......................................59 4.3 异常事件检测......................................................................................63 4.3.1 突发事件识别.............................................. ......................................134 1. 引言 随着社会经济的发展与城市化进程的加速，公共安全问题日趋 复杂化。各种突发事件的频发，如自然灾害、交通事故和公共卫生 事件等，给社会的安全管理带来了巨大的挑战。传统的公共安全监 控手段往往依赖于人工观察和经验判断，难以及时、准确地应对突 发情况。因此，亟需引入现代化的科技手段来提升公共安全管理的 使得视频内容的智能挖掘成为可能。通过对视频监控数据的深度学 习和分析，AI 大模型能够实现对大量影像数据的实时处理和决策支 持，为公共安全管理提供强有力的支持。这一方案不仅可以提升处 理速度，还能减少人为因素的干扰，提高事件识别和响应的准确 性。 在这一背景下，建立一套基于 AI 大模型的视频智能挖掘应用 方案显得尤为重要。该方案主要包括以下几个关键环节： 1. 数据采集与预处理：利用现有的智能视频监控设备，实时收集

时描述了设备 的运行状态、异常情况。 (2) 传统网络运维是机器语言的人工翻译过程：为了维护网络的稳定，运维人员会持续监控设备的运行状态，希望准确、及时地检测异常和 突发事件。网络日志是设备运行维护最重要的数据源，运维人员通常会通过解读日志中的自然语言、语义信息来发现问题、分析根因。 (3) 自动日志分析是机器语言的自动翻译过程： 日志文本种类繁多、数量庞大，且多数日 构 观点 1 ：软件日志运维是从机器语言向自然语言的 转化 转化 表：一些网络基础设施中的日志消息，日志中的详细信息和自然语言有一定的相似性 Action 机器语言 系统事件 异常告警 荨 - - - - - - - - - - - - - - - - - - - - 《 - - - - - - - - - - - - LogPrompt 依赖于任务数据，专家标注耗时耗力， 自适应性差 智慧有限，可解释性差，直接输出告 警结论，无法实现告警事件分析 • 以思维链提示引擎激发大语言模型的领域文本分析能力和根因推理 能 力，在告警日志纷杂的信息中梳理思维链逻辑， AI 模型端到端生 成事 件分析总结，快速判断漏报、误报，找出根因。 •

警、社会动员、监管执法、救援处置等应急管理全场 景应用。 决策指挥层：为所有应急管理业务辅助决策。 2.1 辅助决策功能薄弱 决策指挥层的辅助决策功能相对比较薄弱，尤 其是在重大及以上级别的突发事件非常态业务的临 图2 应急管理系统架构图 Fig. 2 The architecture diagram of emergency management system 龚晶等：基于大语言模型技术的智慧应急应用：知识管理与应急大脑 识管理与应急大脑 219 www.jc2.org.cn 11卷 指 挥 与 控 制 学 报 机 决 策（improvisational decision-making） [19]，需 要 随 事件不断发生、发展的态势，针对具体问题情境作 出决策时，系统通常以数据统计分析、智能计算模 型算法等形式提供辅助决策功能，对于决策者来说， 这些远不足以应对其可能面临的复杂多变灾难环境 下的决策需求，即解决复杂问题的能力。 经济情境中创造出来的，涉及到自然灾害、事故灾 难、公共卫生、社会安全等多个领域，覆盖了从突发 事件预防、准备、响应到恢复的全过程[24]，既包括能 明码表示的显性知识，还包括隐性知识，也称默会知 识，例如，应急管理人员的个人经验、技能等长期实 践经验中积累的、难以明确表达的知识，这些知识可 能表现为对特定事件的常识性理解、对不同灾害类型 的应对策略的抽象化认知等。应急部门知识除了各 类预案、行动指南、管理准则等可以言明的显性知识

第三，增强风险管理能力，通过 Deepseek 大模型对交易数据 进行实时监控，识别潜在风险并生成预警报告。模型将能够分析复 杂的金融交易模式，识别异常行为，并及时提醒相关人员采取措 施。预期在风险事件的平均识别时间上，能够缩短至 1 分钟以内。 第四，确保系统的高可用性与安全性。在部署过程中，将采用 分布式架构和容错机制，保证模型在高峰期的稳定运行。同时，结 合银行现有的安全策略，设计多层次的数据加密与访问控制机制， 包括密码、生物识别和多因素认证（MFA）。权限管理应根据最小 权限原则，确保每个用户只能访问其工作所需的数据和功能。此 外，系统应具备实时监控和审计功能，记录所有用户的操作行为， 以便在发生安全事件时能够快速追踪和分析原因。 为防范网络攻击，系统需部署防火墙、入侵检测系统（IDS） 和入侵防御系统（IPS），定期进行漏洞扫描和安全评估。针对大 模型的特殊性，还应防范模型推理攻击和对抗样本攻击，确保模型  限制模型的访问频率和权限，防止恶意用户通过大量查询获取 敏感信息。  定期更新和重新训练模型，以应对新的安全威胁。 此外，系统应具备灾难恢复和业务连续性计划（BCP），确保 在发生安全事件或系统故障时能够快速恢复服务。备份策略应采用 异地多副本存储，定期进行恢复演练，验证备份的有效性和可用 性。 最后，安全培训和意识提升也是不可忽视的一环。所有涉及系 统操作的人员应定期参加安全培训，了解最新的安全威胁和防护措

