Ø资源独享：物理资源 隔离 Ø高可靠：主备集群容 灾 关键组件：Hbase、 ElasticSearch 、 ClickHouse等组件 查询分析业务： Ø主题数据整合； Ø共性加工层数据处理； Ø面向应用领域的集市 层数据处理； Ø实时数据处理区； Ø系统稳定性高 关键组件： HDFS、Hudi、Spark、HetuEngine、ClickHouse 批加工处理 共性整合 引入新组件，为业务人员开展BI自助 分析和交互式分析场景提供平台支撑。 提升数据服务能力，丰富数据场 景应用 • 实现批处理、流式计算及流批一体数 据处理； • 提供多样的数据分析能力，满足海量、 复杂且多样化的数据处理需求。 融合多技术组件，强化数据分析 与计算能力 • 规范数据需求、数据研发、数据治理、 数据交付、数据运营等环节； • 形成面向数据全生命周期的标准化实施 工艺流程，提升整个团队协作与效能。 数据流向说明 • 数据先入湖，后入仓； • 湖内规划缓存层、贴源层、标准层、整 合模型，仓内规划共性加工层、数据集 市层； • 标准层，对存量未落标系统进行标准化 梳理，使下游数据处理统一采用标准化 数据； • 目前全行系统落标率达95%，后续待所 有系统落标后，取消标准层。 2.5 部署架构 MRS联机查询分析集群 【50】 MRS实时计算集群 【28】 Gauss应用集群

................................. 12 2.5 AI 开发平台技术 ....................................13 2.5.1 数据处理 .....................................13 2.5.2 训练框架 .....................................14 2.5.2 4 SaaS Software as a Service 软件即服务 5 AI Artificial Intelligence 人工智能 6 DPU Data Processing Unit 数据处理单元 7 COCA Compute On Chip Architecture 片上计算架构 8 OS Operation System 操作系统 9 RDMA Remote Direct Memory 超现有资源池化的调度能力；在网络层面，AI 训练中 TB 级参数同步对时延极为 敏感，传统网络架构难以满足低时延、高吞吐的传输要求；在服务形态上，单一 的 IaaS/PaaS 服务无法全面覆盖数据处理、模型训练、推理部署等 AI 开发全链 路的需求，迫切需要构建适应智能时代的云计算新范式。 1.2 云智算的内涵 云智算是通过算网基础设施与人工智能核心技术深度融合，提供一体化算网 资源、

软硬件协同和智能编排能力。本文进一步构建了一个具有协议可定义性和功能可扩展性的分层解耦 架构系统。 关于关键技术，白皮书强调了四个关键方向： 1、在网络计算中：通过将计算能力深度嵌入用户平面，实现了近边缘数据处理和实时响应。 2、 动态协议可编程性：支持按需定制和动态加载协议栈，以满足垂直行业的异构需求。 3、 功能服务化：通过基于微服务的架构将用户平面功能解耦，增强部署灵活性和资源利用率。 4、 网络中除了传统的通信业务的数据流，还会存在多种业务的数据流，如 AI、感知等。以感知数据为例，感知数据流通常包含大量的实时数据，可能来自于不同类型的传感 器和设备，这些设备可能具有不同的数据格式和传输协议。用户面需要具备高效的数据处理能力和 多样化的服务接口，以支持各种通信协议、数据格式和传输速率，以及提供灵活的数据路由和转发 机制。 细粒度的 QoS 需求 不同类型的业务流因其独特的特性而对网络提出了多样化的要求。例如对于沉浸式通信的业务 图 2：6G 智能内生数据采集分析体系示意图 如图 2-1 所示，网络数据采集模块的架构可以分为三层：第一层是知识图谱构建，第二层是数 据分析，第三层是特征数据集。这三层架构能够提供强大的数据处理和可视化能力，通过对网络数 13 / 33 据的深入分析，实现对网络运行状态的全面监控与优化。在数据采集的过程中，主要通过硬采、软 采、路测等方式来获取来自不同来源的数据，包括无线空口用户终端（UE）侧数据、无线空口基站

