浏览器查看文章） Similar articles recommended (Please use Firefox or IE to view the article) 拟态防御中基于ANP-BP的执行体异构性量化方法 ANP-BP Based Executive Heterogeneity Quantification Method in Mimicry Defense 计算机科学, 2024, 51(11A): 将移动目标防御当成欺骗防御的一部分;文献[４] 中则提出移动目标防御系统可以看作拟态防御系统的一个特 例,它通过一些拟态变换使系统具有动态性特征,但是并没有 应用异构冗余架构;文献[５]中也表达了相似的看法,即拟态 防御思想是将移动目标防御的思想与异构冗余执行体相结合 的产物.从上述研究中的观点可以看出,尽管３种主动防御 技术之间没有明确定义的从属关系,但它们之间却有着紧密 的联系. 现阶段,有关主动防御方面的综述性文章大多是针对单 态 现象,以动态异构冗余架构(DynamicHeterogeneousRedunＧ dancy,DHR)为技术核心,在不改变目标对象功能的前提下, 伪装服务功能外的其他行为,进而动态地改变其攻击面的主 动防御技术[２３Ｇ２５]. ４．２ 动态异构冗余架构 DHR 由输入代理、在线服务集、异构执行体集、异构组件 池、调度器和表决输出器６部分组成,如图４所示.基于异构 冗余原理,构建多套功能相同、结构不同的软硬件组合

智能影像网关平台 人工智能+医院管理 02 优化资源配置 弥补医院管理漏洞 人工智能+疾病诊断和预测 03 疾病的诊断 疾病的预测 心血管及肿瘤影像 人工智能+医学研究 04 病历结构化处理 多源异构数据挖掘 人工智能+医学影像，重点落地心血管及肿瘤影像 人工智能在医学影像领域目前的应用方向主要有三类，即疾病筛查、病灶勾画、脏器三维成像，涉及脑、眼睛、乳腺、食管、 肺、心脏等多个人体部位。 变量相关性 人工智能的切入主要是利用机器学习和 自然语言处理技术自动抓取病历中的临 床变量，融汇多源异构的医疗数据，结 构化病历、文献，最后生成标准化的数 据库。 人工智能+医学研究，医疗大数据标准化，真正实现“二次”利用 我们所关注的人工智能+医学研究重点应用产品是病历结构化处理及多源异构数据挖掘。 病历结构化处理 基于高质量的前结构化的专病数据平台, 超过90%的内容可以做 到结构化； 正实现“二次”利用 我们所关注的人工智能+医学研究重点应用产品是病历结构化处理及多源异构数据挖掘。 多源异构数据挖掘 我国医院同时运行着过百种医疗信息化系统，这些多源、异构的 系统彼此割裂，各类医疗数据处于孤岛状态，无法得到有效利用。 人工智能企业与医院合作，无须和原系统对接，利用大数据技术 完成多源异构数据的清洗、脱敏、结构化、标准化，使得医院能 够一统形成互联互通的医疗大数据平台。 数据接口输出

原有数据集成整合：数据标准 化处理， 异构数据源集成融合 2. 数据分布式管理：各自建设、 统一服务，各数据管理单位作为 分布式存储的一个节点，做好数 据的本地存储管理、汇交和共享， 接入平台； 3. 数据统一应用服务：核心数据 库通过国土空间基础信息平台统 一管理与调度 ； • 多源异构数据集成 • 空间数据高效存储 上云的咨询、评估、 迁 移、优化、运营运维，持续演进的规划设计能 力。 全栈云，为自然资源信息化提供集约化支撑环境 计算资源池 存储资源池 网络资源池 异构资源池 公有云资源池 AI 算法 AI 开发平台 数据湖运营 大数据分析 数据库 容器 企业云化转型咨询 数字化转型咨询服务 云中间件平台 云容器引擎 22 Huawei Confidential 多域协同决策 通用 AI 服务 基础平台服务 数据湖 - 智能化数据底座 异构计算平台（服务器、 Atlas 等） EI DevOps 全栈全场景 AI ，使能信息化智慧升 级 云端智能

