ONA绿色全光网络技术委员会 1 1 智慧教育 F5G 全光网 设计指南（高教版） 编写人员：（排名不分先后） 张 军 张锐利 朱立彤 张小平 周 至 黎 胤 赵泽宇 查贵庭 冯 广 罗国富 王 斌 赖 敏 于海鹰 郭红艳 包顺强 臧 胜 孟 磊 刘晓峰 熊 江 张胜强 宋海军 刘力红 吴 寰 郑 驹 王曾璞 刘 潘秀琴 王卫苹 杨 宇 刘 岳 高洪福 邱 晔 文潇江 向正权 李东青 马继涛 万席锋 张 翔 宋志明 吴文竞 ONA绿色全光网络技术委员会 2 2 编写单位：（排名不分先后） 绿色全光网络技术委员会（ONA） 华为技术有限公司 清华大学 中南大学 复旦大学 南京航空航天大学 南京农业大学 北京科技大学 中央民族大学 四川农业大学 成都康宁光缆有限公司 江苏百盛云尚数据技术有限公司 ONA绿色全光网络技术委员会 3 3 PREFACE 前 言 高等教育正在数字化浪潮中发生深刻变革，在线课程、虚拟仿真 实验、科研大数据分析等应用不断涌现，构建支撑数字化转型的新型 基础设施已成为高等教育现代化发展的核心命题。 F5G 全光网是新一代的网络基础设施，具有全光联接、超宽带宽、 超低时延、安全可靠等优势，通过光纤延伸至教室/办公桌面，支持高

三通两平台”建设大力推进  启动“互联网 +” 行动计划  数字技术与教学场景亟待融合  教育资源数字化升级，在线课程开发设计  教育信息化建设向技术产品、平台、应用转移  全时域、全空域、全受众的智能学习要求  智能学习体系亟待建设，多种技术融合赋能  全面建设社会主义现代化国家，教育模 式变革，教育现代化  形成全社会共同参与的教育治理新格局  前沿技术融合发展 知识图谱 一键发布 服务管理 图像技术 ……. …… 智算中心： 算力云平台 - 全栈融 合 全栈融合 l 基于开放云的异构算力融合 l 云与大数据、 A I 深度融合 l 基于“平台 + 生态”服务组件融合 业务敏捷 l 基于 openstack 和云原生基座提供全量云资源， 实现全栈业务敏捷 管理智能 l 提供云治理架构的运营运维体系 产品管理 运营管理 运维管理 资源管理 持续创 新 Kubernetes 引擎 OpenStack 引擎 多架构 CPU 全栈存储 全量 SDN 视频 安 防 数仓分析 算力容灾 A I 建 模 A I 推 理 防火墙 FPGA 网络 内存 GPU 智算中心： 算力云平台 - 全栈融 合 VPC H G 降本增效 单一集群内混合部署多架构 CPU ， 减少管理节点 ，节约能耗 和成本

网 融 合 超级 计算 机运 算能 力的 大幅 度提 高 传感 器为 代表 的感 知设 备得 到广 泛应 用 计算 机之 外各 种事 物接 入互 联网、 互联 互通 3G 为主 的网 络技 术全 面发 展 政策推动 教育改革的需要 国家对智慧校园建设的支持 提升 教学 与科 研现 代化 水平 的需 要 建设愿景  提升学校教学管理的智慧管家  伴随学生校园学习与生活的智慧伴侣 BAS 设备、汇聚层设备、接入设备， 满足千兆到楼层、百兆到户的构架，全网支 持 IPV6 双栈和组播协议，支撑智慧应用。 此外，建议实施 3G+WIFI 覆盖，并尝试 4G LTE 试点工作。 通过升级 BAS 设备、汇聚层设备、接入设备， 满足千兆到楼层、百兆到户的构架，全网支 持 IPV6 双栈和组播协议，支撑智慧应用。 此外，建议实施 3G+WIFI 覆盖，并尝试 4G LTE 试点工作。

场景适配关键，数据作为必备燃料与领 域属性特征，算法作为核心引擎与风险应对策略，开发工具作为全栈式工具矩阵，安全、伦理和隐私保护作为 有效保障。在技术路线上，构建“参考架构—智能体应用—标准体系”的完整技术路径，以“性能—成本—应用” 协同优化为抓手，支撑模型从训练、推理、部署、协同到应用增强的全链路落地。 面向教育新范式，报告深入分析教育大模型赋能高等教育创新发展的具体路径，总结了九个重构方向：提供精 应用层面，报告系统归纳教学、管理、科研与社会服务等主要应用场景，汇聚典型案例包括 DeepSeek 助力数 字化实训、大模型赋能智慧教室、人工智能数智化学习新模式、师范生实践教学能力提升、在线个性化学习、 全栈人工智能科研创新等，验证了智能导学、人工智能助教、智慧教室、数字化实训与科研助手等应用的实践 成效，充分展现了教育大模型在提升教学质量、优化学习体验、促进科研创新等方面的显著价值。 治理层面，报 ······ 47 3.2.3 算法：教育大模型的核心引擎与风险应对策略 ········································ 48 3.2.4 开发工具：教育大模型全栈开发工具矩阵 ··········································· 49 3.2.5 安全、伦理和隐私保护：教育大模型建设和应用的有效保障 ·····························

