l 第 12 页 1. 数据预处理 • 数据清洗、标准化及特征工程 2. 模型训练 • 输入：标准化后的数据集 • 昇腾集群分布式计算： • 多节点并行计算梯度 • 参数服务器架构更新模型参数 • 节点间同步最新参数 • 验证评估： • 定期计算预测误差 • 反馈调优信号指导模型优化 3. 模型压缩 • 将 FP32 ，优化训练 过程。 硬件配置：昇腾 910B ×8/ 节点， RoCE v2 网络（带宽 200Gbps ）， 构建高效分布式训练环境。 框架优化：自动并行策略（数据并行 + 模型并行混合）， 提升分布 式训练性能。 优化器选择：分布式优化器（ Horovod+ 昇腾通信库）， 优化梯度 同步和参数更新。 硬件配置：昇腾 910B × 1 （ 640TOPS 模型训练 模型压缩 第 13 页 监 控 与 调 优 参 数 Q 网络时延监控 监控指标：参数同步时延 < 10ms （分布式训练）。 阈值范围：确保分布式训练的 高效同步。 调优策略：检查 RoCE 网络拥 塞，调整交换机流控策略，优 化网络性能。 训练监控指标 监控指标：训练 loss （负荷预

温度降低。但冷通道内冷空气温度分布依然保持均 匀，这是由于列间空调采用水平送风方式。该方式可 有效解决冷热气流短路的问题，保障服务器机柜温度 均匀，降低局部热点。因此，对于单机柜功耗≥8 kW 的 机柜，建议采用列间空调。 4.2 温度分析 机房内距地板 0.2 m、1.0 m、2.0 m处的温度分布分 别如图 8、图 9、图 10 所示。在距地板 0.2 m 处，机房内 的冷热通道温度分布较为均匀。其中，冷通道内的最 ℃，热通道内平均温度约为33 ℃。 在距地板1.0 m处，机房内的冷热通道温度分布较 为均匀。其中，冷通道内的最低温度为 23 ℃，热通道 内的最高温度为41.8 ℃，机房内的平均温度为29.2 ℃。 如图 9所示，冷通道内的平均温度约为 23.1 ℃，热通道 内的平均温度约为34 ℃。 在距地板2.0 m处，机房内的冷热通道温度分布较 为均匀。其中，冷通道内的最低温度为 23 ℃，热通道 内的最高温度为43 ℃，差异极小，这是由列 间空调的送风特点所决定的，风机成列布置，采用水平 图9 距地板1.0 m处温度分布 温度（℃） 20 26.3 32.5 38.8 45 35.2℃ 35.8℃ 23℃ 34.7℃ 23℃ 34.6℃ 23℃ 23.1℃ 图8 距地板0.2 m处温度分布 图6 智算中心机房流线平面图 图7 智算中心机房流线剖面图 温度（℃） 20 26.3

“ 洪水风险依然是最大威胁”“全面提高风险防控 水 平” ( 习近平 ， 2018 ） 全国洪水威胁区域分布图 研发面向数字孪生流域建设的洪涝动态演进模拟业务系统 ， 是实现国家防洪减 灾 和水利高质量发展和的关键任务 数字孪生流域建设背景 P4 2017 年 ， 习近平总书记提出要建设网络强国、 水文模型中的下垫面信息 模拟方法。 P7 模型普遍停留在定制化阶段 ， 通用化程度不高 ， 重复建模工作大 目前的水利专业模型尚不能适应智慧水利建设对水利专业模型“标准统一、接口规范、分布部署、 快速组装、敏捷复用”的要求， 已成为行业亟待攻关解决的卡脖子技术之一。 集中于数据模拟 ， 与业务化 运用有一定的距离 针对性强 ， 但尚欠缺统一、 规范化接口。 国外相关的商业软件方法较 ，与现有水文系统无缝对接。 l 维修简单方便 高度集成化插拔式收发组件 信号处理器 故障实时响应 到达设备现场 2 小时内恢复工作 P12 技术成果： 延长预见 期 融合短临预报和实测数据的降水空间分布计算方法 提出了耦合深度学习和时空地理加权回归的数据融合方法（ GTWR-LSTM ） ； 融合站点观测数据与雷达回波反演或模式短临预报数据 ，提供精细化降水时空数据； 降低短临预报平均绝对误差减小

