、提升枢纽网 络传输效率、探索算力协同调度机制”的重点任务，明确通过“算 力+金融”加快算力在金融领域的创新应用，为金融业务发展提 供更为精准、高效的算力支持。 AI大模型智算网络技术是算力集群的重要基础底座，是新型 算力中的网络运载力，是助力大模型实现跨节点分布式训练，提 升大规模训练效率的重要支撑。 本文深入分析 AI 大模型技术在模型能力、结构、算力、效 率等方面的技术发展趋势，提出作为底座的智算网络所面临的新 多高效训练AI模型的方法出现。 AI大模型持续加速演进，其庞大的训练任务需要大量服务器 节点通过高速网络互联组成AI算力集群协同完成。但AI算力集群 并非通过简单算力堆叠即可实现完美线性扩展，而是取决于节点 间网络通信及集群系统资源调度能力。网络系统的性能及可用性 3 成为AI算力集群的线性度和稳定性的关键，也面临新的挑战： 一是高性能传输挑战。大模型需要大量的数据进行训练和推 理，千亿模型单 无法有效hash，高负载链路堵点概率极大。因此对网络负载均衡 4 调优、无损传输等提出了更高要求。同时大模型的训练和推理也 对网络的可靠性提出了更高要求，任何网络中断都可能导致训练 失败或推理错误，降低集群算力的效率。 三是高可维网络挑战。大模型单次训练时间在数天-月级。 训练期间如果出现网络不稳定的问题，会影响整个训练任务的进 度。且大模型训练环境涉及各软硬件组件配合，运维复杂。例如 Meta

...............................................................................46 2.4.5.4. Oracle 集群管理.............................................................................................49 2 ⱻ17⼀82 疘ഀ ࠀ⨀⨀⨀⨀ꡒ 穦条킏ꅻٴ獞聢⽧륥䡨 各个磁盘、控制器的状态监管，并提供存储容量分析策略，实现主动分析，透明化监控；  虚拟化管理，包括对虚拟机中心、文件夹、数据中心、集群、宿主机、资源池、vApp 等 资源的全面管理和资源性能的智维分析。  机房管理，包括对温湿度探针、UPS 设备、空调设备、门禁、烟感、水浸、摄像头、机 柜等机房设备管理，提供机房的综合展现。 特征， 联合进程分析，进一步定位造成这两个问题的具体业务进程，为用户解决系统问题提供有数据、 有结论的原因定位； 系统对于数据存储的核心性能问题“内核延迟”“设备延迟”做了专项分析，另外对于集群、宿主 机、虚拟机、数据存储的 24 个关键性能指标提供自动分析，当发现异常越界比例过高时，系统会 主动以专题性分析报告的方式告知用户，列出历史分析数据，便于用户更深入了解问题本质 ，同 时

特征， 联合进程分析，进一步定位造成这两个问题的具体业务进程，为用户解决系统问题提供有数据、 有结论的原因定位； 系统对于数据存储的核心性能问题“内核延迟”“设备延迟”做了专项分析，另外对于集群、宿主 机、虚拟机、数据存储的 24 个关键性能指标提供自动分析，当发现异常越界比例过高时，系统会 主动以专题性分析报告的方式告知用户，列出历史分析数据，便于用户更深入了解问题本质 ，同 时 智慧运维平台建设方案 2.3.6.3.1. oracle-rac 管理 Oracle集群（rac）作为常见的oracle部署方式，结构复杂，管理能力要求高；BTSO通过图形 化展示方式，将rac的结构清晰展现给用户，同时列出重点性能信息，帮助企业用户能初步定为rac 系统的关键异常状态。BTSO支持oracle版本的集群体系，通过与部署主机、承载实例、控制软件 的分层管理实现清晰架构。通过整体方式 为规划调整提供对比数据。 2.3.6.4. 中间件管理 中间件管理对通用定义中间件的管理，包含了应用服务器、消息中间件的的管理，BTSO2.0 支持 MQ、webologic、websphere 的非集群管理；实现用户对于中间件的基本状态和承载业务的基本 状态监管。 支持对于管理信息的统计，包含授权点使用情况，各个数据库状态分布、各类型数据库熟练统计、 数据库等级统计。 MQ 管理：对于 MQ