、 竞 赛 赛 题 训 练 • 计 算 机 视 觉 技 能 训 练 、 自 然 语 言 处 理 技 能 训 练 、 A PI 文 档 学 习 与 实 践 • 错 误 处 理 与 调 试 、 安 全 性 与 认 证 课程实训平台 2 AI 编程实训系统 • 在线 Python 编码 、 AI 代 码 解 析 、 AI 代 码 纠 错 • 知 识 点 问 题 答 疑 、 算 法 学 习 与 型 程 微 指 实 调 令 训 实 实 系 训 训 统 系 系 统 统 人工智能专业课程体系（本科） AI 项目全栈开发 大模型应用开发与深度学习实践 解决复杂 AI 应用场景中技术问题， 提升产品智能化水平。 专业 基础课 集中 实践课 专业 核心课 专业 选修课 神经网络与深度学习核心算法

数据收集：从学生信息系统、教师评估系统、课程管理系统等 多个数据源收集原始数据。 2. 数据清洗：使用 ETL 工具对数据进行清洗，去除重复、错误 或无效的数据。 3. 数据存储：将清洗后的数据存储到数据仓库中，确保数据的安 全和可访问性。 4. 数据分析：利用 BI 工具对数据进行可视化分析，生成报告和 图表。 5. 数据预测：应用机器学习算法，基于历史数据预测未来趋势。 6. 决策制定：根据分析结果和预测模型，制定科学的管理决策。 通过负载 均衡和自动扩缩容机制应对高并发场景，确保平台的稳定性和性 能。 3.1.1 前端设计 在前端设计中，我们将采用模块化、组件化的开发模式，以确 保系统的可维护性和可扩展性。前端技术栈选择主流的 React 框 架，结合 TypeScript 进行开发，以提升代码的健壮性和可读 性。UI 库将采用 Ant Design，确保组件的一致性和美观性。前端 整体架构分为以下几个核心模块：用户界面层、业务逻辑层和数据 为便于监控和故障排查，后端系统集成了 Prometheus 和 Grafana，实时监控服务状态和性能指标，并设置告警机制。日志 管理采用 ELK（Elasticsearch、Logstash、Kibana）栈，集中存 储和分析日志数据，便于快速定位问题。整体后端设计不仅满足当 前需求，还具备良好的扩展性，以应对未来业务增长和技术升级。 3.2 功能模块 系统功能模块的设计旨在满足学校教育场景中的多样化需求，

《职业院校数字校园建设规范》 体化。 2.1.2.3 有利于管理效率和决策水平的提高 提供信息和数据的集成和分析服务，有利于管理效率和决策水平的提高，体现在： a) 促进校务实现全流程管理，面向师生员工提供一站式校务管理服务，提高服务水平和效率； b) 整合各种分散应用系统，实现统一身份认证，建成学校公共数据库，打破因不同管理软件而形 成的“信息孤岛”，实现各类基础数据的共享和交换； 上述建设内容及其之间的关系如图 2-1 所示。 2.3.2 数字校园的技术系统 2.3.2.1 基础设施 基础设施处于数字校园的最底层，包括校园网络、数据中心、网络信息服务、网络管理与网络安 全、多媒体教室、仿真实训系统环境、数字安防、校园数字广播与网络电视等。 2.3.2.2 应用服务 在基础设施之上是应用服务及其支撑系统，包括教学服务、科研服务、管理服务、公共服务、文 化生活服务、社会服务和决策支持服务等。 安全保障体系的含义 数字校园的安全保障是指通过安全管理手段和安全技术手段使数字校园的各类系统及数据面临的 风险达到一个可以控制的标准，保障数字校园的安全稳定运行。数字校园安全保障体系是指为实现安 全保障的目标所建立的方针政策、组织结构、规章制度、流程规范和技术手段的总和。 19 《职业院校数字校园建设规范》

