現(xiàn)如今的企業(yè)組織機構(gòu)正在大規(guī)模的采用AI人工智能應(yīng)用程序來解析不斷呈指數(shù)級增長的龐大數(shù)據(jù)量，這不僅要求極高，并且需要具備強大的并行處理功能，因此原來的標準化CPU已然無法充分執(zhí)行許多AI解析任務(wù)了。有鑒于此，當企業(yè)數(shù)據(jù)中心在接近或達到服務(wù)器性能的瓶頸局限時，究竟應(yīng)該相應(yīng)的采取哪些有效的應(yīng)對措施呢?

在本文中，我們將幫助您企業(yè)數(shù)據(jù)中心準備并應(yīng)對由AI應(yīng)用程序為企業(yè)本地部署環(huán)境和云基礎(chǔ)架構(gòu)所帶來的限制。同時，我們還采訪了數(shù)據(jù)中心業(yè)界的同行們，邀請他們提供了相關(guān)的指導性建議，其中包括著重強調(diào)了企業(yè)數(shù)據(jù)中心與服務(wù)器供應(yīng)商密切合作的重要性，這些服務(wù)器供應(yīng)商可以為您的企業(yè)從早期階段盡快過渡到穩(wěn)步的高級生產(chǎn)階段，進而充分利用AI功能提供相應(yīng)的指導。

當前的企業(yè)組織機構(gòu)正在積極努力的應(yīng)對眾多的變數(shù)，以確定他們對使用由深度學習時帶來的能夠提供新的洞察見解的人工智能(AI)應(yīng)用程序到底應(yīng)該采取怎樣的立場。而這一領(lǐng)域在當下可以說是充滿了無限的商機，不采取積極的行動可能會演變成商業(yè)災難，因為企業(yè)的競爭對手們正在收集并分析處理海量以前無法獲得的數(shù)據(jù)信息，來擴大其客戶群。大多數(shù)企業(yè)組織都已然意識到了這一嚴峻的挑戰(zhàn)，故而他們的業(yè)務(wù)部門、IT員工、數(shù)據(jù)科學家和開發(fā)人員們都在共同努力，以確定企業(yè)的人工智能戰(zhàn)略。

在某種程度上，采用AI戰(zhàn)略的企業(yè)將逐步體驗到在利用AI應(yīng)用程序方面更為先進的領(lǐng)軍企業(yè)們過往的經(jīng)歷：他們的服務(wù)器性能將遭遇到瓶頸局限問題。人工智能應(yīng)用程序，特別是深度學習系統(tǒng)可以對當下呈指數(shù)級不斷增長的海量數(shù)據(jù)信息進行分析，但這些系統(tǒng)要求非常高，并且需要具備強大的并行處理能力，故而越來越多的標準化CPU已然無法充分執(zhí)行這些AI任務(wù)了。早期階段和高級階段的AI用戶在某些時候?qū)⒉坏貌粡氐赘脑炱浞��?wù)器基礎(chǔ)設(shè)施以實現(xiàn)所需的相關(guān)性能。

因此，IDC建議正在開發(fā)AI功能或擴展現(xiàn)有AI功能的企業(yè)組織機構(gòu)應(yīng)以嚴格控制的方式解決這一服務(wù)器性能瓶頸問題。務(wù)必要在充分掌握相關(guān)細節(jié)的前提下實施下一步的基礎(chǔ)設(shè)施遷移。此外，我們建議他們務(wù)必要與其服務(wù)器供應(yīng)商密切合作，這些服務(wù)器供應(yīng)商可以為企業(yè)客戶從早期階段盡快過渡到穩(wěn)步的高級生產(chǎn)階段，進而充分利用AI功能提供相應(yīng)的指導。

打破在數(shù)據(jù)中心服務(wù)器基礎(chǔ)設(shè)施上運行AI的瓶頸

天下數(shù)據(jù)IDC發(fā)現(xiàn)，大多數(shù)處于概念驗證(POC)測試或生產(chǎn)模式的人工智能和深度學習應(yīng)用程序的企業(yè)在某種程度上已經(jīng)達到了 “服務(wù)器基礎(chǔ)設(shè)施瓶頸限制”的水平——有時在這些企業(yè)遷移到不同的服務(wù)器基礎(chǔ)設(shè)施后，會不止一次的出現(xiàn)基礎(chǔ)設(shè)施瓶頸局限性的問題。