三维立体，支撑自然资源管理和对外服务 1. 原有数据集成整合：数据标准 化处理，异构数据源集成融合 2. 数据分布式管理：各自建设、 统一服务，各数据管理单位作为 分布式存储的一个节点，做好数 据的本地存储管理、汇交和共享， 接入平台； 3. 数据统一应用服务：核心数据 库通过国土空间基础信息平台统 一管理与调度； • 多源异构数据集成 • 空间数据高效存储 • 分布式数据库技术 • 时空大数据分析技术 AI开发平台 数据湖运营 大数据分析 数据库 … 技术中台 容器 微服务 企业集成 分布式中间件 边缘容器 … 多级管理 云市场 多云管理 自动化编排 存储资源池 网络资源池 计算资源池 异构资源池 公有云资源池 告警监控 云 安 全 云 备 份 / 云 容 灾 云管理 全栈平台 • 多类型应用云化：提供适配遥感业务场景的， 传统业务、数据业务、创新业务迁移上云； • 平滑架构演进：业务可在虚拟化、私有云、 深度学习 强化学习 图引擎 通用 AI 服务 … 人脸识别 智能问答 图像搜索 HiAI NPU 多域协同决策 … 智能推理 优化决策 决策支持 轻量化服务 智能边缘平台 模型、函数 异构计算平台（服务器、Atlas等） Huawei Confidential 24 安全：端到端保障网络安全与隐私安全 应用安全 平台安全 与 数据安全 联接安全 终端安全 业务连续性

kWh，冷却设备所需的 水达到70万 L，对电力资源和水资源都是巨大挑战 ［9］。 c）对 GPU跨厂家协同、跨代际演进的挑战。跨厂 家 GPU 因为软件生态、底层算子不同，导致上层模型 无法一次编译后异构执行。即使采用同一厂家的 GPU，也因为不同型号 GPU 的算力、显存和通信能力 甚至算子优化不同，共集群训练时面临性能损失、无 法发挥优势的问题。 d）对供应链保障的挑战。受美国芯片禁令的影 Commuincation 70 邮电设计技术/2024/09 Spine 与 Leaf 跨机房时，建议将所有 Spine 部署在一侧 机房，尽量减少拉远的Leaf数量。 2.2 多元探索、异构优化 国内外主要 GPU 卡的基本情况如表 2 所示，其中 英伟达 GPU 卡在算力、显存、卡间通信、生态等方面处 于领先地位，AMD 和 Intel 的 GPU 卡在算力上逐步追 赶，但是在生态上仍存在短板；国内则以昇腾 约大模型发展的瓶颈，鉴于当前国内外政策和 GPU 发 展水平，应积极开展多元算力芯片适配以及异构算力 的管理和调度。另一方面，智算和通算需紧密结合。 AI 大模型的前端访问和上层应用离不开通算，而在训 练和推理过程中，AI 大模型也需要通算来运行和处理 任务和数据的调度访问。 b）兼顾多元芯片和单一芯片。多元算力异构必 然带来多个智算软件生态，为模型适配和优化带来挑 战，需要进行差异化考虑。对于超千亿的大模型的训

函数 CPU/GPU/ARM 多类型异构算力 火山引擎边缘云 : 以云计算基础技术和边缘异构算力结合网络为基础 , 构建在边缘大规模基础设施之上的云计算服务 , 火山引擎边缘云定 义 区域中心城市 运营商多线 / 云边专 线 完整的云服务能力 二、三、四线城市 内容分发和加速网络创新 边缘计算节点创新 异构算力 CPU\GPU\ARM 自研高性能实例 PPS>700W 支持自定义限速 多种计费模式 云边镜像 ¢ 键 分 发 带 超大规模的接入点 单节点海量流量承载能力

个水利数据仓、 1 个统一门户、 6 大水利核心业务和 1 套工作机制。 u 禹贡科技公司：建立了”五横四纵”的智慧水利”全过程“管理体系，“五横”包括多元异构采集体系、多元 异构接口体系、云数据仓库体系、应用支撑体系、智慧水利应用体系；“四纵”包括多元异构水利数据汇集体 系、 3T 融合水利工程管理模型、 AI 智慧化水利专业模型库、智慧水利全过程管理云平台 研发思路 坚固基础 打通数据 智慧应用

