Vietnamese Professional - CCNP Automation https://www.forum.vnpro.org/ vi Sat, 05 Sep 2026 14:59:55 GMT vBulletin 60 images/misc/rss.png Vietnamese Professional - CCNP Automation https://www.forum.vnpro.org/ AI Agent khác gì Script, Workflow và LLM? https://www.forum.vnpro.org/forum/ccnp-enterprise/automation/444401-ai-agent-khác-gì-script-workflow-và-llm Mon, 31 Aug 2026 02:19:10 GMT 4 cấp độ tự động hóa và trí tuệ ngày càng quan trọng trong Network Automation và Cybersecurity. 1. Script – Thực thi theo logic cố định Script... 4 cấp độ tự động hóa và trí tuệ ngày càng quan trọng trong Network Automation và Cybersecurity.

1. Script – Thực thi theo logic cố định
Script hoạt động theo nguyên tắc deterministic: lập trình viên viết gì thì hệ thống thực hiện đúng như vậy, không tự suy luận. Ví dụ, Python script SSH vào 100 firewall để thu thập cấu hình hoặc kiểm tra phiên bản software.

2. Workflow – Đi theo quy trình định trước
Workflow kết nối nhiều bước thành một quy trình với các predefined paths. Nó có thể có điều kiện if/else, nhưng những nhánh xử lý này đã được con người thiết kế trước. Ví dụ:

Alert → kiểm tra IP → tra Threat Intelligence → nếu malicious → tạo ticket.

3. LLM – Suy luận và tạo nội dung
Large Language Model có khả năng hiểu ngôn ngữ, phân tích context, suy luận và đề xuất giải pháp. Ví dụ, đưa firewall log cho LLM và yêu cầu: “Phân tích nguyên nhân kết nối này bị block.” Tuy nhiên, LLM đơn thuần không đồng nghĩa với một hệ thống có quyền tự hành động trên hạ tầng.

4. AI Agent – Reasoning + Decision + Action
Agent đưa LLM vào một vòng lặp có mục tiêu, đồng thời kết nối với tools, APIs, memory và dữ liệu bên ngoài. Agent có thể quan sát môi trường → suy luận → lựa chọn công cụ → thực hiện hành động → kiểm tra kết quả → tiếp tục xử lý.

Trong Security Operations, chẳng hạn:

Phát hiện IOC → phân tích log → truy vấn Threat Intelligence → đánh giá rủi ro → đề xuất hoặc tạo firewall rule → kiểm tra kết quả.

Điểm khác biệt quan trọng nhất là:

Script thực thi lệnh → Workflow thực thi quy trình → LLM suy luận → AI Agent có thể suy luận, quyết định và sử dụng công cụ để hành động.

Với các hành động nhạy cảm như thay đổi firewall policy, mô hình thực tế nên bổ sung guardrails và Human-in-the-Loop thay vì trao quyền tự động hoàn toàn cho Agent.​]]> CCNP Automation dangquangminh https://www.forum.vnpro.org/forum/ccnp-enterprise/automation/444401-ai-agent-khác-gì-script-workflow-và-llm Các xu thế của Trung tâm Dữ liệu hiện đại https://www.forum.vnpro.org/forum/ccnp-enterprise/automation/444246-các-xu-thế-của-trung-tâm-dữ-liệu-hiện-đại Wed, 26 Aug 2026 01:00:47 GMT Các xu thế của Trung tâm Dữ liệu hiện đại Ứng dụng là “nhịp tim” của doanh nghiệp, nhưng vấn đề của Data Center hiện đại là mỗi loại workload... Các xu thế của Trung tâm Dữ liệu hiện đại


Ứng dụng là “nhịp tim” của doanh nghiệp, nhưng vấn đề của Data Center hiện đại là mỗi loại workload lại đòi hỏi một kiểu tài nguyên khác nhau.