天下數(shù)據(jù)IDC采訪了相關(guān)的企業(yè)組織當他們在其現(xiàn)有的企業(yè)內(nèi)部部署服務(wù)器基礎(chǔ)架構(gòu)上開始運行AI應(yīng)用程序時所經(jīng)歷的情況。77.1%的受訪者表示他們在內(nèi)部服務(wù)器部署基礎(chǔ)設(shè)施上運行AI遇到了一個或多個限制。在采用了認知軟件的云用戶中，90.3%的企業(yè)遇到了這種限制。下表1列出了在企業(yè)內(nèi)部部署服務(wù)器環(huán)境和云基礎(chǔ)架構(gòu)中運行AI應(yīng)用程序的相關(guān)限制。

表1：基礎(chǔ)架構(gòu)運行AI應(yīng)用程序的瓶頸限制(排名分主次順序)

資料來源：《認知服務(wù)器基礎(chǔ)架構(gòu)調(diào)查》2017年6月

正是由于這些基礎(chǔ)設(shè)施的瓶頸局限問題的出現(xiàn)，很多企業(yè)很快經(jīng)歷了代際轉(zhuǎn)變。盡管人工智能應(yīng)用程序和深度學習的興起僅僅只有幾年時間，但IDC發(fā)現(xiàn)，已有22.8%的企業(yè)在采用第三代服務(wù)器基礎(chǔ)設(shè)施來運行其人工智能應(yīng)用程序了，而37.6%的企業(yè)在使用第二代服務(wù)器基礎(chǔ)設(shè)施，39.6%的企業(yè)則在使用第一代的服務(wù)器基礎(chǔ)設(shè)施。上述這些調(diào)查百分比表明了當下的企業(yè)客戶正在尋找合適的基礎(chǔ)設(shè)施。而下表2則列出了AI服務(wù)器基礎(chǔ)架構(gòu)最常出現(xiàn)的代際。

表2：人工智能服務(wù)器基礎(chǔ)設(shè)施最常見的代際(排名分順序)

資料來源：《認知服務(wù)器基礎(chǔ)架構(gòu)調(diào)查》2017年6月

轉(zhuǎn)向具有更高處理器性能(通常所采取的最常見的措施)、更大的I / O帶寬和加速器的系統(tǒng)是一個合理的決定。但是這些數(shù)據(jù)也表明了理想配置所存在的不確定性。一些企業(yè)已經(jīng)嘗試了橫向規(guī)�；瘮U展，并縱向擴展;而另外一些企業(yè)則采取了相反的方案。其他某些遷移從虛擬機開始，然后轉(zhuǎn)移到專用服務(wù)器，而其他一些同行卻與此相反。

這些矛盾的舉措其實并不像其看起來那么奇怪。當前的企業(yè)組織不僅在AI軟件上進行試驗，而且同時也在基礎(chǔ)設(shè)施上進行試運行。一些企業(yè)已經(jīng)開始采用橫向的規(guī)�；瘮U展配置，并且隨著解決方案的日趨成熟，他們決定需要更高的性能，而這些性能能夠在數(shù)據(jù)中心的現(xiàn)有擴展系統(tǒng)中獲得。其他一些企業(yè)則在擴展系統(tǒng)的一個分區(qū)上啟動了POC，并在解決方案進入下一階段時決定將其轉(zhuǎn)移到一個單插槽或雙插槽的服務(wù)器集群。同樣的，一款解決方案可能已經(jīng)在虛擬機中開發(fā)出來，然后被遷移到專用的服務(wù)器上，以便在有些絕緣隔熱的的環(huán)境中進一步開發(fā)(很多企業(yè)更傾向于在早期階段如此進行)。

天下數(shù)據(jù)IDC認為，對于早期的實驗和開發(fā)而言，所有這些遷移的舉措都是有道理的。利用現(xiàn)有的環(huán)境意味著延遲投資于新的服務(wù)器基礎(chǔ)設(shè)施，直到企業(yè)明確了什么是最為恰當?shù)呐渲脼橹�。但是，一旦�?yīng)用程序接近運行并準備投入生產(chǎn)，就需要及時的做出合理的基礎(chǔ)架構(gòu)方面的決策了，以避免觸及基礎(chǔ)設(shè)施的瓶頸。

