......................................................................................11 4.2. 安全设备部署................................................................................................... 交换设备的冗余、 网络划分与隔离 安全域划分， 通过安全管理 平台进行网络 拓扑管理 访问控制 网络边界部署访问 控制设备，启用访 问控制功能 安全域边界增 加部署防火墙 设备 安全审计 对网络系统中的网 络设备运行状况、 网络流量、用户行 为等进行日志记录 部署网络安全 审计系统 边界 完整性 检查 对内部用户未通过 准许私自联到外部 网络的行为进行检 采用技术手段 采用技术手段 进行违规外联 查 入侵防范 网络边界入侵行为 监视 网络出口的边 界处部署入侵 检测，重要服 务器区前面采 取入侵防护措 施 3.1.2. 主机安全 类别 控制点 重点要求项 对应措施 主机 安全 身份鉴别 对登录操作系统和 数据库系统的用户 进行身份标识和鉴 别 部署身份鉴别 系统。 访问控制 启 用 访 问 控 制 功 能，实现操作系统 和数据库系统特权

业务量增长的算力弹性需求 • 承接 10 部院线电影、 50 个游戏场景、 100 个建筑可视化项目 ， 数据量 约 1.2PB ， 4K/8K 批量静帧渲 染 ， 46PFLOPS 算力 • 优先部署 GPU 服务器 + 交换机 ，存储 复 用 政务云 数据中心剩余容量 “ 渲染 + AI” 双盈 利 双机热备 + 冗余网络 超微算力 + 华三 网络 多模态大模型 训练 程算力需求 l 争取项目成果入选省级算力枢纽示 范案例 ，带动 “数据中心 - 智能终 端 - 数据应用” 产业链协同 ，助力 贵州千亿级数字产业集群建设。 l 算力规模 ：部署 144 台 8 卡 GPU 服务器 ，构建 1152 卡千卡级算力 集群 ，支撑千亿参数模型训练； l 网络能力 ： 基 于 大 二 层 架 构 与 Spine- ，各层深度联 动 ，为业务稳定运行提供支撑； l 分层协同 ： Spine 层与业务 / 管理 核心层构成骨干网， Leaf 层接入 服务器 ，管理 / 安全层独立部署 业务与目标 业务定位

l 人工智能平台 数据处理 模型开发 模型训练 自动建模 模型部署 模型推理 模型管理 模型监控 主要包括 AI 智算集群、超算集群、高速网络、通用计算集群、高性能存储集群、安全中心、云管平台、运维平台等。 平 平 台 安 全 运 维 监 控 平 台 云主机 裸金属 镜像服务 对象存储 硬件基 础设施 基建基 础设施 应用中心 自动化部署 预置算法框架： PyTorch 、 Tensorflow 、 PaddlePaddle.. . 集成开发环境： Jupyter Lab 、 VSCode 作业管理 编译器 调度策略 数据管理 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 转换为 INT8 量化推理模型 • 优化模型体积和计算效率 4. 边缘部署 • 推送 INT8 模型至变电站 NPU 节点 • 完成边缘侧模型部署 学习率策略：初始学习率 1e- 4 ，余弦退火衰减（周期 200epoch ）， 动态调整学习率。 训练时长：单卡训练约 120 小时，集群训练约 15 小时，线性加速比

3 数字孪生服务器.............................................................................. 19 3.5 政务云部署设计........................................................................................ 20 3.6 系统加密设计 ..................................................................................... 34 4.7 安装调试与部署........................................................................................ 35 4.8 测试与验收 ................................................................................... 38 5.5 软件开发、安装部署配合服务...................................................................39 第 6 章 其他................

...........................................................................................42 3.8 部署架构................................................................................................. .........................................................................................80 5.7 统一部署架构................................................................................................. 书》中所规定的软件开发需求和界定的系统开发范围，将软件需求转换为系统 的软件设计架构，明确软件的系统总体结构、子系统结构、接口设计、数据库 设计，以及运行环境设计、部署架构等设计内容，为下一步的软件开发、测试、 部署、运维提供明确的依据和指导。 1.2 项目背景 通过一中心、四平台和 N 个应用的建设，即城市大数据中心、电子政务综 合信息服务平台、城市管理综合信息服务平台、经济运行综合信息服务平台、