com/nacos-group/nacos-controller 模糊订阅：应用运行时动态服务&配置订阅 • 大配置拆分&聚合 模式匹配 • 前缀匹配 • 后缀匹配 • 中间模糊 事件推送 • 新增事件 • 删除事件 • 定时对帐 应用场景 分布式锁：多节点共享资源并发协调 • 基于CP协议Raft实现分布式锁 功能； 基于CP协议Raft 极简API • 全局lockKey标识 Higress 通义 DeepSeek LLM(百炼) 手机 生态 PAD PC 端 & 生态 Apache RocketMQ Spring AI Alibaba/AgentScope 事件驱动 AI Agent 模型 LLM Observability AI 观测&评估 OTel OTel Nacos MCP Registry Model Chat Model Image

域的应用之一。通过自然语言处理和机器学习技术，智能客服能够 为乘客提供实时咨询、问题解答和服务引导。这不仅节省了人工成 本，还提高了服务响应的效率和质量，使乘客在出行中感受到个性 化和人性化的服务。 最后，安全监控与事件处理的智能化也是一个重要的应用场 景。AI 大模型可以集成多种传感器数据，包括视频监控、人流监测 等，实时检测异常活动和潜在风险。同时，通过数据分析，系统可 以自动识别险情，并迅速触发应急措施，保障乘客安全和运营稳 客拥挤现象，提升乘客整体出行体验。 其次，AI 大模型可应用于列车调度的实时优化。在实际运营 中，各种突发事件经常发生，如设备故障、自然灾害、突发的重大 活动等，这些都可能影响到列车的正常运行。通过对各类数据的实 时分析，AI 模型可及时生成调度调整方案，自动重新规划最优的运 行线路和发车间隔。这种动态调度能力能够有效降低由于突发事件 带来的破坏性影响，提高系统整体的鲁棒性。 此外，AI 大模型还可以通过模拟与预演，实现调度方案的验证 员可以快速理解不同调度方案的优劣，从而选择最佳解决方案。 在具体实施过程中，调度优化的技术架构可以分为数据采集、 数据处理、模型训练和结果反馈四个阶段。  数据采集：实时采集列车位置、速度、客流量等相关数据，并 结合天气、事件调度等外部条件。  数据处理：利用大数据技术对采集到的信息进行清洗、整合和 存储，以便后续的分析应用。  模型训练：通过机器学习算法，训练出针对特定城市轨道交通 特征的调度优化模型。 

其次，现有的铁路监测系统多为单点或局部监控，缺乏全局观 与综合效益的分析。通过引入实景三维大模型技术，可以实现对铁 路沿线的全面可视化、动态分析，使得管理人员能够及时掌握沿线 情况，从而提高回应各类突发事件的能力。 最后，随着国家对智能交通系统及数字基础设施建设的重视， 人工智能和大数据的发展为铁路沿线数字化管理提供了技术支撑。 构建实景三维 AI 大模型，不仅能够为铁路运营提供科学决策依 据 下，各部门之间的信息孤岛现象严重，导致数据无法实现有效共 享，信息传递的时效性和准确性都难以保证。这种低效的信息流转 不仅增加了管理成本，还可能因信息滞后性而导致决策失误。 其次，针对突发事件的应急响应能力不足也是现有管理模式的 一大短板。在事故发生时，相关数据的采集和处理通常需要耗费较 长时间，这使得应急措施的实施不够迅速，从而增加了事故对安全 的影响。根据不完全统计，过去几年中，由于信息响应延误而造成 措施。 其次，基于实景三维数据，AI 算法能够高效分析和判断铁路沿 线的复杂情况，包括轨道状况、设备运行状态和周边环境变化等。 这种智能分析能力不仅可以支持日常的维护和检修，还能加强对突 发事件的应急处理能力。通过对历史数据进行学习，AI 模型能够逐 步提高其预测和判断的准确性，减少人工干预的需求，降低人力成 本。 此外，实景三维 AI 大模型在支持智慧交通体系建设方面表现 出色。