根據(jù)來自已經(jīng)運行了AI應(yīng)用程序的企業(yè)用戶們的反饋，我們認為：認知應(yīng)用程序的理想基礎(chǔ)架構(gòu)配置是一組具有加速器的單路或雙路服務(wù)器，不過，企業(yè)也還可以根據(jù)實際業(yè)務(wù)需要在稍后階段添加加速器。中型系統(tǒng)集群也是可行的，但只有在工作負載迅速的規(guī)�；瘮U展的情況下才是相關(guān)的。其他配置可能也是可行的。從對于企業(yè)用戶的研究中可以清楚地看出，超融合系統(tǒng)和虛擬機已被證明對認知應(yīng)用的影響較小。

企業(yè)數(shù)據(jù)中心究竟應(yīng)該如何應(yīng)對?

天下數(shù)據(jù)IDC認為，目前正在考慮實施人工智能計劃或正在從實驗階段轉(zhuǎn)向更為成熟的人工智能部署階段的企業(yè)用戶可能需要隨著時間的推移逐步推進其實施方案，以下，我們將與讀者朋友們討論幾種AI開發(fā)方法。

01、從小型到中型AI項目的逐步推進

對于小型AI項目計劃逐步向中型過渡的企業(yè)用戶而言，我們建議在內(nèi)部開發(fā)解決方案。這種方法有很多優(yōu)點。通過協(xié)作實驗，企業(yè)的開發(fā)人員、業(yè)務(wù)部門、數(shù)據(jù)分析師或數(shù)據(jù)科學家和基礎(chǔ)架構(gòu)團隊將能夠獲得重要的新技能，同時為業(yè)務(wù)創(chuàng)建量身定制的解決方案。數(shù)據(jù)分析師和數(shù)據(jù)科學家沒呢可以準備數(shù)據(jù)集和相關(guān)模型，開發(fā)人員則可以測試框架，而基礎(chǔ)架構(gòu)團隊則可以評估要開發(fā)什么硬件以及用于生產(chǎn)的內(nèi)容，并且業(yè)務(wù)部門將有機會設(shè)置解決方案的參數(shù)。但是，我們建議僅僅將這種方法用于獨特的AI項目。如果企業(yè)所需的解決方案可以作為商業(yè)軟件在市場上可以隨時獲得，那么商業(yè)化的軟件包將通過實現(xiàn)快速部署的業(yè)務(wù)優(yōu)勢遠遠超過企業(yè)內(nèi)部開發(fā)所帶來的好處。

天下數(shù)據(jù)IDC建議，企業(yè)可以從小型和企業(yè)本地部署項目計劃開始著手。這種趨勢將是從一個與其他環(huán)境相隔離的專用服務(wù)器開始，但同時也需要意識到集成整合最終會變得重要。如果有AI培訓組件的話，那么該環(huán)境將需要能夠訪問用于培訓的數(shù)據(jù)，并且硬件需要能夠進行強大的并行處理，理想情況下具有足夠數(shù)量的加速器，例如圖形處理單元(GPU)。環(huán)境可以由AI解決方案傾向于喜歡的集群，甚至包括具有多個節(jié)點的融合系統(tǒng)組成。但是，對于第一代AI基礎(chǔ)架構(gòu)而言，規(guī)模化橫向擴展服務(wù)器中的硬分區(qū)也可以奏效。虛擬機或超融合系統(tǒng)則不太合適。如果數(shù)據(jù)對業(yè)務(wù)至關(guān)重要的話，那么承載數(shù)據(jù)的橫向擴展企業(yè)級服務(wù)器中的硬分區(qū)則可能會很有用，因為企業(yè)組織不需要將數(shù)據(jù)遷出其安全環(huán)境。請注意，只有在Linux上運行的AI開發(fā)才有大量的開源框架。

一旦企業(yè)用戶得到基礎(chǔ)架構(gòu)團隊、開發(fā)團隊和數(shù)據(jù)科學家們對解決方案感到滿意之后，就可以運行該解決方案進行生產(chǎn)了，并能夠逐步體驗檢測到軟件和硬件的功能和局限性，屆時企業(yè)將能夠更好地確定下一步何去何從。這些后續(xù)步驟可能包括繼續(xù)構(gòu)建內(nèi)部部署的內(nèi)部功能;實施升級或擴展基礎(chǔ)架構(gòu);添加云組件或聘請其他服務(wù)商，例如VAR經(jīng)銷商或顧問等。