能够自动分析大量文本数据，识别出教学 中的关键问题，并提供详细的改进建议。此外，DeepSeek 还能够 实时监控教学过程中的反馈数据，确保评价结果能够及时传达给相 关教师和管理层。通过这一方式，学校不仅能够获得更为客观和全 面的教学评价结果，还能够在教学过程中进行持续的优化和改进。 3.2 学校引入 DeepSeek 的需求 随着教育信息化的不断推进，学校对教学评价的精准性和科学 性提出了更高要求。传统的教学评价方式往往依赖于主观判断和有 通过数据标准化，我们确保了不同特征之间的可比性，为后续 的模型训练和分析奠定了坚实的基础。 6. 评价指标体系构建 在构建教学评价指标体系时，应当综合考虑教学效果、学生反 馈、教师表现以及教学资源利用等多方面因素，确保评价体系的全 面性与科学性。首先，教学效果的评价应基于学生的学习成果，包 括考试成绩、作业完成质量、课堂表现等量化指标。其次，学生反 馈是评价教学效果的重要依据，可以通过问卷调查、座谈会等形式 收集学生对教学内容、教学方法和教学态度的看法。 储，以满足高效读写和灵活数据模型的需求。在数据备份与恢复策 略上，采用每日全量备份加每小时的增量备份方式，确保数据的安 全性和可恢复性。 系统架构上，我们将采用微服务架构，将各个功能模块如学生 管理、教师管理、评价管理等拆分为独立的服务，通过服务网关进 行统一管理和调度。这种架构不仅有利于系统的可扩展性和可维护 性，还能在进行模块更新时不影响整体系统的运行。 前端技术栈将采用 Vue.js 框架，利用其组件化和响应式数据绑

支持多样化教学模式：支持传统课堂、在线学习、混合式学习 等多种教学模式，为教育者提供更多灵活的教学方式，适应不 同场景下的教学需求。 6. 保障数据安全与隐私：在项目的设计与实施中，始终将数据安 全和用户隐私放在首位，确保所有用户信息的保密性和安全 性，遵循相关法律法规。 为了更好地实现这些目标，项目将在以下几个阶段进行：  需求分析：深入调研教育行业的需求，明确用户痛点，制定详 细需求文档。 Kibana）堆栈，能够实现对后端服务的实时监控和数据分 析，确保系统的稳定性。 6. 支付与结算服务：支持课程购买、订阅管理等财务功能。此服 务将集成第三方支付平台，如支付宝或微信支付，确保交易安 全与用户隐私。 为实现上述功能，各服务之间将通过 RESTful API 或 gRPC 进 行通信。同时，后端服务将部署在容器化环境中，使用 Docker 和 Kubernetes 选择能理解教育行业 术语和上下文的模型，将显著提高系统的有效性和用户体验。 此外，考虑到数据保护与伦理问题，模型选择还需符合相关法 规和伦理要求。选择的模型必须在处理学生数据时保障隐私与安 全，同时遵循相关的合规标准，确保其在教育应用中的合规性。 模型的支持和维护也是选择的重要方面。建议选择那些有较强 社区支持和持续更新的模型，能够获得社区共享的经验和技术支 持，无疑将提升系统的稳定性和长期的可维护性。

拟机等数据的备份服务。 （五） 云原生能力要求 基于云原生需求，提供基于 Kubernetes 的容器集群，提供高性能可伸缩的容器应用管理 能力，支持企业级 Kubernetes 容器化应用的全生命周期管理。支持通过云控制台一键创建集 群，提供容器集群专用的 ISO 镜像，提供稳定的 Kubernetes 和 Docker 版本，省去搭建、维护 容器集群的麻烦。 （六） 混合多云管理能力要求 页 超线程是在一个物理处理器或者内核上创建两个逻辑内核实例，从而在核心中并行执行任 务，提高效率。在虚拟机的处理器分配中，一个超线程可以对应一个vCPU。  虚拟机全生命周期· 虚拟化平台软件，支持基于统一界面对虚拟机的全生命周期管理。包括：创建、修改、启 动、暂停、重启、关闭、断电、休眠、备份、快照、迁移、克隆、模板、删除等。并且支持通 过图形化界面设定虚拟机的开关机策略，定时开启或关闭指定的虚拟机。 以采用快 照方式备份当前使用的云主机。提供云主机的动态升级、快照备份、性能监测分析、异常告警、 日志管理等功能。支持对运行或停止状态的云主机生成快照，应提供分钟级别快照回滚功能。 备份方式支持全量快照和增量快照，同时还支持用户定义周期性自动快照。 4.支持自定义镜像 通过创建自定义镜像，用户可以将一台虚拟机的操作系统、数据制作成自定义镜像，再通 过自定义镜像创建多台虚拟机，快速复制系统