增量备份与全 量备份相结合的策略，每天进行增量备份，每周进行全量备份，备 份数据应存储在不同地理位置的安全存储设施中。为应对突发情 况，系统还需制定应急响应计划，明确各类安全事件的处置流程， 确保在发生安全事件时能够迅速响应并最小化损失。  数据传输与存储加密：AES-256 加密算法，TLS 1.3 协议  用户身份验证：多因素认证（MFA），包括密码、生物识别 和一次性验证码（OTP）  安全漏洞扫描与渗透测试：定期进行漏洞扫描和渗透测试，及 时修复漏洞  数据备份与恢复：增量备份与全量备份相结合，备份数据异地 存储  应急响应计划：制定并演练应急响应计划，明确安全事件处置 流程 为确保系统的长期安全性，还需定期对安全策略进行评估和更 新，使其能够应对不断变化的安全威胁。此外，应对系统操作人员 进行定期的安全培训，提高其安全意识和应对能力，进一步降低人 门禁控制的机房内，并配备不间断电源（UPS）和备用发电机，确 保设备在断电情况下仍能正常运行。 此外，系统应定期进行安全评估和漏洞扫描，及时发现并修复 潜在的安全隐患。安全团队应制定详细的应急预案，确保在发生安 全事件时能够迅速响应和处理。 为了进一步提升系统的安全性，可以考虑引入人工智能技术进 行威胁检测和防御。通过机器学习算法分析系统日志和网络流量， 自动识别异常行为，并采取相应的防御措施。 最后，系

先，DeepSeek 系统能够整合来自各个业务系统的数据，包括交易 记录、客户信息、员工操作日志等，通过数据清洗和预处理，确保 数据的准确性和完整性。 DeepSeek 利用机器学习算法，对历史操作风险事件进行深入 分析，识别出潜在的风险模式和异常行为。例如，通过分析交易数 据，系统可以检测到异常交易行为，如大额交易、频繁交易或非正 常时间段的交易，这些都可能预示着操作风险的存在。此 外，DeepSeek 为了进一步提高操作风险识别的准确性，DeepSeek 引入了自 然语言处理技术，对内部通信和外部报告进行语义分析，提取出与 操作风险相关的关键信息。例如，系统可以自动识别出员工在邮件 或报告中提到的风险事件或潜在问题，并及时向管理层发出预警。 在具体实施过程中，DeepSeek 提供了一套完整的操作风险识 别流程，该流程包括数据收集、数据预处理、风险模式识别、异常 行为检测、风险预警和风险评估等步骤。通过这一流程，金融机构 数据收集：从各个业务系统中收集相关数据，包括交易记录、 客户信息、员工操作日志等。  数据预处理：对收集到的数据进行清洗和预处理，确保数据的 准确性和完整性。  风险模式识别：利用机器学习算法，对历史操作风险事件进行 深入分析，识别出潜在的风险模式。  异常行为检测：通过实时监控员工的操作行为，识别出不符合 规范的操作流程或潜在的违规行为。  风险预警：利用自然语言处理技术，对内部通信和外部报告进

（4）风险管理的复杂性 保险业是一个高度依赖风险评估和管理的行业。随着社会经济环境的变化，风险因素 变得更加复杂和多变，传统的风险评估和管理方法已经难以适应新形势的需要。例如，气 候变化带来的极端天气事件增加了保险业的赔付风险，而网络安全问题则给保险公司带 来了新的风险类型。保险公司需要更先进的技术手段来识别和管理这些新兴风险。 （5）运营效率的提升需求 保险公司在运营过程中面临着大量的数据处理和分析工作，传统的手工操作不仅效 见》指出，保险业应提高数智化水平。加快数字化转型，加大资源投入，提升经营管理效率。 鼓励运用人工智能、大数据等技术，提高营销服务、风险管理和投资管理水平。加强网络安 全防护和数据安全管理，提升突发事件应急处置和灾备水平。依法依规维护数据资产权益。 最近一年，大模型技术在各行各业的应用情况呈现出蓬勃发展的态势，为多个领域带 来了深刻的变革和显著的效益。 2.2.1.2 地方与行业政策 生 件产品、服务等方面可能存在的安全漏洞、缺陷、风险威胁及安全事件等动向，应持续进行 4.1 综合治理措施 �� 4.2 训练数据 4.2.1 安全风险 跟踪分析与监测。协调相关研发者、服务提供者建立风险威胁信息通报与共享机制，及时 共享安全风险信息。同时，构建完善的人工智能安全事件应急处置机制，制定详细的应急 预案并定期开展应急演练活动。通过快速响应与有效处置各类AI安全威胁与事件，确保保 险行业人工智能技术的安全稳定运行。