在這個反復試驗階段，企業(yè)的基礎(chǔ)設(shè)施團隊徹底調(diào)查新的基礎(chǔ)設(shè)施解決方案是至關(guān)重要的。如前所述，AI系統(tǒng)在單核和雙核服務(wù)器集群上運行良好，每核具有較高的性能和I/O參數(shù)以及GPU等加速器。該團隊不僅應(yīng)該考慮從其傳統(tǒng)供應(yīng)商處采購服務(wù)器產(chǎn)品，同時也應(yīng)該考慮其他的服務(wù)器供應(yīng)商，尤其是那些提供完整的AI硬件/軟件堆棧的服務(wù)器產(chǎn)品。其中一些供應(yīng)商在部署AI系統(tǒng)的所有階段均能夠為企業(yè)用戶提供幫助，從硬件的選擇和優(yōu)化到軟件堆棧，直至后期的部署和咨詢服務(wù)。我們建議選擇企業(yè)客戶應(yīng)該對那些已經(jīng)展示出了對AI和深度學習的基礎(chǔ)架構(gòu)要求有著深入了解的供應(yīng)商。

確保您企業(yè)的服務(wù)器供應(yīng)商可以在第一個實驗階段提供相關(guān)的建議，即使該階段是在企業(yè)現(xiàn)有的硬件設(shè)備上部署實施的，這些建議也可以指導企業(yè)組織進行內(nèi)部的部署或混合內(nèi)部云擴展。理想情況下，服務(wù)器供應(yīng)商可以通過幾個乃至所有的小型到大型的場景指導企業(yè)用戶的部署工作。換句話說，這些服務(wù)器供應(yīng)商擔任企業(yè)客戶小型項目計劃的顧問，同時也擔任其下一階段的更大的人工智能實施計劃的顧問。

02、更大規(guī)模的AI項目計劃的實施

企業(yè)實施更大的AI項目計劃將得益于外部的支持。開發(fā)全面的人工智能解決方案的時間、成本和復雜性旨在為企業(yè)組織帶來關(guān)鍵業(yè)務(wù)的創(chuàng)新，但除了擁有相當足夠的資源的大型企業(yè)組織之外，一般的企業(yè)則可能不太適合采用內(nèi)部試錯法。第三方人工智能解決方案提供商可以像增值經(jīng)銷商或系統(tǒng)集成商那樣，幫助企業(yè)客戶快速實施解決方案，但他們的靈活性會大大降低，并且并不適合獨特的業(yè)務(wù)需求。非常大型的項目計劃則可以從咨詢合作伙伴中受益。企業(yè)客戶咨詢其合作伙伴的成本往往很昂貴，并且可能會對這些合作伙伴產(chǎn)生長期的依賴關(guān)系，其初始部署時間通常很長。另一方面，最終的解決方案將完全根據(jù)企業(yè)組織的需求量身定制，并且如果執(zhí)行得當，則可與數(shù)據(jù)中心實現(xiàn)完美的集成整合。

對于大型的項目計劃而言，與具有AI專業(yè)知識以及擁有涵蓋了整個硬件/軟件堆棧的一系列AI產(chǎn)品的服務(wù)器供應(yīng)商合作也能夠為企業(yè)客戶帶來明顯的優(yōu)勢。服務(wù)器供應(yīng)商通常比第三方咨詢合作伙伴的咨詢成本便宜，并且比其他解決方案提供商對其自身硬件的優(yōu)化和擴展有更多的了解。但請務(wù)必確保供應(yīng)商具有擴展AI應(yīng)用程序基礎(chǔ)架構(gòu)和深度學習的能力，因為規(guī)�；�縮放加速的計算節(jié)點并不像僅僅使用CPU來擴展計算節(jié)點那樣簡單。

我們建議，企業(yè)的業(yè)務(wù)部門、開發(fā)團隊和基礎(chǔ)架構(gòu)團隊密切參與這一過程，盡可能確保其AI解決方案是定制化的，并通過培訓開發(fā)相關(guān)技能。確保企業(yè)的該項目最終不會以只有服務(wù)器供應(yīng)商或解決方案提供商才理解的“黑盒”解決方案的方式結(jié)束，這種解決方案無法實現(xiàn)很好的擴展，也無法與數(shù)據(jù)中心集成整合，并且會影響性能或在數(shù)據(jù)量開始增加時帶來局限性。換句話說，這些方法都不會讓企業(yè)基礎(chǔ)架構(gòu)團隊的任務(wù)變得更加簡單。AI服務(wù)器供應(yīng)商、解決方案提供商和顧問將提出硬件方面的建議，并對與企業(yè)內(nèi)部開發(fā)相同的參數(shù)進行批判性的評估，包括：加速性能、I/O、可管理性和可擴展性。

