebih rendah. Arista melangkah maju dalam evolusi Wi-Fi dengan meluncurkan titik akses Wi-Fi 7, yaitu C-460. C-460 adalah AP unggulan Arista yang dibangun di atas platform Qualcomm Networking Pro 1220 dan mendukung Wi-Fi 7. AP ini dirancang untuk lingkungan dengan kepadatan saluran Wi-Fi 2.4 dan 5 GHz yang tinggi, serta menyediakan saluran yang lebih lebar untuk bandwidth yang lebih besar dan kinerja yang lebih cepat. C-460 dilengkapi dengan tiga radio akses 4×4, semuanya mendukung Wi-Fi 7, radio tri-band multifungsi khusus, dual 10GbE PHYs dengan dual PoE, radio BLE IoT yang mendukung HADM, serta modul GNSS L1+L5 bawaan. “Arista Networks dan Qualcomm Technologies memiliki sejarah panjang dalam kolaborasi, dan kami mengapresiasi integrasi Wi-Fi 7 ke dalam portofolio Arista. Ini akan memperluas batas kinerja dan menawarkan kapasitas besar serta keandalan setara kabel untuk aplikasi perusahaan,” ujar Ganesh Swaminathan, Wakil Presiden dan General Manager, Infrastruktur Nirkabel dan Jaringan, Qualcomm Technologies, Inc. C-460 dirancang untuk mendukung Internet of Things (IoT) dan dapat terintegrasi dengan aplikasi pihak ketiga untuk berbagai kasus penggunaan, seperti pelacakan pasien, pelacakan aset, sistem peringatan perawat, analitik spasial, penunjuk arah, label rak elektronik, sensor lingkungan, perangkat gedung pintar, dan lainnya. Dengan adanya modul GNSS, titik akses ini mampu mendapatkan koordinat GPS yang akurat untuk AFC dan mendukung aplikasi berbasis lokasi generasi mendatang. Seiring dengan meningkatnya kebutuhan daya dan bandwidth dari titik akses Wi-Fi 7 generasi terbaru, infrastruktur kabel yang mendasarinya harus mampu memenuhi tuntutan baru ini. Platform switching Arista 720XP menyediakan daya sebesar 90W dan konektivitas 10G, dirancang khusus untuk memenuhi kebutuhan bandwidth yang semakin besar dari titik akses Wi-Fi 7. Untuk penyebaran dengan kepadatan tinggi yang memerlukan beberapa koneksi PoE dari satu pod akses, chasis modular 750 dapat menyediakan daya 60W secara bersamaan di semua portnya, memastikan konektivitas yang stabil. Arsitektur terowongan Arista dengan VXLAN yang berakhir pada switch Arista yang menjalankan Arista EOS dapat dengan mudah diskalakan untuk memenuhi kebutuhan kapasitas yang meningkat dari penyebaran Wi-Fi 7 tanpa memerlukan perangkat pengendali dan mendukung throughput jaringan yang lebih tinggi tanpa mengalami kemacetan. Fitur seperti Pembaruan AP Tanpa Gangguan, Dual PoE dengan failover tanpa gangguan, serta kontrol pesawat yang tangguh, membantu pelanggan membangun jaringan yang sangat andal untuk aplikasi-aplikasi kritis. Platform manajemen CloudVision CUE, yang dilengkapi dengan dasbor Kualitas Pengalaman Aplikasi berbasis AI/ML, analisis akar penyebab, pemecahan masalah jaringan otomatis, dan visibilitas klien—termasuk parameter Wi-Fi 7—menyediakan wawasan mendalam tentang pengalaman pengguna di jaringan dan secara signifikan mengurangi waktu penyelesaian masalah. Radio Multi-Fungsi memungkinkan pemantauan pengalaman digital dengan menguji layanan dan aplikasi jaringan secara proaktif, mengidentifikasi masalah, dan mengisolasi area masalah untuk penyelesaian yang lebih cepat. Dengan solusi identitas generasi berikutnya dari Arista dan CloudVision AGNI, pelanggan dapat mengaktifkan UPSK (Unique Pre Shared Key) di atas WPA3 dan jaringan Wi-Fi 6 GHz, memungkinkan penggabungan yang aman dan segmentasi