对标，并且可以通过自动对标、对标参 考等方式辅助对标，快速完成对标工作。 资源目录 质量管理 数据源管理 数据对标 6 数据处理 数据提取 数据比对 数据标识 数据清洗 数据关联 数据分发 数据量大、多、杂 数据无关联，数据孤岛 方案构成 - 数据处理 数据处理 ：主要针对数据复杂多变、质量不齐、价值低、不可用的数据，通过数据融合、数据计算变成可用的数据资产。 数 据 资 产 数据复用性差 服务 打破数据壁垒，构建 统一数据实体， 实现组织内数据标准 的统一 9 1 ：搭建数据中台 2 ：完成“新基建 ”大数据基建 3 ：需要大数据分析 、 大数据研判 4 ：数据治理 、 数据处理 、 数据标准 化 5 ：数据汇聚 、 采集 、 接入 6 ：急需提升部门信息化水平 7 ：提供有价值的数据服务 …… 1 ：科技信息 （局 \ 处） 2 ：网络安全 （总队 \ 支队 \

.................................................... 13 11 数据处理与统计 ........................................................... 13 11.1 数据处理 ........................................................... 草原生态价值评估技术规范 LY/T 2899-2017 湿地生态系统服务评估规范 LY/T 2794-2017 红树林湿地健康评价技术规程 LY/T 1957-2011 国家森林资源连续清查数据处理统计规范 LY/T 1954-2011 森林资源调查卫星遥感影像图制作技术规程 TD/T 1055-2019 第三次全国国土调查技术规程 NY/T 1579-2007 天然草原等级评定技术规范 （3）经审核工程建设项目使用的林地草地湿地，应参照审核审批资料对管理类型进行 更新。 经数据更新后形成统一时点的森林草原湿地荒漠调查监测数据库，属性结构见附录 C。 11 数据处理与统计 11.1 数据处理 数据处理内容包括： （1）森林资源样地。对样地、样木调查因子进行预处理，包括立木材积、生物量和碳 储量的计算，生长量和消耗量的计算，目测样地、跨角样地的处理等。具体执行 LY/T

领域级 本地 n n n n n 数据采集 拿 拿 目标： • 从烟囱式多个平台向融合大数据平台，建立统一的数据采集 与整合大数据处理、计算及数据服务能力，降低大数据使用成 本 • 通过集中各领域数据，方便创新，让数据产生更大价值 • 大中台、小前台，前台特种兵敏捷作战单元 + 中台航母舰群 实时机器学习、深度学习，增强实时数据分析 能力 • SQL 中调用各种机器学习算法和深度学习框架， 降低 AI 能力使用门槛 • 使用 SQL 进行图片识别，快 速完成非结构化数据处理 AI 能力与 SQL 融合，懂 SQL 就可以开发 AI 业务 行业算子 行业指标 行业指标计算流 基于数据分析结果优化设计、 生产、经营 零售 政府 汽车 变现 数据 -> 资产 -> 价值，成本中 心向利润中心转变 效率 行业模板 + 全流程可视，快速 构建数据价值链条 智能 +AI 智能融合数据处理，数据 统 一管理 融合 全域数据打通，再无数据孤岛 华为云智能数据运营平台价值 华为云 智能，见未来

感知、计算、智能等多项网络功能，引入通信感知一体化、超大规 模 MIMO、去蜂窝网络（cell-free）、基于大模型的网络与空口、数 字孪生网络等新技术，在大规模信号处理、大规模网络优化、大模 型训练推理和网络大数据处理等方面，面临巨大的算法与算力挑战， 如图 3 所示，是典型的高算力需求行业。 图 3 移动网络发展面临的算力挑战 在信号处理方面，去蜂窝网络和超大规模 MIMO 面临高维 MIMO 源，达到保障用户优先级、降低干扰，提升吞吐量等关键系统性能 指标。这是典型的组合优化难题，属于非多项式级复杂度（一般为 指数级），求解最优解将超越经典计算能力。 在人工智能方面，虽然机器学习的引入为移动网络数据处理与 智能化提供了新的解决方案，但大模型的训练与推理成为移动网络 新的算力需求来源。网络智能化任务主要涉及网络状态的预测、异 常检测和网络优化决策等。广义的网络状态预测包括网络流量预测、 用 大模型，以适应更多场景。但 AI 大模型 的引入带来了极大的模型训练与推理资源开销。 在数据处理方面，通感算智融合的移动网络无论网络内数据还 是网外数据都将爆炸式增长，包括网络状态数据、基站侧数据、用 户侧数据、信令数据、运维数据、专家经验数据等结构化与非结构 化数据。高效的网络运营，离不开高效的大数据处理与支持。网络 大数据处理包括数据清洗与集成、数据降维、数据特征提取、知识 提取等，这些通常基于统计类模型或神经网络类模型来实现。海量