請注意，就方法和部署而言，可以將上述這些場景中的幾個組合起來。例如，企業(yè)內(nèi)部構(gòu)建的解決方案可以與云中的SaaS解決方案相結(jié)合以實現(xiàn)混合解決方案，或者企業(yè)內(nèi)部構(gòu)建的解決方案可以跟隨VAR經(jīng)銷商更大的方案的實施而實施。最后，IDC發(fā)現(xiàn)，大多數(shù)企業(yè)組織對于其AI項目計劃并沒有明確估算其基礎(chǔ)架構(gòu)或軟件的成本。企業(yè)需要為AI項目制定指標，包括軟件、基礎(chǔ)設(shè)施和人工成本方面的目標。他們還應(yīng)計算投資回報潛力(通過提高生產(chǎn)力，降低成本或增加收入等方面的計算)，并確保他們在項目開始時收集有關(guān)這些指標的數(shù)據(jù)。

03、選擇企業(yè)內(nèi)部部署還是云服務(wù)?

對于一些較大的AI項目計劃，可能存在SaaS解決方案。但是與任何基于云計算的軟件解決方案一樣，可定制性將受到限制，可擴展性將取決于提供商的基礎(chǔ)設(shè)施，性能也會如此。而且，當數(shù)據(jù)量或交易數(shù)量快速增長時，成本可能會變得不利。對于關(guān)鍵業(yè)務(wù)數(shù)據(jù)、敏感數(shù)據(jù)或需要遵守法規(guī)要求的數(shù)據(jù)而言，需要對SaaS解決方案的安全性進行評估。

天下數(shù)據(jù)IDC發(fā)現(xiàn)，在部署了人工智能應(yīng)用出現(xiàn)加速基礎(chǔ)設(shè)施的企業(yè)中，有65%的企業(yè)在其內(nèi)部部署了這些解決方案：22%的企業(yè)選擇了僅僅只在企業(yè)內(nèi)部部署;而43%企業(yè)選擇了內(nèi)部部署和云部署的混合模式。大多數(shù)企業(yè)表示他們已經(jīng)發(fā)現(xiàn)到目前為止云計算體驗是令人滿意的，并將把AI工作負載轉(zhuǎn)移到云服務(wù)。然而，這方面的遷移并不會影響未來24個月內(nèi)所有可能部署中認知負載的整體分布;換句話說，企業(yè)內(nèi)部部署的比例將仍然保持不變。某些AI使用案例并不適用于企業(yè)內(nèi)部部署或云部署環(huán)境(但也存在一些例外情況)�；�于數(shù)據(jù)安全問題的考慮，某些人工智能使用案例(例如醫(yī)療診斷和治療)采取企業(yè)內(nèi)部部署往往比云服務(wù)更為流行。然而，全渠道運營的商品化在云中的普及率稍高。盡管如此，企業(yè)內(nèi)部部署、云計算，當然還有混合策略各自均有其明確的角色作用。后者很可能成為最有利的部署方法。

04、加速器

在本文中，我們曾多次提及加速器作為克服AI系統(tǒng)基礎(chǔ)架構(gòu)性能瓶頸局限性的重要方法，這對于采用深度學習算法的AI系統(tǒng)尤其如此，需要大量的計算能力來訓練。在某些情況下，使用加速器對深度學習算法進行訓練可以將迭代時間從幾天縮短到幾小時。

根據(jù)IDC的定義，加速計算是通過將部分處理卸載到鄰近的硅子系統(tǒng)——如圖形處理單元和現(xiàn)場可編程門陣列(FPGA)上來加速應(yīng)用程序和工作負載的能力。隨著企業(yè)尋求解決方案來克服CPU處理工作負載(如AI應(yīng)用程序)的局限性，加速計算正在進一步獲得企業(yè)用戶的青睞。