In-memory database cần lượng memory rất lớn. Big Data cần dung lượng local storage khổng lồ. AI/ML cần GPU accelerator. VDI cũng cần GPU để nâng cao trải nghiệm người dùng. Trong khi đó, container, database, hệ thống ERP hay các ứng dụng nội bộ lại có những đặc điểm hoàn toàn khác.

Chính sự đa dạng này đang thúc đẩy một số xu thế quan trọng trong kiến trúc Trung tâm Dữ liệu.

1. Ranh giới giữa Blade và Rack Server ngày càng mờ


Trước đây, doanh nghiệp thường phải triển khai nhiều loại blade và rack server với cấu hình khác nhau cho từng workload.

Kiến trúc Modular Infrastructure đang thay đổi cách tiếp cận này. Compute, storage, accelerator và I/O ngày càng được tổ chức thành những thành phần linh hoạt hơn, trong khi vẫn có thể dùng chung power, cooling, networking và hệ thống quản trị.

Thay vì hỏi:
“Workload này cần mua loại server nào?”

Kiến trúc hiện đại hướng tới câu hỏi:
“Workload này cần những tài nguyên nào?”

Đây là một thay đổi rất quan trọng trong tư duy thiết kế Data Center. 2. Data Center phải phục vụ nhiều loại workload


Hạ tầng hiện đại không còn chỉ phục vụ VM và database truyền thống.

Một Data Center có thể đồng thời chạy:

AI/ML, Containers, Virtualization, VDI, Oracle, SAP, SQL, Hadoop, Splunk, Elasticsearch, Web Services và các ứng dụng IT nội bộ.

Điều này buộc kiến trúc compute phải linh hoạt hơn trong cách cung cấp:

CPU → Memory → SSD/NVMe → GPU → FPGA → Specialized Offload Engines

Đặc biệt, sự phát triển của AI đang khiến GPU và các accelerator trở thành một phần ngày càng quan trọng của kiến trúc Data Center.

3. Resource Pooling và I/O Sharing


Một xu thế khác là chuyển từ tài nguyên gắn cứng với từng server sang resource pooling.

Thay vì mỗi server phải sở hữu cố định toàn bộ CPU, storage, accelerator và I/O cần thiết, hạ tầng hướng tới khả năng tạo các pool tài nguyên có thể được phân bổ linh hoạt hơn.

Điều này giúp tăng khả năng sử dụng tài nguyên và giảm tình trạng:
Server A: GPU dư thừa
Server B: thiếu GPU

Server C: Storage dư thừa
Server D: thiếu Storage

Mục tiêu là sử dụng tài nguyên Data Center hiệu quả hơn thay vì tạo ra những “ốc đảo phần cứng”.

4. PCIe Fabric và Disaggregated Compute


PCI Express (PCIe) Fabric đang trở thành một thành phần đáng chú ý trong kiến trúc compute thế hệ mới.

Tư tưởng quan trọng ở đây là Disaggregated Compute.

Trong server truyền thống:
CPU + RAM + Storage + GPU
↓
Một server

Các tài nguyên phần lớn được gắn cố định vào một máy chủ.

Trong kiến trúc disaggregated:
Compute Pool
Memory Pool
Storage Pool
GPU / Accelerator Pool
↓
Fabric
↓
Workloads

Fabric đóng vai trò kết nối các loại tài nguyên lại với nhau, mở đường cho khả năng tổ chức hạ tầng linh hoạt hơn.

Xu thế này đặc biệt quan trọng với AI Infrastructure, nơi GPU là tài nguyên rất đắt tiền và cần được khai thác hiệu quả.

5. Composable Infrastructure


Bước phát triển tiếp theo là Composable Infrastructure.

Thay vì xây dựng một server cố định cho một workload, hệ thống có thể “compose” các tài nguyên cần thiết:
Workload
↓
CPU
Memory
NVMe
GPU
Network
↓
Logical Infrastructure

Khi workload thay đổi, cấu hình tài nguyên cũng có thể thay đổi theo.

Điều này đưa Compute Infrastructure tiến gần hơn tới mô hình Software-Defined Infrastructure.