件平台等基础技术的自主创新，同时完善与创新发展相适应的科学监管方式，制定相应的分类分级监管规则或者指 引。 政策解读 该政策旨在，强调了数据安全与隐私保护的重要性，要求企业加强个人信息保护，确保数据处理活动合法合规。对于依赖AI技术进行图像识别和行为分析的安防摄像 头而言，这意味着更高的技术门槛和运营成本。 政策性质 规范类政策 政策名称 《关于促进智慧城市健康发展的指 导意见》 颁布主体 经营范围 许可项目：Ⅱ、Ⅲ类射线装置生产；Ⅱ、Ⅲ类射线装置销 售；放射性同位素生产(除正电子发射计算机断层扫描用放射 性药物)；Ⅱ、Ⅲ、Ⅳ、Ⅴ类放射源销售；建设工程施工；第 二类增值电信业务；在线数据处理与交易处理业务（经营类 电子商务）；互联网信息服务；通用航空服务(依法须经批准 的项目，经相关部门批准后方可开展经营活动，具体经营项 目以审批结果为准)。一般项目：数字视频监控系统制造；数 电桩销售；技术服务、技术开发、技术咨询、技术交流、技 术转让、技术推广；软件开发；网络与信息安全软件开发； 信息系统集成服务；计算机系统服务；物联网技术研发；物 联网技术服务；物联网应用服务；大数据服务；数据处理和 存储支持服务；安全系统监控服务；安全技术防范系统设计 施工服务；电子、机械设备维护（不含特种设备）；通用设 备修理；集中式快速充电站；停车场服务；数字文化创意内 容应用服务；健康咨询服务（不含诊疗服务）；环境保护监

竞争格局，推动建筑业迈向智 能化新阶段。 四、物联网（IoT） （一）技术内容概述 物联网（Internet of Things，简称 IoT）技术是一种通过传感设备、通信 网络和数据处理平台，实现物理世界与数字世界深度融合的新一代信息技术。 其核心理念是将各种物理对象通过嵌入式传感器、控制器和通信模块连接到互 联网，实现信息的感知、传输、处理和应用。在建筑业中，物联网构建了建筑 大地提高数据采集与处理效率。对于岩土工程调查、测试与取样环节，智能钻 机可实时采集钻头温度、转速、压力等核心信息，并与勘察数据管理平台实现 实时连接，从而建立起完整、可追溯的数据链。 其次，勘察数据处理与应用层面，数字勘察注重对采集数据的深层次分析 与利用。通过构建岩土工程信息模型，可以将现场采集到的地质、土质、水文、 地形等原始数据进行可视化、参数化建模。这种基于数字模型的分析方法，不 在当前建筑业数字化转型的浪潮中，BIM（Building Information Modeling，建筑 信息模型）作为信息整合与管理的核心工具，正与大数据和人工智能技术深度融合， 从而显著提升建筑工程领域的数据处理效率和决策水平。通过将 BIM 模型中的几何信 息、构件属性以及施工进度等信息与海量项目经验数据相匹配，数据分析工具能快速 识别项目风险、优化资源配置并预测关键施工节点的可能变动。在此过程中，基于深

产业联盟，运营商协调产学研等多方力量，共同培育产业生 态。同时，运营商深入理解重点行业的低空经济需求，提供定制化解决方案，从而丰富低空经济的应用场景。 应对建议 高精度探测感知和高效数据处理：低空经济的新业务需求推动了通感一体网络的建设。这种网络不仅提供通信服务， 还具备感知能力，以实现3D立体覆盖与感知。基础网络，如基站升级融合通信和感知服务能力，满足无人机高速飞行 和跨基站运 自智网络发展趋势 2.6 趋势6 数智融合促进数据要素和数据基础设施发展 洞察分析 大数据和人工智能的融合正在形成多方位深度发展趋势，通过智能化手段提升数据的处理、分析和应用能力。这种融 合不仅优化了数据处理流程，还增强了数据的洞察力和决策支持能力。 Gartner预测，到2026年，未能利用GenAl的数据管理工具提供商每年的营收将减少10%，GenAI每年将使人工密集 型数据管理成本减少20%，同时新用例将增加三倍。 价值释放。 数智融合正成为推动产业升级、科技创新和社会发展的关键力量，成为智能化升级、生产方式变革、科技创新数字化转 型以及一站式大数据平台发展的驱动力。 运营商凭借其庞大的数据资源和先进的数据处理基础设施，能够精准把握数智融合的趋势，从而有效提升网络的智能 化水平，进而推动业务创新和效率的显著提升。 应对建议 推动“AI+”生态共建：运营商应坚持开放合作、互利共赢，完善功能互补、良性互动、协同攻关、开放共享的新型合