私有云 (Private Clouds) 是为一个客户单独使用而构建的，因而提供对数据、安全性和服务质量的最 有效控制。该公司拥有基础设施，并可以控制在此基础设施上部署应用程序的方式。私有云可部署在 企业数据中心的防火墙内，也可以将它们部署在一个安全的主机托管场所，私有云的核心属性是专有 资源。 私有云可由公司自己的 IT 机构，也可由云提供商进行构建。在此“托管式专用”模式中，像 Sun ， IBM ，同时带来建立并运作 该环境所需的专门知识。 所谓私有云是相对于公有云的一个概念，私有云是为一个客户单独使用而构建的，因而提供对数据、 安全性和服务质量的最有效控制。私有云可部署在企业数据中心的防火墙内，也可以将它们部署在一 个安全的主机托管场所。简单粗暴一点来说就是某一个公司为自己公司储存数据，搭建业务应用系统 等而建立的一个私有的储存器或服务器，相对于公有云来说它具有完全的所有权和控制权，能够自己 平台定位：关注的云平台的统一管理，而不是底层的虚拟化或 具体资源。支持平台资源和应用快速扩展。 数据中心弹性扩展，满足未来业务增长的需要。 帮助客户构建自助、标准化的服务型基础设施的 同时， 降低管理成本。 • 可集中部署，统一管控，故障自恢复，系统更 加健壮，运行零风险。 • 从业务应用、中间件、基础设施层三层一体化 安全管理和保护。 • 服务响应更加迅速，充分发挥设备性能，提高 利用率。 • 快速和轻松地升级到云中，最大保护现有投资。

标准化中台， 选单式应用 云边协同 软硬一体 新科技赋能新 运营模式 云边协同，软硬一体 云和边缘相结合，实现灵活的计算资源、网络资源的合理分配 建设智慧工地云柜标准化软硬件一体化产品，快速部署，多项目使用； 标准化中台，选单式应用 夯实智慧工地中台，建设好物联网平台、数据中台、业务中台、应用 聚合平台 通过 SaaS （软件即服务）模式管理各种应用，实现选单式应用 数据驱动，建立大数据运营 服务器 共享存储空间 AI 算力单元 物联网平台 AI 云平台 智慧工地驾驶舱 应用管理 应用订购 计费结算 租户与权限管理 应用集成管理 运输安装问题 供电问题 联动问题  不同应用对于部署位置、环境 都有不同的要求  复杂应用场景需要分类运输和 安装，建设  目前多数应用耗电量大，自然 能源无法满足设备 24 小时供 电需要，同时出现停电后也没 有备电机制  大多数边缘计算联动都是平台 等级 要求 模块 设计 标准 安装 设备 挂载 结构 设计 数据 交互 智慧工地边缘云柜功能架构 边缘云柜为满足边缘计算前置环境部署，而定制的一款 产品。通过可灵活插拔式选配架构，可某著名企业便捷快速 部署，来满足不同场景不同功能使用要求。 边缘云柜基础硬件包括：标准安装机架空间，电源管理 单元，手摇式升降杆挂载单元，收纳存储。

目前，行业用户的智慧化转型，仍然面临着巨大的 技术鸿沟。这个鸿沟既有如何选择最合适的算法模型，也 有如何从软硬件两个方面对算法做性能优化，更有如何面 向特定领域的智能算法进行高效敏捷的开发部署等诸多问 题。要填补这个鸿沟，就需要计算 中心提供整合的、易用的开放服务平 台。 基于智算中心先进的AI算力基 础平台、AI算力调度平台、AI算法模 型来打造人工智能开放服务平台，汇 聚并赋能行业AI应用的开发者，加速 领先的并行文件系统，业界最高的单劳点吞吐率 AS13000-P,面向高性能离可篇场景 独家支持Powers,业界最高的单节点计算力 AS13000- M,面向离性价比场景 高度差异化领先的4U60节点，业界最易用易部署 AS13000-C,面向国产芯片市场 FT2000+平台，业界性能最高的国产歴器节点 智算中心设施及应用 工信论坛 49 ｜ 2020 年 4 月刊 供智算中心咨询规划、建设交付、应 第三是调度算力。浪潮AIStation 计算资源平台支持AI 训练和推理，可以提供AI模型开发和部署一站式交付，是 业界功能最全的AI管理平台，赋能更多的创新者。 最后是释放算力。浪潮自动机器学习平台AutoML Suite ，可自动建模、自动模型压缩、自动超参调整，降低 AI应用门槛，快速落地进化AI。同时，它还支持本地化和 云端部署，已被智慧城市、高铁等客户成功应用。 浪潮将引领开放计算体系，打造智算中心基石，构

Google Cloud的开源协作数据流通平台 Google Cloud是Google推出的云计算服务，服务涵盖计算、存储、网络、大数据、机器学习及办公应用等众多领域， 如虚拟机部署的Compute Engine、网络私有部署的Virtual Private Cloud、全托管式AI平台Vertex AI、谷歌办公应用，以 及数据分析应用平台BigQuery等。其中，BigQuery是Google 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汽车数据生态系统建设。通过连接和整合私人、社区和公共数据源，Google 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。

业务单据 业务单据ID 销售对象 数量 DDD0000001 RRR000500 3 500 大数据部署模式  独立部署模式  独立中间件  独立数据库  所有系统均通过服务与 管理平台对接  模块部署模式  作为NC模块部署  共享NC基本档案数据 目录  大数据建设目的及建设方式  大数据方案解读