合规成本高：数据分级分类标准不统一，敏感数 据（如医疗、金融）脱敏处理需专业团队，数据供给 方难以承担人力与资金成本。 · 挑战二、数据流通效率低 ① 跨域系统数据协议不统一：政府、企业、行业数 据分散在异构应用系统中，数据结构、接口标准不统 一，跨域流通效率低； ② 安全与实时性矛 “ 盾：为满足 数据不出域、可用不可 ” 见 安全要求，隐私计算（如多方计算、同态加密、联 合分析）导致计算性能延迟增加 3、数据空间与 AI 协同发展的关键挑战 在当前数智化转型加速的时代，数据与人工智能的协同创新成为推动各行业数字化、智能化升级的引擎。然而， 这 “ ” 一融合过程中面临多重挑战， 数据壁垒、隐私合规、技术异构性、信任机制不透明 成为数据 驱动 AI 创新的关键 瓶颈，Data+AI “ ” 协同创新存在 三不可 的核心挑战。 3.1 挑战一、数据 AI 不可见 图 5 数据湖仓的架构演进发展历程 新要求，因 此 Data For AI 用数核心诉求是让全量数 “ 据 AI 看得 ” 见 。 · 多形态异构技术体系，跨系统数据 AI 不可见 当前模型训练 / 推理数据涉及多主体、多云、多业务 系统间的数据集成与数据汇聚，由于多主体大数据 平台建设采用异构技术平台、不同元数据管理、独 立数据接口标准，导致跨主体跨域间数据无法高效 流通、无法高效发现、汇聚、治理、加工、访问与检

Restful 商业 / 专有协议 HL7 关系型数据库 大数据 消息 IBM MQ 文件 OBS API SNMP Restful 商业 / 专有协议 HL7 应用场景 • 跨异构数据源集成 • 跨应用间集成 • 跨云数据集成 • 跨网络数据集成（ B2B 、集团分子公 司跨域集成） 功能特性 • 轻量级集成，支持多种数据源、多协 MangoDB Kafka MRS Hbase MRS Hdfs MRS Hive API SNMP Kafka Redis HL7 SAP ERP 扩展插件 关键技术能力： FDI 实现异构数据间跨网集成同 步 JDBC Stream Message File HTTP RFC JDBC Stream Message File HTTP RFC Fast Data 计算引擎 异构算力 X86 GPU 鲲鹏 920* 昇腾 910* 昇腾 310* 异构计算服务器 数据源 边缘：图片 / 视频 /… 数据源（ OBS/DLI ）： 图片 / 视频 / 文本 / 语音 /CSV/Parquet/JSON/… 统一异构资源调度协同平台（

年报告，全球顶级对冲基金中已有 78%将深度学习纳入核心 交易策略，其资产管理规模年均增长率达 23%，显著超越传统量化 基金表现。这一趋势背后是 AI 技术在处理高维非线性市场数据时 的独特优势：通过实时分析海量异构数据（包括行情数据、新闻舆 情、卫星图像等），AI 系统能够发现人工难以捕捉的微观市场规 律，并在毫秒级响应时间内完成交易决策。 当前 AI 量化交易系统的核心价值体现在三个维度：  风险 的动态学习能力相结合，通过数据驱动的方式捕捉市 场非线性规律，实现收益优化和风险控制。典型的 AI 量化交易系 统包含数据层、算法层、交易层三大模块，形成从市场信号识别到 订单执行的闭环。 数据层负责处理多源异构金融数据，包括：  结构化数据：交易所高频行情（1 分钟级 Tick 数据）、基本面 指标（PE、ROE 等）、宏观数据（CPI、利率等）  非结构化数据：财经新闻文本、社交媒体舆情、卫星遥感图像 保护措施。 2.2 AI 在量化交易中的应用 在量化交易领域，AI 技术的应用已从辅助决策发展为驱动交易 策略的核心引擎。其核心价值在于通过机器学习、深度学习及自然 语言处理等技术，实现对海量异构数据的高效挖掘与动态建模，从 而提升策略的适应性与收益稳定性。以下是 AI 在量化交易中的典 型应用场景与技术实现路径： 数据预处理与特征工程 AI 通过自动化特征提取与降维技术处理金融数据的非线性和高噪声