华为混合云现代化运维体系 核心能力及最佳实践 政企而言，IT架构建设作为组织战略目标实现和业务创新发展的核心引擎，是一项战略 性、系统性工程，然而IT架构的建设往往不会一蹴而就，而是会随着技术革新逐渐引入 新的平台、新的产品和技术。因此，政企IT架构的发展演进进程中普遍存在不同架构、不同代 际、不同厂商平台并存的情况。运维人员需要全面了解不同平台的部署、升级、维护等操作，这 为复杂和繁琐。 随着政企数智化进程的加速，混合云作为一种灵活、可扩展且安全的云平台解决方案，已逐渐成 为政企用户数智化转型的首选IT架构。然而，随着云上业务需求不断增加，云服务资源类型日益 丰富，传统的IT运维体系已经难以应对混合云环境下复杂的技术架构和多变的业务需求。 为了应对这些挑战，对混合云运维系统架构进行现代化升级势在必行。华为混合云基于自身云平 台运维经验，以及服务数千家政企 力，并沉淀构筑了一套全面构建稳定可靠的现代化运维能力的路径和方法。通过运维现代化核心 能力，期望能够帮助政企客户从传统架构运维到云化架构运维转型，以数字化和智能化为驱动， 构筑混合云现代化运维新体验。 其中，运维体系作为混合云运维能力建设的基础性、系统性工程，面临着对技术、组织、制度需 进行系统性重构的巨大挑战，其核心在于通过数智化的运维体系实现“效益”、“效能”、“效 率”、“效果”的最大化。

3.2 分总调度架构.................................................................................. 8 3.3 混合调度架构................................................................................ 14 四、应用场景.... 制”，为算网协同的发 展确立了基础。 1.4 本文内容结构 本文的编制，是基于国家东数西算“安全新总线”项目所开展的 算网协同工程实践。深入分析“东数西算” 工程中的总分调度、分 总调度、混合调度的总体调度架构，东数西算、数据快递、东数西存、 协同推理、协同训练和西训东推等核心应用场景，以及边云一体、云 3 算分离和边缘共享等新型生态模式。同时，通过对典型应用场景的详 细的业务流 三、调度架构 在东数西算场景中，算力资源的全域统筹与动态调配构成了新型 基础设施的核心能力。面对多样化的业务需求与复杂网络环境，单一 调度模式难以满足所有场景。为此，需进一步探索总分、分总、混合 三种典型调度架构，通过差异化的层级设计与控制策略，构建更加灵 活适配的算力网调度体系。 5 3.1 总分调度架构 全局调度为“总”，区域调度为“分”，总分调度架构指的是在全 局调度与区

..................... 42 3.1 基于量子封装网络的分组交换方案....................................... 42 3.2 经典帧辅助的混合分组交换方案........................................... 46 四、量子互联网运行模式设计................................ 为了让量子互联网可以像经典互联网那样运行分组交换模式[90]， 美国加州大学戴维斯分校 Yoo 和美国西北大学 Kumar 在 2021 年首次 提出利用经典-量子混合数据报实现量子封装网络的思想[91]。随后 Cisco 的 DiAdamo 等人在 2022 年提出了用经典-量子混合帧结构实现 量子互联网分组交换的方案[92]。在 2024 年，美国加州大学戴维斯分 校和美国西北大学研究组进一步解释了量子封装网络的概念[93]，并 方案的经典-量子混合帧结构。结构和经典帧是一样的，只是将经典 43 帧中的经典负载换成了量子负载。所以在传输过程中，这里的负载将 会是量子信号。图（b）是混合帧的产生机制。利用控制单元控制经 典发射器发射经典包头信号和量子源发射量子负载信号，然后利用多 路复用器将包头和负载结合，形成混合帧。多路复用可以是时分复用 和波分复用。图（c）是混合帧的信号处理过程。当混合帧到达一个 节点以