自动驾驶 AI 数据处理 300 万小时 语音翻译 南京智算中心算力规模 Aic 指 标 0. 8 Eops( 一期累 计 ) 1.8Eops( 二期累计 ) 2.5Eops( 三期累计 ) 分布式存储系统 6PB 全闪存储系统 500TB 内部高速互联网络 采用 200G HDR 组网； 高速计算存储网络 采用 25G/100G 以太 网 经典模型库 深度学习库 高性能库 视 觉 智 边缘智能计算 loT 物联设备 Docker 容器化 训练推理系统 智能板卡管理插件 Kubernetes 容器编排 系统 Ceph 分布式存储 系统 集群监控系统 Kubeflow 分布式系统 车路协同 智能实验室 新基建相关 数据市场 公安、消防 其他项目服务 南京智算中心平台规划 建设运营应用一体化 三 XTROTEC 中 科 逆 熵 南京智算中心数据可视化平台 e 形产势 日 产 目前平台主要用户区域分布： 华东、 华北、广东、香港、新疆、四川等 区 域 。 P 行业分布行 罗 Aviu 目前平台主要用户行业占比依次为： 工业视觉检测、智能制造、生物信 息学、气象预测、智慧园区、智慧 物流、智慧交通等。 Aic

service 是一个平台独立的，低耦合的，自包含的、基于可编程的 web 的应用 程序，可使用开放的 XML（标准通用标记语言下的一个子集）标准来描述、发布、发现、 协调和配置这些应用程序，用于开发分布式的互操作的应用程序。 Web Service 技术， 能使得运行在不同机器上的不同应用无须借助附加的、专门的 第三方软件或硬件，就可相互交换数据或集成。 依据 Web Service 规范实施的应用之间，无论它们所使用的语言、 本次溪源 溪小流域数字孪生场地适应性改造是在福州市水利局 14 层福州智慧水利（一期）项目 福州市河湖水系综合调度指挥中心的基础上进行场地适应性改造。主要建设内容包括增 加一块 LED 辅屏、分布式管理系统、扩建会议讨论系统和无纸化会议系统发及场地适应 性改造。 福州溪源溪小流域（溪源水库）数字孪生建设项目技术规范书 19 3.4.2.1 大屏幕显示系统 溪源溪小流域数字孪生场地适 层福州市河湖水系综合调度指挥中心调度中心场地的背面增加一块辅屏部 署在指挥大厅西侧，拼接显示面积约 16.992 ㎡。 3.4.2.2 分布式管理系统 本次升级改造分布式管理系统增补 2 台分布式坐席管理输入节点，2 台分布式坐席 管理输出节点，19 台分布式图像处理节点(4K)-LED 信号和视频会议信号输出，23 套多 媒体影像漫游系统，实现音视频信号的互联互通和综合显示控制。 3.4

的数据提供给消费者。这一特性在保障数据自主权方面意义重大，服务提供商不用担心数据泄漏风险，还能充分利用自身分 析能力为消费者数据提供价值。 （3）联邦学习 联邦学习是一种创新的机器学习框架。它是一种分布式机器学习方法，允许多个参与者在不共享原始数据的情况下共同 训练模型。这种方法在保护数据隐私的同时，利用多方数据进行模型训练，适用于数据孤岛场景，使企业能够在保护用户隐 私的同时，使用分散的数据源进行模型训练。在Google 费者数据时，联邦学习技术确保数据仅在本地进行计算，交换的 只是模型参数而非原始数据。 （4）数据自主控制 Google Cloud通过分布式云等数据自主权控制功能，为用户提供对数据和工作负载的数据自主权控制。用户可以根据 自己的需求，选择在公共云或分布式云中部署应用，确保数据自主权的实现。 （5）赋能 Catena-X汽车空间 Google Cloud积极参与了欧盟Catena-X汽车 Catena-X汽车空间 1、赋能欧洲数据空间 2、参与连接器组件开发 3、提供多源数据共享服务 1、基于OPC UA的数据标准化建模 2、AAS实现产品语义表达 3、EDC保障数据安全流通 分布式部署模式，通过在AWS云基础设施上构建数据空间技术及服务能力，在提供数据空间的数据连接和存储服务的同时， 还可以将数据与分析、ML和商业智能等服务相集成，同时支持数据安全性,帮助用户打破数据孤岛，充分释放数据价值。