perangkat siswa di sekolah K-12 dan universitas, perangkat IoMT di lingkungan kesehatan, serta perangkat BYOD karyawan di lingkungan perusahaan. “Sebagai salah satu kampus pendidikan tinggi publik terbesar di negara ini, Arizona State University memiliki jaringan Wi-Fi yang luas. Kami saat ini sedang meningkatkan jaringan kami ke Wi-Fi 6/6E dan juga mempersiapkan untuk manfaat Wi-Fi 7 pada aplikasi tertentu. Ini termasuk peningkatan bandwidth aplikasi dan keandalan yang bermanfaat dalam penyebaran media profesional, arena publik, tempat pertemuan, penelitian ilmiah, operasi teknologi, serta mendukung tim kepemimpinan senior kami,” ujar Jorge De Cossio, Direktur Senior, Infrastruktur Digital, Teknologi Perusahaan, Arizona State University. Ingin tahu lebih lanjut mengenai arista, silahkan hubungi arista@ilogoindonesia.id
Era Baru Pusat Kecerdasan Buatan
Pada tahun 1984, Sun terkenal karena menyatakan, “Jaringan adalah Komputer.” Empat puluh tahun kemudian, kita melihat siklus ini menjadi kenyataan lagi dengan munculnya AI. Sifat kolektif dari model pelatihan AI bergantung pada jaringan yang lossless dan sangat tersedia untuk menghubungkan setiap GPU di dalam klaster satu sama lain dan memungkinkan kinerja puncak. Jaringan juga menghubungkan model AI yang telah dilatih kepada pengguna akhir dan sistem lainnya di pusat data seperti penyimpanan, memungkinkan sistem untuk menjadi lebih dari sekadar jumlah dari bagian-bagiannya. Akibatnya, pusat data sedang berkembang menjadi Pusat AI baru di mana jaringan menjadi pusat manajemen AI. Trends in AI Untuk memahami hal ini, mari kita pertama-tama melihat ledakan dataset AI. Saat ukuran model bahasa besar (LLM) meningkat untuk pelatihan AI, paralelisasi data menjadi tak terhindarkan. Jumlah GPU yang diperlukan untuk melatih model-model ini yang lebih besar tidak dapat mengimbangi jumlah parameter besar dan ukuran dataset. Paralelisasi AI, baik itu data, model, atau pipeline, hanya efektif sebagaimana jaringan yang menghubungkan GPU-gpu tersebut. GPU harus bertukar dan menghitung gradien global untuk menyesuaikan bobot model. Untuk melakukannya, komponen-komponen yang berbeda dari teka-teki AI harus bekerja secara bersatu sebagai satu Pusat AI tunggal: GPU, NIC (Network Interface Controller), aksesori penghubung seperti optik/kabel, sistem penyimpanan, dan yang paling penting adalah jaringan di tengah-tengah semuanya. Today’s Network Silos Ada banyak alasan dan penyebab kinerja yang kurang optimal di pusat data berbasis AI saat ini. Pertama dan terutama, jaringan AI menuntut Kualitas Layanan yang konsisten dari ujung ke ujung untuk transportasi tanpa kehilangan data. Ini berarti bahwa NIC (Network Interface Controller) di server, serta platform jaringan, harus memiliki penanda/pemetaan yang seragam dan kontrol yang akurat serta pemberitahuan kejenuhan (PFC & ECN dengan DCQCN) serta ambang batas penggunaan buffer yang sesuai sehingga setiap komponen dapat bereaksi terhadap peristiwa jaringan seperti kejenuhan dengan cepat, memastikan pengirim dapat mengontrol laju aliran lalu lintas secara tepat untuk menghindari penurunan paket. Saat ini, NIC dan perangkat jaringan dikonfigurasi secara terpisah. Ketidakcocokan konfigurasi apa pun dapat sangat sulit untuk didebug di jaringan AI yang besar. Salah satu alasan umum untuk kinerja yang buruk adalah kegagalan komponen. Server, GPU, NIC, transceiver, kabel, switch, dan