技术的协同创新，将相距百公里的多个智算中心连成一个更大规模的智算集群，补齐单点算力规模不足 的差距。针对跨智算中心构建超大规模智算集群过程中遇到的问题和挑战，中国电信成立攻关项目组， 聚焦研究长距无损智算网络技术。 本方案依托中国电信的全光运力网，基于800G C+L技术、异构网络集合通信优化技术、全局负载 均衡技术等，为1024卡规模的分布式集群提供大容量带宽，实现120公里千亿参数大模型分布式训练， 80km/120km绕行拉远验证，模拟了两个数据中心组网，组网拓扑如图3所示。二阶段在武清、瀛海、永 丰三机房开展百公里分布式大模型训练，验证当前分布式智算中心无损网络解决方案在真实业务场景下 的效果，并探索分布式智算集群对大模型训练性能影响的关键因素，组网拓扑如图4所示。在前期百卡、 百公里拉远验证基础上，三阶段在京津冀智算机房开展了千亿参数、千卡规模120km两点拉远验证，组 网拓扑如图5所示，本阶段探索长距 了全球水平分辨率1km和全海深真实海洋环流模拟，成功地模拟了海洋中的中尺度和亚中尺度结构。 LICOMK++实现了多平台大规模高效并行，在使用Nvida GPU、国产类GPU、申威众核处理器及华为鲲鹏 CPU的集群上成功运行，性能均可达到或超越原生语言。在东方和新神威超算平台上，LICOMK++使用了 超万卡、千万核进行了大规模模拟，模拟速度均突破了1模式年每天（SYPD），取得了超越SOTA（state-

其他 数据总线 过滤清洗 关系型数据 库 2 Par t Mpp 数据库 格式规则转换 Hadoop 数据集成 字段映射 提供可视化数据建模挖掘工作台，依托大数据集群强大的计算能力，进一步提升租户对于海量数据的建模挖掘能力， 提高开发效率。 u 交互式开发界面支持：全流程、图形化、组件拖拽式的交互式开发能力，快速便捷 u 完善的算法调试支持：提供小批量数据运行、断点调试、模型参数调试等 大量的语音、图片、文本、视频 等非结构化数据还没有充分挖掘 利用 ⅹ SPSS 更偏向于数据统计方面应 用 ， 很 难深层次挖掘数据价值 ⅹ 建模流程复杂，不友好 ⅹ 传统工具非集群模式，计算资源受制 于 用 户 电脑本身 ⅹ 没有模型保存 的功能， 导 致 模型无法很好的共享， 产生 重复工作和资源浪费 传统算法效果不佳 ⅹ 仅运用传统的机器学习算 法 （决策树、逻辑回归、随机 Security Center ） 为用 户 提供从业务运营到核心数据的安全保障 ， 实现 全生命周期无侵入式的安全管控能力 ，大 数据安 全中心每一个功能模块 ，均可灵活组合。 集群账户总揽 集群资源总揽 数据定级视图 应 用 系统 运营监控 服务器运维报表 进程监控告警 服务器部署列表 输出 安全 应 用 系统日志 遵照规范 主动打印日志 无埋点式 自动收集日志 数据安全中心

3.1.2 语音中继备份..........................................................................11 4.1.3.1.3 集群对讲接入..........................................................................11 4.1.3.1.4 电话接入... 1.1 数据回传...........................................................................37 5.1.3.2.1.2 集群对讲...........................................................................37 5.1.3.2.1.3 视频对讲.. 基于以太网，本着将已有资源的最大化利用，为进一步建立、健全智慧安 监和应急协作机制，提高智慧安监应急协作效率，我司推出一套智慧安监应急 协作平台系统。该系统整合语音、视频监控/会议、指挥调度、集群对讲、GIS 业务、应急预案等系统，建立集语音、视频、数据三位于一体的全面应急指挥 协作平台，实现语音、视频、数据的融合与调度功能。 可基于以太网进行多级部署，可实现各级跨地区、跨部门之间的统一指挥

