v2的网络性能； • 新型网络协议的生态建设、兼容融通。 超大规模组网架构 • 直连架构如DragonFly、3D Torus等将越来越多投入部署，支持超大规模算力集群组网； • OCS光电混合架构，实现吞吐量提升以及Capex和能耗的下降。 数据驱动、多粒度/多层次的网络控制机制 • 基于遥测数据驱动、端网协同和信用授权的主动预防式拥塞控制技术将成为高性能无损智算网络的主流； • 超大规模组网架构 在人工智能与高性能计算（HPC）融合发展的背景下，组网架构直接决定了集群的通信效率与任务执行 能力。当前主流的CLOS胖树、Dragonfly、Torus等拓扑结构，以及新兴的光电混合架构，各自承载着不同 的设计理念和技术突破。 CLOS/胖树架构 胖树Fat-Tree是典型的分层分簇树形CLOS架构，从叶子到树根，1:1带宽不收敛，交换机上联端口与下 联端口带宽、数量保 nfly，Torus在相同规模下所需交换机 数量更少，且无需复杂的全局路由表。 光电混合架构 随着AIGC的持续迅猛发展，智算网络面临着带宽、时延、能耗以及网络增容扩展的多重压力，除了芯片 架构及光模块的光电融合如CPO/OIO/LPO等，上述各种电域网络架构也将进一步与光域技术深度融合，光 电混合架构成为未来突破的重要演进方向之一，是潜在的业务增长机会。 除了如Google TPU

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  替代数据：信用卡消费流、物流信息、搜索引擎热度 算法层采用混合建模框架，不同市场状态适用不同模型： 市场状态 适用模型 典型持仓周期 高波动趋势市 LSTM+Attention 机制 3-5 天 低震荡市 强化学习 PPO 算法 日内交易 事件驱动型市场 跨市场关联分析：利用图神经网络（GNN）挖掘不同资产间 的非线性传导关系 预测模型构建 监督学习模型在收益率预测方面展现显著优势。梯度提升树 （XGBoost/LightGBM）与深度神经网络的混合架构可同时处理结 构化数据（如价量指标）与非结构化数据（如新闻情绪）。实证研 究表明，集成模型的年化预测准确率较传统统计方法提升 12- 15%。 风险控制优化 强化学习（RL）框架通过动态调整仓位实现风险收益比最大 个月（自适应性延长） 计算资源消耗 CPU 集群即可 需配备 GPU/TPU 加速 在实盘部署方面，AI 量化交易需要特别设计以下基础设施：  异构计算架构：使用 Kubernetes 编排 CPU/GPU 混合计算资 源  低延迟数据管道：Apache Kafka 实现微秒级事件流处理  风控沙箱：在 PyTorch 框架中集成梯度截断和异常检测模块 实际运营数据显示，AI 量化交易系统在 2023

Nov．２０２４ 静态参数p 与伪随机二进制 密 钥 流 异 或 得 到 要 跳 变 的 端 口 号,有效地减轻了一些物联网环境下的网络攻击[３０]. (３)混合端信息跳变 指 同 时 进 行IP 地 址 和 MAC 地 址、 IP地址和端口号等混合端信息的跳变,对 网 络 嗅 探、网 络 渗 透等攻击起到很好的防护作用. MacFarland等通过 SDN 控制器对 DNS查询进行修改, 将虚 根据欺骗资源的部署策略进行分类 根据欺骗防御的部署策略,可以将欺骗防御分为基于掩 饰的欺骗防御、基 于 伪 造 的 欺 骗 防 御、基 于 博 弈 论 的 欺 骗 防 御、基于机器学习的欺骗防御和博弈论与机器学习混合的欺 骗防御. １)基于掩饰的欺骗防御指通过隐藏目标的特征信息,使 攻击者无法获取真实的资源数据.部署策略类似于 MTD 的 跳变机制,通过随机性和周期性地转换、更改或隐藏目标真实 的资源特征 Kamel等 将 防 火 墙 判 断 的 恶 意 数 据 流 量 重定向到蜜罐,通过机器学习算法对蜜罐中收集到的数据进 行分析、概要、分类,并进一步预测新的攻击形式[７８]. ５)博弈论与机器学习混合的欺骗防 御.Song提 出 单 独 使用博弈论或机器学习构造欺骗时存在一定的弊 端[７９].单 独使用博弈论时,存在蜜罐只能执行常规相应动作,没有综合 考虑多轮攻防的全局最优策略,没有考虑攻击者使防御者信

