边缘新生 . 连接未来 火山引擎新 & 代边缘云解决方案 沈建发 火山引擎边缘计算高级产品总监 WWW.VOLCENGINE.COM Copyright 。 2022 北京火山引擎科技有限公司 A:: rights reserved. 应用前端载体移动化 截至 2021 年 12 月 , 我国使用手机上网的网民比例达 99.7% ——CNNIC 第 49 次《 中国互联网络发展状况统计报 信通院云计算白皮书 （ 2021 ） 现代 IT 应用架构演 进 多终端模式 中心云部署 单机模式 单点部署 集群部署 云边部署 CS 模式 BS 模式 5-40ms 超低时延，火山引擎边缘云助力极致体验 计算、网络 ( 加速 ) 、渲染、安全 更高清 更实时 更沉浸 需求驱动边缘革

统一的 FlinkSQL IDE • 统一实时指标、特征开发管 理 实时化 • 毫秒级 : 事中风控 <50ms • 秒 级 : 准实时风控 < 5s 智能化 • 规则引擎 • 机器学习 • 联合编排 实时风控体系能力模型 3 6 1 2 4 5 #1 #2 #3 #4 建设背景 灵活窗口 实时指标库 实时计算技术 数据清洗 数据加宽 实时维表 窗口计算 指标引擎 规则引擎 模型引擎 实时风控技术选型 Connector Kafka RDBMS RESTful API Python 模型 ModelOps API 服务管 理 预计算 计次 / 最值 聚合计算 窗口计算 实时指标库 规则引擎 模型引擎 指标引擎 ServiceMesh Docker K8s 云原生 SpringCloud Flink Sink Flink SQL Flink Jar

优化算法：业财融合平台需要运用优化算法，帮助企业在资源约束下实现最佳决策。这可能涉及线性规划、整数规划、动态规划 等方法。例如，通过运用优化算法，企业可以在有限的预算和资源下实现最大化的投资回报。 规则引擎：业财融合平台需要设定一系列规则，以便在特定条件下触发相应的操作。例如，当某项业务达到预警阈值时，自动发 送提醒给相关负责人。 权限与审批流程：为确保数据安全和合规性，业财融合平台需要设定不同用 数据、分析情况并提供决策建议。业财融合平台需要考虑的算法、模型和规则： 会计引擎是业财融合的核心组件，用于处理和记录企业的财务交易。构建会计引擎的方 式有很多种，主要取决于企业的需求、规模以及所采用的会计制度。以下是一些常见的 会计引擎构建方式： 基于规则的会计引擎：这种方式主要依赖预先设定的会计规则和准则，用于处理企业的财务交易。基于规则 的 会计引擎需要手动更新规则和准则，但对于遵循特定会计标准的企业来说，这种方式通常比较简单、直接。 基于模板的会计引擎：这种方式使用预定义的会计模板，用于处理不同类型的财务交易。基于模板的会计引擎 可以更灵活地应对各种财务场景，但可能需要更多的维护和更新工作。 基于参数化的会计引擎：这种方式依赖可配置的参数，用于处理企业的财务交易。基于参数化的会计引擎具有 较高的灵活性，可以根据企业的需求和特点进行定制。然而，这种方式可能需要更多的开发和维护工作。 基于组件化的会计引擎：这种方式采用模块

技术指标 ◎业务异常行为检测和风险评估技术 产品提供高层业务逻辑检测能力，通过对正常用户行为画像，感知异常的业务访问行为， 弥补市场上 WEB 安全产品缺乏业务安全防护的真空。 业务风险评估引擎依据内置多种风险评估模型，结合业务大数据分析，对来访用户、来源 IP、业务资产进行实时风险评估，让用户及时掌控业务风险。 ◎遏制自动化工具攻击的动态防护方案 针对日益进化、完善的自动化工具攻击 侦查、漏洞后门、僵木蠕、WEB 攻击、工具利用等十多种类型的攻击威胁安全防护，各类特征 总数量达 12000 左右，有效保证了 WAF 的防护能力。 ★强力支撑简化运维 新一代 WAF 启用智能语义防护，内置语义分析引擎，不依赖特征库，通过校验流量的上下 数据备份与恢复产品 29 29 防火墙 文逻辑、前置字段及访问顺序等方式实现不同攻击的针对性识别处理，降低有效告警数量，简 化日常安全运维工作，释放人员精力专注核心业务。 appscan 和 RayScan 扫描器的扫描结果生成 WAF 的规则，对 此类网站漏洞直接防护。 爬虫陷阱 支持爬虫陷阱防护。 蜜罐防护 支持蜜罐防护，内置后台蜜罐页面进行防护。 机器学习 内置机器学习引擎，针对业务建模，可通过学习 URL、host 等信息展示网站结构树形图， 并支持对 URL 的访问量和响应健康度进行图形化统计。 网页防篡改 能进行配置自动分发功能； 应能支持对所有安装防篡改客户端的服务器进行集中管理。