router dapat mengalami kegagalan yang mengakibatkan pengembalian ke N – atau bahkan lebih buruk lagi, dapat menahan seluruh pekerjaan, yang mengakibatkan hukuman kinerja yang besar. Dan probabilitas kegagalan komponen menjadi lebih jelas saat ukuran kluster bertambah. Secara tradisional, perpustakaan komunikasi kolektif (CCL) dari vendor GPU akan mencoba menemukan topologi jaringan yang mendasarinya menggunakan teknik lokalitas, tetapi ketidaksesuaian antara topologi yang ditemukan dan yang sebenarnya dapat secara serius mempengaruhi waktu penyelesaian pekerjaan pelatihan AI. Aspek lain dari jaringan AI adalah bahwa sebagian besar operator memiliki tim terpisah yang merancang dan mengelola infrastruktur komputasi dan jaringan yang berbeda. Hal ini melibatkan penggunaan sistem orkestrasi yang berbeda untuk konfigurasi, validasi, pemantauan, dan peningkatan. Kurangnya titik kontrol dan visibilitas tunggal membuat sangat sulit untuk mengidentifikasi dan mengisolasi masalah kinerja. Semua masalah ini diperparah dengan bertambahnya ukuran kluster AI. Mudah untuk melihat bagaimana silo-silo ini dapat tumbuh lebih dalam untuk memperburuk masalah. Operasi terbagi antara komputasi versus jaringan dapat menyebabkan tantangan dalam menghubungkan teknologi-teknologi tersebut bersama untuk kinerja optimal, serta dalam menangani penurunan kinerja atau kegagalan langsung. Jaringan itu sendiri dapat terbagi menjadi pulau-pulau kluster InfiniBand HPC yang berbeda dari pusat data berbasis Ethernet. Hal ini dapat membatasi perlindungan investasi, menimbulkan tantangan dalam melewati data antara pulau-pulau tersebut, memaksa penggunaan gateway yang canggung, serta dalam menghubungkan komputasi ke penyimpanan dan pengguna akhir. Fokus hanya pada satu teknologi (seperti komputasi, misalnya) secara terpisah dari semua aspek solusi holistik mengabaikan sifat saling tergantung dan terhubungnya teknologi-teknologi seperti yang ditunjukkan di bawah ini. Kebangkitan Pusat AI Baru Pusat AI baru mengakui dan merangkul keseluruhan dari ekosistem modern yang saling bergantung ini. Seluruh sistem naik bersama untuk kinerja optimal daripada terdampar dalam isolasi seperti pada silo jaringan sebelumnya. GPU membutuhkan jaringan yang dioptimalkan dan tanpa kehilangan data untuk menyelesaikan pelatihan AI dalam waktu sesingkat mungkin, dan kemudian model AI yang terlatih tersebut perlu terhubung ke klaster inferensi AI untuk memungkinkan pengguna akhir mengajukan pertanyaan kepada model. Node komputasi, yang mencakup baik GPU / akselerator AI maupun CPU / komputasi umum, perlu berkomunikasi dengan dan terhubung ke sistem penyimpanan serta sistem IT lainnya yang ada di pusat data yang sudah ada. Tidak ada yang bekerja sendiri-sendiri. Jaringan bertindak sebagai jaringan penghubung untuk memicu semua titik interaksi tersebut, sama seperti sistem saraf menyediakan jalur antara neuron dalam manusia. Nilai dari setiap komponen adalah hasil kolektif yang dimungkinkan oleh sistem total yang terhubung sebagai satu kesatuan, bukan dalam komponen-komponen individu yang beroperasi sendiri. Bagi manusia, nilai datang dari pikiran dan tindakan yang dimungkinkan oleh sistem saraf, bukan hanya dari neuron secara individual. Demikian pula, nilai dari sebuah Pusat AI adalah output yang dikonsumsi oleh pengguna akhir untuk memecahkan masalah dengan AI, dimungkinkan oleh klaster pelatihan yang