数据 使能 应用 使能 集成 使能 开发 使能 收益 1 ：资源共 享 网络 路网运行监测 生产网 内部网 智慧枢纽 资源池 数据库 数据库 大数据 数 据库 存储 计算 29 混合云大数据服务 MRS MRS 控制面 服务申请 资源管理 流接入与流处理 Flink Kafka Flume Scheduler 调度 数据目录 TXT | ORC | Parquet | CarbonData 华为云 Stack HUAWEI Cloud Stack 关键技术： FusionInsight HD 大数据平台全面升级为混合云 MRS 云服 务 华为云 HUAWEI Cloud EI 高阶服务 定期连线 （版本升级、高阶服务远程运维） 30 实时处理 ETL 数据科学 机器学习 数据准备 BI 数据资产管理 集成资产管理 可信资产管理 上架 / 订阅 / 部署 / 变更 上架 / 订阅 / 变更 发布 / 订阅 上架 / 订阅 / 变更 上架 / 订阅 私有云、混合云 HCS 、公有云 关键技术 ROMA ：聚焦应用生产、集成、运营全流程，构筑敏捷业务中 台 联盟链 跨链互信 共识算法 同态加密 可信沙箱 智能合约 DCS 缓存服务 Q2

API 和 SDK 两种接入方式，支持与主流保险核心系统 （如 Guidewire、SAP Insurance）快速对接。实测表明，从部署 到上线平均仅需 11 个工作日，且兼容私有化部署与云服务混合架 构。 这些技术特性使 DeepSeek 能有效支撑保险业务全链条智能 化，从产品设计阶段的精算模拟，到销售环节的智能推荐，再到理 赔过程中的自动化审核，形成完整的 AI 赋能闭环。 1 条款匹配引擎 | 200 份/ 秒 | 500ms | 97.5% | | 风险评估模型 | 100 案例/ 秒 | 1.2s | 91.8% | 智能体引擎层部署多模态大模型，采用混合专家（MoE）架构 动态分配计算资源。针对保险行业特性，我们设计了三阶段训练方 案：1）通用领域预训练（千亿 token 保险行业语料），2）场景微 调（20 万标注对话样本），3）强化学习优化（基于 报 告，将人工审核效率提升 60%；在理赔场景，结合计算机视觉技术 实现医疗票据的自动验真，欺诈识别准确率达到 89.7%。所有交互 过程记录在区块链存证系统，确保操作可追溯。 系统部署采用混合云架构，核心模块部署在私有云保障数据安 全，流量高峰时自动调用公有云资源扩展。通过 Kubernetes 实现 容器化编排，支持单日亿级请求处理。安全体系包含四重防护：传 输层 TLS1.3 加密、存储层

DeepSeek 大模型的概述与优势 DeepSeek 大模型作为新一代通用人工智能基座模型，凭借其 千亿级参数规模和行业领先的语义理解能力，为保险理赔业务智能 化转型提供了核心技术支撑。该模型采用混合专家系统（MoE）架 构，通过动态激活子模型的方式实现计算资源的智能分配，在保证 响应速度的同时显著提升复杂任务处理精度。在保险行业特定场景 中，其优势主要体现在三个方面：首先，基于多轮对话和上下文理 医疗理赔审核 ≥92% <2 分钟/件 15% ≤ 车险定损 ≥88% <90 秒/件 20% ≤ 大额案件预警 ≥95% 实时 100% 行业部署环境存在特殊约束条件：70%的保险公司采用混合云 架构，要求方案支持本地化知识库与公有云模型的协同计算。同时 需要兼容现有核心业务系统中的 27 种数据接口标准，包括 ACORD、HL7 等行业协议。数据安全方面需满足《保险业数据安 全 行业基准 条款理解准确率 98.2% 89.5% 材料完整性识别 96.7% 82.3% 欺诈风险预警 94.1% 75.8% 平均响应时间 420ms 1200ms 在模型部署架构上，采用混合云部署方案，核心推理服务部署 在私有云保障数据安全，同时利用公有云弹性扩展能力应对理赔高 峰。服务接口完全兼容现有理赔系统，通过 RESTful API 提供标准 化服务，包括材料智能初审、责任认定建议、赔付计算等核心功

1 私有云部署..................................................................................148 9.1.2 混合云部署..................................................................................151 9.2 高可用与容灾设计 技术性能方面，DeepSeek 采用混合专家（MoE）架构，支持 千亿级参数动态激活，在金融领域的复杂语义理解任务中表现出 色。根据内部测试数据，在银行场景的意图识别准确率达到 92.3%，较 传统模型提升 18.7% ，其中信贷业务咨询的意图分类 F1 值达 94.5% 。模型支持 32k 超长上下文窗口，可完整解析金融 合同条款等长文本，在处理结构化与非结构化混合数据时，信息抽 取准确率 REST/gRPC 双协议，QPS ≥500 核心系统交易日志分析 集成维度 技术指标 银行场景适配案例 安全协议 国密 SM4 加密+PCI DSS 三级认证 客户隐私数据查询 部署模式 混合云/本地化部署，镜像包 ≤8GB 分行级智能客服本地化部署 风险控制体系构建了五层防护机制：输入过滤层（敏感词命中 率 99.98%）、意图监控层（异常请求拦截延迟<50ms）、输出审