1. 场景建模：基于历史数据训练核保、理赔等场景的决策树，集成 多模态数据输入（如医疗报告 OCR、语音通话记录） 2. 智能体部署：通过 API 对接核心业务系统，支持自然语言交互和 实时规则引擎更新 3. 闭环优化：利用强化学习机制，每周更新用户行为数据模型，确 保预测偏差率低于 3% 该方案已在试点机构完成 POC 验证，结果显示客服人力成本 降低 60%，同时客户满意度从 82 业务系统，数据互通需通过中间表手动同步。例如某头部寿险公司 的精算系统与 CRM 系统间存在 17%的数据偏差率，直接导致核保 决策失误率增加 2.3 个百分点。 风控能力滞后 反欺诈依赖规则引擎的静态阈值设定，无法动态识别新型骗保模 式。车险领域约 23%的欺诈案件（中国保险行业协会 2022 年报 告）因缺乏智能分析手段未能及时拦截，每年造成行业损失超 80 亿元。 客户体验断层 交互层解决服务可及性问题，中台必须建立统一的数据资产中心打 破信息孤岛，后台则需通过 AI 重构核心业务流程。具体表现为： ①对话式交互需支持保险专业术语 90%以上的准确理解；②承保决 策引擎要能在 500ms 内完成多维度风险评估；③理赔自动化系统 需实现医疗票据等非结构化数据的 85%+识别准确率。 在此背景下，行业亟需具备以下特性的解决方案：①开箱即用 的保险垂直领域 AI

的影响，也需要在方案设计时予以考虑。 由英特尔开源的 OpenVINO™ 工具套件能够为以上两种挑战 提供应对方案。这一工具套件产品通过模型优化器（Model Optimizer）和推理引擎（Inference Engine）这两个核心组件， 为人工智能教育实训提供了良好的推理加速和异构融合能力。 其中，模型优化器具有的量化功能能基于不同人工智能框架， 如 TensorFlow、PyTorch、MXNet 数据集 大小 策略 A 卷积层 分类层 策略 C 策略 B 策略 D 数据集 相似度 80X 训练时长下降 深度学习方法 迁移学习方法 或 而 OpenVINO™ 工具套件的推理引擎组件，则能基于通用 API （基于 C/C++ 或 Python 开发）为人工智能实训场景提供强 大的异构融合能力，让学生的人工智能应用在一次编写之后， 就可以更智能、也更有针对性地选择英特尔的 X，来帮助用户在边缘部署人工智能推理能力。 英特尔® Movidius ™ Myriad ™ X 视觉处理器架构引入了全新 深度神经网络处理单元：神经计算引擎。其专门的设计，可 以高速、低功耗地运行深度神经网络。结合16个SHAVE 内核， 神经计算引擎在执行神经网络推理时能实现 716G FLOPS 的 计算性能。 为使 VPU 产品在实战中为智能课堂行为分析方案提供更强 助力，英特尔为其提供了两种不同的工作模式：Squeeze

性。DeepSeek 大模型凭借其多模态理解、自然语言处理和复杂决 策能力，能够从以下维度重构理赔流程：首先，通过自动化单证识 别与核验，将材料初审时间从小时级缩短至分钟级；其次，基于历 史数据与规则引擎的深度学习模型，可实现对理赔案件的智能分级 与风险预判，准确率可达 92%以上；最后，通过动态生成个性化沟 通话术，显著提升客户服务体验。 为验证方案的可行性，某头部财险公司已在车险理赔场景完成 技术落地层面，方案设计充分考虑了业务场景的复杂性。以下 为关键性能指标与现有方式的对比： 维度 传统模式 DeepSeek 方案 提升幅度 材料初审准确率 78% 95% +17% 欺诈识别覆盖率 60%（规则引擎） 92%（模型+规则） +32% 日均处理能力 500 件/人天 3000 件/系统 6 倍 客户投诉率 12.5% 4.8% -7.7% 实施该方案将重构理赔价值链：前端通过 OCR+语音识别实现 倍，直接影响客户续保率 数据显示理赔时效每延长 24 小时，客户满意度下降 11%。 欺诈风险持续攀升 全球保险业每年因欺诈导致的损失约 800 亿美元，占总赔付额的 5- 10%。传统反欺诈手段依赖规则引擎，仅能识别 35%的欺诈模式。 车险领域拼接事故、伪造医疗票据等新型欺诈手段每年增长 17%， 但调查人员平均需要核查 12 项跨系统数据才能完成风险判定。 人力成本刚性增长 大型保险公司理赔团队规模通常超过