生态 破题思路 构建工作流程 • 融合医疗行业规范， 采用敏捷 开发与交付模式 • 定期回顾和展望，不断总结经 验，持续优化工作方式 确定混合云原生架构 • 积 极 拥 抱 新 技 术 如 微 前 端 、 DevSecOps等。 • 构建混合云架构，平衡多场景 部署需求。 提升新团队的凝聚力 • 建立共同的团队目标和工 作方式 • 开放包容地看待理念差异 • 发展学习型组织 明确以患者为中心的设计: www.top100summit.com 确定混合云原生架构 www.top100summit.com 核心实践 – 业务场景：共建可持续发展的多元化医疗生态 医院 互联网 公有云 本地 开 发 测 试 发 布 浏 览 购 买 下 载 访 问 Why What How www.top100summit.com 核心实践 – 构建混合云原生架构 注册 开发/测试 发布 审阅 订阅 下载 Why What How 应用市场 医院 互联网 公有云 本地 挑战 原始数据不出域、数 据可用不可见 隐私保护 www.top100summit.com 核心实践 – 构建混合云原生架构 Why What How Kubernetes 公有云 本地环境/私有云 数据平台 应用市场 门户 中间件 应用 算法 软件即服务 工具 公有云 本地 身份与权限 管理 监控和日志

本白皮书首先系统梳理了卫星互联网承载网的发展背景与需求 愿景，涵盖国家重大战略、产业经济升级、人民服务保障及全球科技 竞争等维度；其次详细阐述了通信增强、应急保障、产业赋能、科学 研究等典型应用场景，并深入剖析了集中式、分布式、混合式三种卫 星互联网承载网体系架构及星间/星地链路、路由、交换等七大关键 技术；同时，本白皮书分析了全球主要卫星互联网的产业现状与标准 II 化进展，探讨了轨道/频谱资源紧张、空间环境复杂等特殊问题及应 3.1 分布式架构..................................................................................7 3.3 混合式架构..................................................................................9 四、卫星互联网承载网关键技术 施，其体系架构的设计直接关系到网络的传输效率、可靠性、扩展性 以及对复杂任务的适应性。随着航天技术与通信技术的深度融合，卫 星互联网承载网的体系架构不断演进，目前主要形成了集中式、分布 式和混合式三种典型模式。本章将详细阐述卫星互联网承载网的集中 式、分布式和混合式三种体系架构。 3.1 集中式架构 集中式架构基于软件定义网络（Software Defined Network，SDN） 理念构建，如图 3-1 所示。在这种架构下，卫星互联网承载网中的卫

练效率提升” 并行的新阶段。Scaling Law（规模定律）将以多元形态长期生效，持续推动人工智 能技术突破能力边界，而超大规模 Transformer、MoE（混合专家模型）、稀疏注意力模型等，已 成为可扩展模型的核心架构方向。在复杂的混合并行策略下，随着并行规模持续扩大，系统节点间 通信带宽与可用显存容量成为制约大模型可扩展性的瓶颈，亟需计算架构创新以满足未来更大规模 模型训练的需求。超节点 题。 深度求索 (DeepSeek) 发布的 DeepSeek V3.1 具备创新的混合推理架构，能同时支持“思考”与 “非思考”两种模式，在提升复杂任务处理能力的同时也优化了响应效率。阿里巴巴通义 (Alibaba Qwen) 的 Qwen3 将预训练数据量提升至近 36 万亿 tokens，并引入混合思维模式以提升智能体 （Agent）能力，其模型家族支持高达 100 万 tokens tokens 的超长上下文处理。智谱 AI (Zhipu AI) 推出 了为智能体任务优化的 GLM-4.5 系列，该模型总参数量达 3550 亿，同样采用混合推理模式，并 在工具调用成功率上表现优异。 2.1 2.2 通往通用人工智能之路：最新大模型发展动态 AI 技术从单点能力突破迈向系统能力创新 超节点发展报告 08 （Hoffmann et al., 2022）进一步要求参数与数据按

云团队联合首发并上线基于华为云昇腾云服务 的 DeepSeekR1/V3 推理服务。 l DeepSeek 通过 MLA 和 DeepSeekMoE 实现高效的推理和低成本训练，构建 DualPipe 算法和混合精度训练优化计算与通信负载；通过 ( 分阶段 ) 强化学习实现 性能突破。 多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 模型对跨节点的全对全通信机制进行优化， 充分利用 InfiniBand 和 NVLink 提供的高带宽。创新性提出了 DualPipe 算法，通过优化计算与通信的重叠，有效减少了流水线中的空闲时间。采用 FP8 混合精 度训练技术，不仅极大地加快 了训练速度，还大幅降低了 GPU 内存的消耗。 DeepSeek-R1-Zero 通过强化学习架构创新实现突破性性能，核心技术创新体现在训 练效能优化策略、双维度评价体系、 ）资源占用，并通过调优 PTX 指令集和自动调整通信数据块大小，显著减少了 L2 缓存的使用及对其他 SMs 的干扰。 l 采用 FP8 混合精度训练技术，不仅极大地加快了训练速度，还大幅降低了 GPU 内存的消耗。基于低精度训练领域的成熟经验，开发人员构建了一个适用于 FP8 训 练 的混合精度框架，其中大部分计算密集型任务以 FP8 精度执行，而关键操作则保持原有精度，以确保数值稳定性和训练效率之间的平衡。结合