拟机和存储设备，以及整体网络布设、机房安全等。 2、数据采集 （1）数据交换方式 大数据中心数据采集主要是通过交换平台和舆情数据采集服务两种方式来 完成。数据交换平台支持分布式前置交换和人工上传集中式交换两种交换模式。 序号 交换模式 描述 1 分布式前置交 换 对于信息化建设水平高，业务系统及业务信息库完善的部门，安 装交换前置机，将交换平台与部门业务系统隔离开来，保证部门 业务系统与业务数据库的独立性，同时保证部门业务网络、业务 如乱码。其次，异常的大或者小的数据也是不符合条件的数据。 数据质量的准确性可能存在于个别记录，也可能存在于整个数据集，例如 数量级记录错误。这类错误则可以使用最大值和最小值的统计量去审核。 一般数据都符合正态分布的规律，如果一些占比少的数据存在问题，则可 以通过比较其他数量少的数据比例，来做出判断。 当然如果统计的数据异常并不显著，但依然存在着错误，这类值的检查是 最为困难的，需要通过复杂的统计分析对比找到蛛丝马迹，这里可以借助一些 要求，且数据量不大，存放在 Oracle 数据库中非常合适。周期数 据备份主要用来支持大数据分析处理和数据备份，数据量大。随 着时间的推移，周期备份数据量会不断膨胀，这里推荐存放到 Ha doop 分布数据存储中，即提供大量的数据分析处理能力，又满足 容量扩展性的要求。 4 专题数据 “专题数据”同“主题数据” 5 业务数据 业务数据涉及到业务上较多的增删改查操作，且数据量较小，这 里存放在 Oracle

使用 CFD 降低机房 PUE 仿真分析： 运行 CFD 仿真分析，模拟机房内空气流动、温度分布和热交换过程。 根据仿真结果，评估机房内的温度分布、气流速度、冷热通道的效果等。 优化机房布局： 根据仿真分析结果，针对问题区域或热点区域进行优化。 调整进风口和出风口的位置和尺寸，以优化空气流动路径和热量分布。 调整机房的布线和设备摆放，避免冷热空气短路和混合。 计算流体动力学 CFD （ Computational Computational Fluid Dynamics ）仿真分析可以更好地理 解机房内部的空气流动和热量分布情况，有 针对性地进行优化，提高冷热通道效果，减 少能量浪费，从而降低机房的 PUE 值 提高服务器利用率 • 通过虚拟化技术，可以将多个物 理服务器虚拟化为一个或多个虚 拟服务器实例。这样可以更充分 地利用服务器硬件资源，提高服 务器的利用率。通过减少空闲资 源和优化服务器负载平衡，可以

- 18U 位置部署 3 台，总计 144 台，形成千卡算力矩阵； l 每列机架 5U-18U 部署 3 台分布于机柜 中央，利用机柜中上部空间，避开底部 器管理网口互联； l 带外管理： 带外远程管理 通道 ， 当业务网络故障时， 可通过独立通道访问设备， 快速定位与解决故障 ，保 障运维连续性 / 运维隔离。 防御、 DDoS 分布式拒绝 服务 ，双机热备部署； l 部署细节： 2 台防火墙连 接内外网边界 ，通过配置 访 问 控 制 规 则 ， 开 放 GPU 服务器 22 （ SSH ）、 定性与可靠性。 验证项与工具 GPU 状态检查：执行 nvidia- smi 命令检查 GPU 卡在线状态、温度、算力参数。 分布式训练验证：启动 ResNet- 50 模型训练任务，基于 Horovod 框架实现多机多 卡 分布式训练，要求 GPU 算力利用率≥ 70% 。 验证目标 确认千卡 GPU 集群算力正常输出。 l POC 测试：验证 RDMA

器、接口转换器等辅助设备组成。 能耗管理  能耗计量系统 - 系统架构 园区内各层办公区的水表、电表、空调的 自动计量，提高物业管理效率，并能对能源 进行有效管理和节能。 各层办公区根据业态分布情况，分别设置 水表、电表、空调计量表。 能耗管理  能耗分析管理系统 建设内容：在每层装智能电表和智能水表计量楼层统计大厦总能耗 对系统进行分类如：电、燃气、水等的统计。以及分项如， 智慧物管：可视化平台（指挥调度中心） 可视化控制系统优势 移动控制软件 1. 3D 建模，直观、生动、华丽的展示数据； 3. 超高清立体空间场景，宏大的高清视觉体验； 2. 实时数据对接，秒级高速数据刷新； 4. 分布式架构，实现更高的处理性能； 5. 可兼容视频监控系统调度、视频会议系统调度、消防应 急指挥调度 视频监控中心：系统概述 数字网络视频监控，可通过手机 APP 查看电子地图、播放实时视频和录像 避免了因消防铨不可用而造成人民生命财产的损失。 提高了公共消防服务水平和社会水平的有效途径。 降低了消防铨管理、维护成本。 消防监控平台组成：指挥调度中心 信息可视化：水源、路况信息、气象信息、 人口分布等动态实时数据，方便救援路线 规划，现场周围预防工作准备 力量资源可视化：通过一张图，实时 跟踪救援力量和资源状态 • 一键导航灾情、水源地址 • 反馈警情、车辆状态 • 消防员：迅速处警