语、维吾尔语）的识别准确率普遍低于 60%。例如，某市政务热线 对方言工单的转人工率高达 45%，导致服务延迟。 复杂场景语义理解局限 传统模型对专业术语和长尾需求的处理能力薄弱。在政务咨询场景 “ 中，用户常混合使用法律条文（如 《社会保险法》第 58 ” 条 ）与 口语化表达，现有系统意图识别错误率超过 30%，需依赖人工二次 处理。 高并发下的稳定性缺陷 公共服务场景存在明显的流量波峰（如政策发布时段），但多数系 所提供高自然度、低延迟的智能语音服务。该方案以 DeepSeek- V3 大语言模型为核心引擎，结合语音合成（TTS）、语音识别 （ASR）及知识图谱技术，构建端到端的智能化讲解系统。系统部 署采用混合云架构，支持每秒千级并发请求，平均响应时间控制在 800 毫秒以内，确保高峰时段的稳定性。 系统核心模块包括： 1. 多模态输入处理：支持语音、文本、 图像多途径输入，通过预训练模型实现意图识别与实体抽取，准确 扩展性和安全性。前端通过智能终端设备、移动应用及 Web 页面 等多渠道接入，后端基于微服务架构构建，核心模块由 DeepSeek 大模型驱动，实现语音交互、语义理解及内容生成等功能。数据层 采用混合存储方案，结合关系型数据库与分布式文件系统，满足结 构化与非结构化数据的处理需求。 系统分为以下核心层次： 1. 接入层 o 支持 HTTP/HTTPS、WebSocket 等多协议接入 o

的技术 创新和市场拓展，在⾃然语⾔处理和⼤型语⾔模型⽅⾯取得了显著进展，在国际市 场上获得了⼴泛认可。其中： • DeepSeek-V3 是在14.8万亿⾼质量 token 上完成预训练的⼀个强⼤的混合专 家 (MoE) 语⾔模型，拥有6710亿参数（激活参数370亿）。作为通⽤⼤语⾔模 型，其在在知识类任务（知识问答、内容⽣成等）领域表现出⾊ • DeepSeek-R1 是基于 DeepSeek-V3-Base DeepSeek的创新突破 • 每次推理仅激活相关专家，“术业有专攻” • “专事专办、要事要办 ⼩事不办 尽量不跨组解决” • 节省42.5%训练成本 MoEnSparsen(稀疏专家混合模型） • 注意⼒机制⽐作图书检索系统 • MLA%建⽴⼀个智能分类系统，不记具体 信息，⽽是⼀个“简单”标签 • 模型的占⽤率降低⾄传统的MHA%5-13% MLAn（多头潜在注意⼒机制） “⼀⽬⼗⾏ 跳记重⼼ 记住题点”“ NSAn(原⽣稀疏注意⼒)n • 传统模型需要⽤32位或者16位数记录数字 • “⼿机号码，记最后4位” • 提升训练速度同时保持精度，降低硬件门槛 FPBn混合精度训练 • 从海量数据中提炼⾼价值信息，提升模型 学习效率 • 蒸馏垂类⼩模型能⼒，不输于全尺⼨模型 数据蒸馏技术 • ⼤道⾄简，⽤强化学习跳出题海和⼩测 让模型⾃⼰学会思考 GRPO(群体相对策略优化)

结算审核 手机 APP 扫码开锁 开门取商品 关门， APP 自 动结算 手机 APP 扫码 结算 商品放到到指定 区域 摄像头识别商品 与账单是否吻合 12 一致体验 • 支持无缝混合云，私有云与公有云同 架构 • 统一服务， APIs 和体验 业务驱动 • 增强的 IaaS 服务 GPU ，裸机服务器和 SAP HANA 等帮助云化核心业务 • PAAS 服务助力应用数据创新 Resource/Manage/Application VDCn Resource/Manage/Application DC 3 … DC 2 DC n 异地容灾 DC 1 同城 HA SDN 混合云 SAP HANA 裸金属 虚拟化 GPU 直通 公有云 Docker Hadoop VMware KVM Huawei Cloud Amazon 容器 中间件 应用平台 13 华为云电商解决方案助力零售行业数字化转型 安全中立 • 端到端安全服务 • 百 GB 级 Anti-DDoS 大流量清洗 • Web 应用防火墙 • 华为自身业务与各电商没有竞争关系， 业务中立 开放 • OpenStack 开放架构，混合云互联互迁 • 开放生态，丰富的开源 / 商业平台，一 站式服务 …… 商品管理 门店智能管理 14 电子价签 商品识别 AI 商品管理 门店智能管理 客群分析 智慧门店：提升购物体验与运营效率