Nếu SDN đưa networking từ hardware-centric sang software-defined thì Composable Infrastructure cũng đang đưa compute theo hướng tương tự.

6. Quản trị hạ tầng ngày càng tập trung và tự động hóa


Khi Data Center chứa hàng nghìn CPU, GPU, NIC, storage device và workload, quản trị thủ công từng server không còn khả thi.

Xu hướng mới là:

Centralized Management + Analytics + Policy + Automation

Hệ thống quản trị không chỉ hiển thị trạng thái thiết bị mà còn phải hỗ trợ phân tích, chuẩn hóa cấu hình, triển khai tự động và quản lý vòng đời hạ tầng.

Tư duy vận hành vì vậy đang chuyển từ:
Configure individual devices

sang:
Define Intent / Policy
↓
Automation
↓
Infrastructure Data Center đang chuyển từ “Server-Centric” sang “Resource-Centric”


Nhìn tổng thể, Data Center hiện đại đang trải qua một sự chuyển dịch lớn:
Traditional Data Center

Dedicated Server
↓
Fixed Hardware
↓
Specific Workload

↓ ↓ ↓

Modern Data Center

Resource Pools
↓
High-Speed Fabric
↓
Composable Infrastructure
↓
Automation
↓
Dynamic Workloads

Các khái niệm Modular Infrastructure, Resource Pooling, I/O Sharing, PCIe Fabric, Disaggregated Compute và Composable Infrastructure thực chất đều hướng tới cùng một mục tiêu:
Không để workload bị ràng buộc bởi một cấu hình server cố định, mà đưa compute, memory, storage và accelerator trở thành những tài nguyên có thể được tổ chức và khai thác linh hoạt hơn.

Sự bùng nổ của AI/ML, GPU Computing và workload tăng tốc phần cứng đang khiến xu hướng này diễn ra nhanh hơn. Data Center tương lai vì vậy không chỉ là nơi chứa nhiều server mạnh hơn, mà là một hệ thống tài nguyên có khả năng lập trình, tự động hóa và thích nghi theo nhu cầu của workload.
​]]> CCNP Automation dangquangminh https://www.forum.vnpro.org/forum/ccnp-enterprise/automation/444246-các-xu-thế-của-trung-tâm-dữ-liệu-hiện-đại PyTorch https://www.forum.vnpro.org/forum/ccnp-enterprise/automation/443990-pytorch Tue, 18 Aug 2026 09:59:24 GMT Thiết lập môi trường Nếu bạn bắt đầu bước vào thế giới Machine Learning và Deep Learning, bạn sẽ nhanh chóng nhận ra tầm quan trọng của việc lựa... Thiết lập môi trường


Nếu bạn bắt đầu bước vào thế giới Machine Learning và Deep Learning, bạn sẽ nhanh chóng nhận ra tầm quan trọng của việc lựa chọn đúng công cụ. Một trong những framework phổ biến và thân thiện nhất với người mới bắt đầu là PyTorch. Nhưng PyTorch có gì đặc biệt và tại sao chúng ta nên quan tâm?

Về bản chất, PyTorch là một thư viện mạnh mẽ và linh hoạt được thiết kế để xây dựng và huấn luyện các mô hình Deep Learning. Có thể hình dung nó như một bộ công cụ giúp chúng ta xử lý dữ liệu, huấn luyện mạng neural và xây dựng các mô hình phục vụ những tác vụ như nhận dạng hình ảnh, sinh văn bản hoặc dự đoán kết quả dựa trên dữ liệu lịch sử.

PyTorch là mã nguồn mở (Open Source), nghĩa là bạn có thể sử dụng miễn phí và được hỗ trợ bởi một cộng đồng phát triển rất lớn.

PyTorch và Tensor


PyTorch được viết chủ yếu để sử dụng thông qua Python – đó cũng là nguồn gốc của chữ "Py" trong tên gọi. Vì vậy, những người đã biết Python sẽ cảm thấy khá tự nhiên khi làm việc với PyTorch.