terhubung ke klaster inferensi yang terhubung ke sistem penyimpanan dan sistem IT lainnya, yang terintegrasi dalam jaringan tanpa kehilangan data sebagai sistem saraf pusat. Pusat AI bersinar dengan menghilangkan silo untuk memungkinkan penyetelan kinerja yang terkoordinasi, pemecahan masalah, dan operasi, dengan jaringan pusat memainkan peran penting untuk menciptakan dan menggerakkan sistem yang terhubung tersebut. Arista EOS Menguasai Pusat AI EOSⓇ adalah sistem operasi kelas terbaik dari Arista yang menggerakkan jaringan AI scale-out terbesar di dunia, menggabungkan semua bagian dari ekosistem untuk menciptakan Pusat AI baru. Jika jaringan adalah sistem saraf dari Pusat AI, maka EOS adalah otak yang mengendalikan sistem saraf tersebut. Inovasi baru dari Arista, yang terintegrasi dalam EOS, lebih lanjut memperluas konsep terhubung dari Pusat AI dengan lebih erat menghubungkan jaringan ke host terhubung sebagai sistem holistik. EOS memperluas kontrol, telemetri, dan karakteristik QoS tanpa kehilangan data secara luas dari switch jaringan hingga agen EOS jarak jauh yang berjalan pada NIC di server/GPU yang terhubung langsung. Agen jarak jauh yang diterapkan pada NIC/server AI mengubah switch untuk menjadi pusat jaringan AI untuk mengonfigurasi, memantau, dan men-debug masalah pada Host dan GPU AI. Hal ini memungkinkan titik kontrol dan visibilitas tunggal dan seragam. Dengan memanfaatkan agen jarak…
Solusi Cloudvision Wifi Arista Membantu Manajemen Access Point pada Perusahaan
Proses konfigurasi, pemantauan, hingga pemecahan masalah Ketika terjadi kendala pada access point, biasa nya butuh proses yang rumit. Untuk mengatasi hal tersebut, solusi dari arista yaitu Cloudvision Wifi (CVW) sebagai controller tanpa perlu memanajemen AP satu persatu. Solusi cloudvision wifi tersedia sebagai container di platform arista cloudvision untuk memperluas pendekatan arsitektur dengan melakukan secara otomatis jaringan di private cloud, public cloud, dan hybrid cloud menggunakan koneksi wireless dan kabel ( Wire ). Setelah mengaktifkan solusi CVW, IT dapat mengkonfigurasi, memonitoring dan memecahkan masalah dan meningkatkan AP wifi arista mengunakan UI CVW. Mari kita bahas lebih lanjut mengenai kemampuan CVW untuk menyelesaikan masalah jaringan dengan mengurangi cost of ownership. Solusi dari Cloudvision yang Tepat untuk Bisnis CloudVision wifi menggunakan machine learning untuk menghadirkan kecepatan, kecerdasan dan akurasi ke jaringan wireless. CVW dikemas dalam CV, baik itu di CVA ( CV pada CV appliance ) atau CV VM yang berdiri sendiri. Solusi CVW berjalan pada CV node Tunggal dan cluster CV. Dalam kasus cluster CV, CVW beroperasi sebagai instance Tunggal dalam HA ( High Availability ) CVW mendukung manajemen kognitif yang menyederhanakan pemecahan masalah, serta memberikan telemetric yang lebih lengkap pada administrator jaringan. Manajemen terpusat mampu menyederhanakan manajemen kebijakan dan penyediaan jaringan wifi yang mendukung operasional bisnis. Data plane yang fleksibel memungkinkan untuk menyesuaikan throughput atau memprioritaskan jenis data tertentu berdasarkan situasi. Sementara control plane yang terdistribusi memungkinkan fitur wifi perusahaan tanpa masalah skalabilitas arsitektur lama dan innovative plane dengan telemetri streaming untuk mengotomatiskan monitoring dan troubleshooting jaringan wifi. Upaya ini dilakukan untuk mengoptimalkan