GPU對于企業(yè)特別具有吸引力，因為它們可以通過現(xiàn)成的方式獲得，并且可以使用標準庫，這些庫可以很容易地集成到應(yīng)用程序中。然而，其他可提供更高性能功耗比率的技術(shù)，如FPGA、多核處理器和專用集成電路(ASIC)也開始受到關(guān)注：

　　●一款GPU執(zhí)行基于神經(jīng)網(wǎng)絡(luò)層的矢量和矩陣計算。GPU以并行的方式實現(xiàn)，提供了訓練速度的大幅改進和更高的能效。

　　● 多核微處理器針對并行或矢量化進行了優(yōu)化，無需使用外部加速器。多核微處理器擁有比典型多核CPU更多的內(nèi)核，并且是旨在最大化處理器、高速緩存和內(nèi)存之間的數(shù)據(jù)傳輸速率的體系架構(gòu)的一部分。其還執(zhí)行CPU的傳統(tǒng)功能。

　　●一款協(xié)處理器是用于加速并行工作負載的PCIe卡。它集成了多核處理器，并包含專用的高速緩存、內(nèi)存和操作系統(tǒng)內(nèi)核，但需要CPU進行引導。

　　●FPGA是一種集成電路，設(shè)計成由客戶在制造后使用硬件描述或高級語言進行配置。FPGA由一系列可編程邏輯塊、互連和I/O塊組成。它們也可以重新配置。

　　●ASIC是專用集成電路，不能在制造后重新配置。

　　●互連是GPU、FPGA或ASIC與CPU之間的數(shù)據(jù)連接。PCIe互連的最大單向帶寬約為16GBps，而NVIDIA的NVLink 2.0的最大單向帶寬則為150GBps。

大多數(shù)小型企業(yè)選擇從服務(wù)器供應(yīng)商處采購加速器作為服務(wù)器的一部分。這是一種方便的方法，因為大多數(shù)主要的服務(wù)器供應(yīng)商都擁有加速服務(wù)器產(chǎn)品。較大的公司也會選擇VAR經(jīng)銷商或系統(tǒng)集成商或直接從加速器供應(yīng)商處采購。這種方法為他們提供了更大的靈活性，因為增值經(jīng)銷商和系統(tǒng)集成商將能夠提供更加定制化的解決方案，同時直接從供應(yīng)商處采購可以提供安裝加速器的更好的靈活性。

在將加速器作為服務(wù)器的一部分進行采購時，會有一定的價格溢價。迄今為止，還沒有幾項基準來確定加速器作為既定服務(wù)器的一部分能夠提供多少額外的性能，但是根據(jù)IDC的研究表明，采購此類系統(tǒng)的企業(yè)平均發(fā)現(xiàn)，在既定的總體性能增長的情況下，一定的價格溢價是可以接受的(請參閱下表3)。

加速固然非常有效，但其并不總是解決企業(yè)數(shù)據(jù)中心服務(wù)器基礎(chǔ)架構(gòu)瓶頸局限性的最終解決方案。這在很大程度上取決于服務(wù)器的核心性能、企業(yè)所選擇的加速的類型、互連的類型以及諸如軟件和數(shù)據(jù)等各種其他因素。因此，企業(yè)客戶不僅需要考慮采用哪些加速器和共計擁有多少臺服務(wù)器，還要考慮企業(yè)已經(jīng)安裝了哪種服務(wù)器，包括每個內(nèi)核的性能和I/O帶寬。選擇一款平衡系統(tǒng)是非常關(guān)鍵的，特別是對于處于嘗試各種模型的人工智能的實驗階段的企業(yè)客戶來說，因為每種模型都會以不同的方式為系統(tǒng)帶來壓力。

表3、既定性能增加的可接受價格溢價范圍

天下數(shù)據(jù)運營理念：歷經(jīng)15年，致力于構(gòu)建國內(nèi)海外規(guī)模最大、品質(zhì)最好、成本最低的互聯(lián)互通網(wǎng)絡(luò)，并根據(jù)客戶各種不同的業(yè)務(wù)需求，提供國內(nèi)海外服務(wù)器托管或租用、機柜租用、大帶寬租用、防御攻擊服務(wù)等多種增值服務(wù)及業(yè)務(wù)解決方案。機房資源遍布全球：數(shù)據(jù)中心分布全球200多個國家和地區(qū)，精選資源，密切合作。

本文鏈接：http://m.51huadong.com/cloundnews/11001894.html