多模型兼容支持，满足应用需求 影像分割 变化检测 目标检测 分布式集群计算，提升解译效率 分 布 式 解 译 计 算 集 群 示 意 图 影像管理 任务分发 GIS 计算 节点 GPU 节点 1 GPU 节点 2 GPU 节点 3 GPU 节 存储 节点 主存储 备份存储 800 集中式解译计算软件 600 分布式解译计算集群 400 200 500 20000 检 测 面 积 ( 平 方 公 里 ) 面向解译前、解译中、解译后，提供影像优化、分布式批量解译、交互式修整等能力。 无人机航片智能监测算法 分布式解译计算集群与集中式解译计算软件 解译效率对比图 GISTC 原始影像 色度匹配后影像 影像色度匹配 检测 用 时 ( 分 钟 ) Redis+RabbitMQ P17 存储管理 主 节 点

已经存在一些不可逾越的瓶颈。因此，才会出现依靠流媒体服务器、网络转存 服务器、设备代理服务器等组件来实现不同异构设备之间的媒体处理和信令处 理，当面对海量多媒体信息管理存储的需求，这些设备的集群、负载均衡、故 障倒换等可靠性设计以及其整体架构的性能瓶颈已经成为阻碍园区安防监控发 展的重要因素。 因此，本次智慧园区安防监控系统设计采用科技 IMOS（IP Multimedia Operation 吸取了传统监控存储主流设备如 NVR 操作的易用性，同时基于对视 频监控的理解，结合 SAN 集中存储高可靠稳定性的基础，引入了云的架构，海 量存储，易于维护。和常见的文件集群系统所构造的通用“云”存储相比，整套 SAN 级集群系统既实现了性能和容量线性增长，又保留了一代云“块直存”的安 全性和高性能，海量音视频秒级检索，这些是通用云在监控业务方面所不具备 的优势。 图 13 云存储组网图 够具备高效、准确、快速的数据检索能力。 1) 一体化索引设计 CDS 云存储系统的索引管理遵循一代云“数据块直存”的思路。所有与用户 业务相关的索引信息统一由云存储系统的存储管理节点进行管理。视频云存储 管理集群在对索引的一体化设计上将海量数据索引查找、筛选进行了全面的优 化，大大的提高了查找速度。在规模不断扩大时性能几乎相同，均能做到毫秒 级耗时。 2) 与平台的应用设计 CDS 云存储系统本着安

应用场景 小型规模 中大型规模 精简版 标准版 工作站（PC机） 单机 工作站部署，硬件成本 降低80% 单机部署 计算 存储&超融合 光 IP 机器视觉 主备模式 集群模式（3节点以上） 双机 集群 做 轻 管 宽 泛网络：有线、无线一张网，降低运营成本 泛网络：IP+POL统一运维，助力园区碳中和 一张网管理：支持路由器、交换机、防火墙、AC、 一体化拓扑 一站式监控：状态、告警、性能集成监控

大数据源 日志数据 大数据集 群 大数据文件 结构化数据 多媒体数据  实时收集 实时毫秒级不间断采集数据，并 存入大数据集群  批量收集 按小时、日、周、月等时间周期， 批量采集各类数据，存入大数据集群 大数据收 集 非结构化数据 实时数据 数据流 观云 - 收集 大数据平台产品建设和应用方案 小型机 光纤交换 机 存储阵列 网络交换机 视频等数据。 Velocity 实时 实时 & 流式处理，支持海量 数据的毫秒级运算。 Scale 规模 适用小 \ 中 \ 大各种规模，可 根据数据发展情况灵活、快 速扩展集群：几台 - 千台。 实时处理 高效迅捷 不同数据 同地存储 海量数据 轻松存储 观云 - 存储 大数据平台产品建设和应用方案 数据资产管理 1 分门别类 观云 - 管理 分散各处，杂乱无序 大数据平台产品建设和应用方案 科研情况：支持所有主流大数据批处理 (hadoop) 、实时处理 (spark) 技术，秒级同步百万条记录；秒级处理 TB 级别数据， 小时内部署百节点规模的大数据集群； 100+ 数据业务挖掘模型， 50+ 并行化数据挖掘算法；完整的大数据解决方案供应商，产品 线全面覆盖基础平台、数据应用和可视化各个层次。 成果展示：鸿信公司累计获得软件著作权 48 项，专利 11