隐私的前提下，模型通过迁移学习可使新接入医院的冷启动准确率 在两周内从 62%提升至 85%。 在药物相互作用预警场景的对比测试中，DeepSeek 智能体展 现出显著优势： 指标 传统规则引擎 DeepSeek 智能 体 召回率 68% 92% 误报率 23% 8% 响应延迟 120ms 45ms 支持药物种 类 1,200 6,800 该技术方案已通过国家医疗信息安全三级等保认证，支持国产 35%；其次，跨科室会诊因数 据标准不统一导致 30%的临床决策延迟；最后，患者咨询服务响应 时效超过 48 小时的占比达 27%，严重影响就医体验。 当前医疗系统存在三个维度的能力缺口：在数据处理层面，传 统规则引擎无法有效解析 CT 影像标注、病理描述等复杂语义信 息，某省级医院测试显示现有 NLP 工具对放射科报告的实体识别 准确率仅为 68.4%。在流程协同方面，电子病历系统与药房管理系 统的数据对接需要人工转换 ≤ 分钟/份 结构化输入+AI 模板生成 资源调度优化 检查预约平均等待 3.2 天 ≤1.5 天 动态优先级算法+资源预测 模型 患者服务响应 在线咨询满意度 82% ≥95% 意图理解引擎+知识图谱构 建 该方案需重点突破三个技术瓶颈：第一，医疗实体关系的动态 建模，要求构建覆盖 500+疾病种类的本体库，支持 ICD-10 与 SNOMED CT 的双向映射；第二，多源异构数据的实时处理能力，

........................................................................................109 7.1 规则引擎设计........................................................................................111 7.1.1 解决金融领 域专业术语和监管政策的语义理解问题，通过构建包含超过 50 万 条金融实体知识的领域词典；第二，确保模型输出符合金融合规要 求，建立三级内容过滤机制，包括敏感词库匹配、监管规则引擎和 人工审核通道；第三，实现与传统银行 IT 架构的无缝对接，开发 专用 API 网关支持与核心系统、CRM、反洗钱等关键平台的标准 化数据交互。整个方案设计严格遵循《商业银行人工智能应用指 益凸显。根据麦肯锡 2023 年全球银行业报告，超过 67%的银行客户 期望获得实时响应的智能化服务，而目前仅有不到 30%的金融机 构能通过现有系统实现这一目标。 在风险控制领域，传统规则引擎对复杂欺诈模式的识别准确率 普遍低于 60% ，而基于大模型的智能风控系统可将准确率提升至 85%以上。例如，某国有银行试点数据显示，通过大模型分析非结 构化数据（如客户行为日志、社交媒体信息），其反洗钱预警效率

于 AI 的日志分析和处 置 建议 NoDR 云原生行为基 线生成和检测 SAVE 3.0 多内核 AI 文件检测引擎 基于机器学习的加 密流量检测 基于深度学习的恶 意 DNS 检测 SAVE AI 文件检测 引擎 WISE 语法语义检 测引擎 将大模型用于检 测、情报等领域 威胁情报智能研 判和生成 深 信 服 基于机器学习的 恶意文件检测 特色与优势 终端安全 …… 赋能敏感数据识别、分类分级、数据流转分析、代码漏洞识别与修复等场景 作为智能助手，提供辅助运营分析、自动研判处置等价值， 优化安全运营效率 作为检测引擎，识别未知的、隐蔽的和高对抗性的威胁和攻击行为 SecurityGPT 垂直领域的安全大模型 主机钓鱼威胁检测 安全告警 / 事件自主值守 安全代码辅助开发 流量攻击威胁检测 数据资产治理与流转分析 命令注入 36780 65.90 39.88 98.55 利用大模型重做 Web 安全检测： • 仅百亿级参数大模型，训练两周， 效果超越持续优化 4 年的语义分析引擎 • 12 类无样本攻击类型， 其中 9 类超越了现有语义分析引擎 • 5000w+ 实际流量样本测试，大模型优化后呈现高检出、低误报特性 【题目示例】请问以下流量是否恶意： GET /easportal/tools/appUtil