pengalaman penggunaan wifi dan meminimalkan mean time to resolution ( MTTR) untuk akses jaringan dan masalah kinerja. Kelebihan Utama Arista CloudVision Client Journey CVW memberikan wawasan secara real time terkait dengan pengalaman client wifi Ketika menggunakan jaringan. CVW juga melacak kapan dan mengapa client ada masalah ke jaringan, seperti AAA, DHCP, Dan DNS. Admin dapat menelusuri dan mengakses log koneksi client untuk memecahkan masalah. Location Tracking CVW support pelacakan Lokasi AP Wifi dan client sehingga memungkinkan asosiasi dan pemfilteran berdasarkan konektivitas. Fitur ini dapat melakukan pemetaan konektivitas client wifi dan pemasalahan pada wifi Application Health Dapat memonitoring Quality Of Excperience ( QoE) dan mengidentifikasi terhadap masalah yang terjadi. Sekitar 25 aplikasi dapat dipilih untuk dipantau. QoE baseline juga dilacak per-aplikasi, di semua aplikasi dalam kurun waktu 30 hari. Dapat terintegrasi dengan Google G Suite Google suite for business atau google suite for education bisa menerapkan keamanan tambahan untuk pengguna wifi. Solusi ini tidak memerlukan hardware, software, ataupun license tambahan. Untuk memberikan konektivitas internat yang baik, arista menghadirkan access point dengan kinerja wifi Gen 2 dengan penggunaan sketrum lebih efisien. AP Arista memberikan pengalaman dan throughput terdepan di industri, termasuk lingkungan dengan kepadatan yang tinggi. Ketahui lebih lanjut mengenai performa AP arista. Performa Arista AP Penyaluran uplink/downlink akan mengalokasikan bandwidth secara efisien di seluruh perangkat client untuk pengalaman yang lebih baik. Kemampuan untuk melayani banyak client secara bersamaan dalam dilakukan melalui UL/ DL MU-MIMO dengan meningkatkan kapasitas sistem dan pengalaman pengguna. Didukung 8 aliran special dalam 5GHz, Arista AP memberikan throughput dan kapasitas client yang lebih baik. AP Arista sangat baik untuk jaringan yang kepadatan nya tinggi dalam melayani beragam client dan aplikasi dalam jumlah besar. Arista AP dapat menjadi solusi terbaik bagi Lokasi dengan scenario penyebaran umum, termasuk di sekolah , kantor yang memiliki jarak jauh, auditorium, ruang pertemuan, kampus Kelebihan Access Point Arista Untuk installasi lebih hemat waktu dan biaya. Installasi cukup hanya dengan plug and play untuk mengaktifkan dan mengonfigurasi setelah terhubung ke controller cloud atau controller on premise sehingga menghemat biaya secara signifikan. Smartsteering akan mengatasi masalah AP dengan meningkatkan kualitas sambungan nirkabel dan mengurangi gangguan. Bandsteering untuk pengaturan channel, mendorong client ke frekuensi 5Ghz untuk hasil yang optimal. Smartload balancing akan mendistribusikan workload secara merata pada seluruh AP untuk sumber daya jaringan yang optimal. Visibilitas lengkap dan kontrol wireless airspace untuk memastikan integrasi jaringan, sekaligus melindungi pengguna tanpa ada tindakan manual. Mengumpulkan log pada client wifi yang terhubung dan tidak terhubung serta mendukung pengalaman jaringan guest secara mendalam untuk memperkuat dan mengembangkan hubungan dengan end user. Dapatkan Solusi Cloudvision Wifi Arista dari ilogoindonesia Saat nya memberikan kemudahan manajemen AP pada jaringan wifi perusahaan dengan cloudvision arista . Segera dapatkan solusi dari ilogo Indonesia. Untuk informasi lebih lanjut, silahkan menghubungi arista@ilogoindonesia.id