e k 成 立 发 布 总 参 数 达 6 7 1 0 亿 的 D e e p S e e k - V 3 ， 采 用 创 新 Mo E 架构和 FP8 混合精度训练， 训练成本大幅降低 发 布 新 一 代 推 理 模 型 Dee p See k- R 1 ，性 能 与 Ope nA I 的 o 1 正 式 版 持平 ，并开源 至 1 月 30 产业具有多个维度的突破性价值 ：通过技术创新突破算力瓶颈、强大的功能性适配更多的 应用场景 ，低成本的优势引发各界关注 ，作为中国本土化产品驱动产业升级 技术创新破解算力瓶颈 架构创新 采用混合专家系统（ MoE ）架构 ，实现 “算力降维打击” ，在相同算力下支持更 大参数规模 ，显著提升模型效率。 训练优化 通过低比特 FP8 训练技术、强化学习策略 模型调整强依赖标注数据 传统方式往往需要大量标注数据来监督微调（ SFT ）， 耗费大量人力和时间成本，且数据标注质量也会影响 模型性能。 任务精准分配，大幅降低能耗 依靠稀疏混合专家模型（ MoE ）架构，仅需激活 5%-10% 的参数，将任务精准 地分 配给最相关的“专家模块” ，计算量和能耗大幅降低，如 V3 的训练成本仅为 GPT-4 的千分之一。 自主试错优化

基本原理 DeepSeek 大语言模型经过大量文本数据的学习，能够理解人类的语言，并 根据问题或指令生成相应的回答。 DeepSeek 采用了一些独特的架构设计，其中比较关键的是混合专家（MoE） 架构。混合专家模型（MoE）的核心思想是通过选择性激活子模型（专家模型） 3 来提高模型的计算效率和表达能力。 简单来说，MoE 架构就像是一个大型的专家团队，这个团队里有很多不同 2 下载 deepseek-r1:8b 模型 DeepSeek-R1-8B 是 DeepSeek 公司 DeepSeek-R1 系列大语言模型之一，参 数 量 80 亿。它采用混合专家（MoE）架构，经多阶段混合训练策略打造。在 性能 上，能在数学、代码、推理任务中实现较好表现， 可处理代码生成、逻辑 推理等 轻量级高精度任务。硬件要求不算严苛， 对普通办公电脑相对友好，还 遵循 MIT

IPoDWDM 作为主要载体。DCI 传 输网络光层可以是配合 ROADM+南北向接口构成的 SDN 技术，对波 道进行任意开通、调度和回收，系统里面多家厂商的电层器件混合使 用，甚至 IPoDWDM 光接口和 OTN 光接口混合在同一套光系统上使 用的情况，都将成为可能，届时系统扩容、变更等方面的工作效率将 大大提升，光电层面也将更方便进行区分，网络逻辑管理更清晰，成 本将大大降低。 IPoDWDM 平台分解为标准的、可互操作的 “白盒” 硬件模块。开放式 ROADM 支持多厂商波长选择开关、光放大器、 合分波器等光器件通过标准接口（如 OpenROADM MSA 定义的接 口）互联，允许运营商混合搭配不同厂商的最佳光组件。可插拔相干 光模块是一项推动波分复用系统解耦的革命性技术，它将传统固定在 WDM 板卡上的相干 DSP 和光收发器封装为标准化的可插拔模块 （如 400G ZR, ZR+ -LS 等交互。 3.3.2 AI 运维 5G、云计算等技术推动网络业务激增，光层（大容量传输）与 电层（灵活调度）融合成主流架构，但跨层协同复杂、故障隐蔽，传 统分域运维难以应对。面对光电混合场景海量数据，存在响应慢、定 位不准、调度低效等问题，难以满足业务实时性需求。同时，AI 技 术的成熟为突破这些瓶颈提供了可能。大模型的自然语言理解、跨域 知识关联能力，以及机器学习的异常检测、自主决策能力，与光电融