Một trong những khái niệm quan trọng nhất của PyTorch là Tensor.

Tensor về cơ bản là các mảng dữ liệu nhiều chiều. Có thể xem chúng như phiên bản mạnh hơn của NumPy Array và là thành phần nền tảng để PyTorch thực hiện các phép tính của mạng neural.

PyTorch có thể tận dụng nhiều loại phần cứng để tăng tốc tính toán như:
  • GPU NVIDIA hoặc AMD.
  • Chip Apple M1 và M2.
  • GPU Intel.
  • CPU thông thường.

Vì vậy, khi cài đặt PyTorch, bạn cần lựa chọn phiên bản phù hợp với phần cứng và hệ điều hành của mình.

Riêng bài thực hành này được thiết kế để chạy tốt trên CPU, vì vậy không bắt buộc phải có GPU. Yêu cầu phần cứng và hệ điều hành


Trước khi cài đặt PyTorch, hãy đảm bảo hệ thống đã được cập nhật. Các hệ điều hành được hỗ trợ bao gồm:
  • Windows: Windows 7 trở lên, khuyến nghị Windows 10 hoặc mới hơn.
  • macOS: macOS 10.15 Catalina hoặc mới hơn.
  • Linux: Phần lớn các distribution sử dụng glibc 2.17 trở lên, chẳng hạn Ubuntu 18.04+, Debian 10+ và CentOS 8+.
  • WSL 2: Có yêu cầu tương tự Linux.
Cài đặt PyTorch bằng pip


Bạn có thể cài PyTorch bằng pip.

Trên Windows:
pip3 install torch torchvision torchaudio

Trên macOS, bao gồm máy Mac sử dụng Apple Silicon M1/M2:
pip3 install torch torchvision torchaudio

Trên Linux, nếu sử dụng CPU:
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

Bài thực hành này được phát triển trên Linux, vì vậy khi thực hiện trên Windows hoặc macOS, cần lưu ý một số khác biệt giữa các hệ điều hành, đặc biệt là cách biểu diễn đường dẫn file (file path). Cài đặt các package cần thiết


Ngoài PyTorch, chúng ta cần thêm một số thư viện Python. Pandas


Pandas cung cấp cấu trúc DataFrame rất thuận tiện cho việc tổ chức và xử lý dữ liệu.
pip3 install pandas Matplotlib


Matplotlib được sử dụng để trực quan hóa dữ liệu và hiển thị kết quả.
pip3 install matplotlib NumPy


NumPy được sử dụng cho các thao tác tính toán và xử lý dữ liệu số nói chung.
pip3 install numpy

Bạn cũng có thể bỏ qua việc cài từng package riêng lẻ và cài tất cả từ requirements file theo hướng dẫn ở phần "Install from requirements file".

Sau khi hoàn thành các bước trên, môi trường cơ bản để học và thực hành PyTorch, Machine Learning và Deep Learning đã sẵn sàng.

Điểm cần nhớ ở giai đoạn này rất đơn giản: Python là ngôn ngữ, PyTorch là framework Deep Learning, Tensor là cấu trúc dữ liệu nền tảng, còn CPU/GPU là phần cứng thực hiện các phép tính.

Và quan trọng nhất đối với người mới học: chưa có GPU vẫn học PyTorch bình thường. GPU chỉ trở nên thực sự quan trọng khi mô hình và lượng dữ liệu bắt đầu lớn hơn.​]]> CCNP Automation dangquangminh https://www.forum.vnpro.org/forum/ccnp-enterprise/automation/443990-pytorch Study Notes CCNP Switching https://www.forum.vnpro.org/forum/ccnp-enterprise/automation/443929-study-notes-ccnp-switching Mon, 17 Aug 2026 07:12:07 GMT Các ghi chú cho phần CCNP Switching. Các ghi chú cho phần CCNP Switching. CCNP Automation dangquangminh https://www.forum.vnpro.org/forum/ccnp-enterprise/automation/443929-study-notes-ccnp-switching