1 2 1 3 1 4 1 6 1 6 1 8 1 9 20 2 1 23 25 26 26 27 28 主机现代化发展趋势 2.1.1 开放平台架构以“云 + 分布式应用”为主 2.1.2 主机现代化分三阶段实施落地 主机现代化三阶段实施路径技术诉求 2.2.1 云平台建设阶段关键诉求 2.2.2 应用和数据迁移阶段关键诉求 2.2.3 高可用性、高性能和高安全。然而，随着云 计算、虚拟化和分布式技术的快速发展，传统主机技术的局限性也逐渐显现，主要体现在以下五个方面： 1.2 传统主机面临的挑战 (1) 技术封闭制约创新效率 传统主机技术栈过于封闭，操作系统和专用硬件深度绑定，难以兼容 x86、ARM 等标准化芯片，这限制 了企业自主引入云计算的弹性资源调度和分布式技术的水平扩展能力，系统升级和功能迭代依赖原厂支持，流 程繁琐且周期长，难以及时响应业务变化（主机厂商硬件升级周期通常为 3~5 年），远滞后于业务对敏捷创 新的需求（如互联网业务的周级迭代）。此外，主机技术架构采用专属协议与接口，新应用或第三方工具难以 接入集成，与云平台、分布式数据库的集成需开发专用接口，集成成本高且易形成“技术孤岛”。 (2) 扩展性不足无法应对大规模业务挑战 传统主机技术栈主要依赖纵向扩展（Scale-up），通过增加处理器、内存和 I/O 通道来提升单机性

· · · · · · · · · · · 29 4 全方位运维分析 O9 全场景案例参考 1O 附录：术语 O8 O7 自由流转与分布式运行环境 1）价值与架构定义 · · · · · · · · · · · · · 2）跨端迁移 · · · · · · · · · · · · · · · · 3）多端协同 · · 新的场景同时也带来了新的挑战。开发者不仅需要支持更加多样化的设备，还需要支持 跨设备的协作。不同设备类型意味着不同的传感器能力、硬件能力、屏幕尺寸、操作系统和 开发语言，还意味着差异化的交互方式。同时跨设备协作也让开发者面临分布式开发带来的 各种复杂性，例如跨设备的网络通信、数据同步等。若采取传统开发模式，适配和管理工作 量将非常巨大。当前移动应用开发中遇到的主要挑战包括：  针对不同设备上的不同操作系统，重复开发，维护多套版本。 13 图 3-2：一次开发 多端部署 多端开发环境 HUAWEI DevEco Studio 是面向全场景多设备提供的一站式开发平台，支持多端双向 预览、分布式调优、分布式调试、多设备模拟、低代码可视化开发等能力，帮助开发者降低 成本、提升效率、提高质量。HUAWEI DevEco Studio 提供的核心能力如下图所示： 图 3-3：HUAWEI DevEco

高性能、分布式的物联网、工业大数据平台 本白皮书内容受版权法保护，未经公司或其许可人的书面许可，任何人不得将白皮书中的任何内容以任何方式进行复制、经销、 翻印、以超级链路连接或传送、存储于信息检索系统或者其他任何商业目的的使用。 版权申明 电力行业数字化转型 TDengine 驱动数据管理和实时监控解决方案 写在前面 � � 电力行业作为国家基础设施的基石，肩负着向全社 会供应持续、稳定电力的使命。电力系统的稳健运 化转型中的关键需求。这些需求不仅 限于技术层面的更新换代，还包括运营策略和管理方式的革新。正是这些需求，引导着电力 行业朝着更高效率和更智能化的未来发展。需求具体如下： 业务需求提炼 随着分布式新能源的大规模并网，电力行业产生的数据量呈井喷式增长。这不仅对数据存储 提出了高要求，也对数据实时处理和分析能力构成挑战。传统电网技术在全面、准确地建模 和管理数据方面力不从心，传统数据库更难以应对数据的高速增长和实时处理需求。 0 2 传统关系型数据库普遍适用于低频监控场景和电力一区 SCADA，但在分布式环境中，它们 却普遍面临性能和扩展能力不足的问题，特别是随着数据量的增加，查询速度会逐渐变慢， 且由于它们并非专为时序数据优化，在处理海量时序数据时读写性能较低。 传统关系库的局限 典型场景：低频监控场景、电力一区 SCADA 分布式环境中的性能和扩展性有限 数据量越大，查询越慢 不专为时序数据优化，海量时序数据读写性能低

难题，构建全局最优的资源编排范式，实现对异构算力集群的全维度精细化调度。针对异构 算力计算能力差距，面向大模型训练场景构建分布式并行策略组合、业务感知的非均质拆分 等能力，实现跨厂商算力的弹性按需调度；面向大模型推理场景，支持单机多卡异构分布式 推理和跨节点分布式异构推理等多种形式，适配模型推理不同阶段算力需求特性，精细化调 度实现异构算力降本增效；构建大模型训练和推理混合部署的调度底座，实现训推任务的动 化利用。 （2）拥塞控制：高效缓解密集型通信模式引发的瞬时拥塞，该技术依托细粒度拥塞控 制信号或主动拥塞控制机制，通过动态调整发送速率、提前分流热点流量等手段，显著降低 尾部延迟，保障大规模分布式训练的通信稳定性。 （3）GPUDirect：消除主机内存拷贝瓶颈，实现 GPU 与网络的深度耦合，其核心技术 为 GDR 支持网卡直接读写 GPU 显存的零拷贝方式，以及 GDA（GPUDirect 3.1 分布式训练框架 面向因大模型参数规模持续突破单机算力与存储极限而造成的分布式训练需求中模型 切分规格与异构算力能力需合理适配的难题，将庞大的训练任务智能拆分并协同调度到多种 异构算力上执行，需要分布式训练框架在现有基础上具备异构算力感知、模型任务适配和智 能调度等能力，以充分挖掘异构集群的计算潜力。 分布式训练框架主要围绕模型训练任务拆分与适配计算单元两个核心任务，主流分布式 16

................................................................................... 20 2.关于《东阳市支持分布式光伏和新型储能发展的实施意见》公开征求意见的公告..... 32 3. 中共浦江县委科技强县建设领导小组印发《关于浦江县支持氢能装备制造产业发展办 法（试行）》的通知.............. 驻马店市人民政府办公室关于印发驻马店市支持新型基础设施建设若干政策的通知82 2.焦作市人民政府办公室关于印发焦作市支持氢燃料电池汽车示范应用若干政策的通知88 3.马鞍山市发展和改革委关于公开征求《全面推进屋顶分布式光伏规模化开发实施方案 （修订征求意见稿）》 意见建议的公告.................................................................... 完善适应储能参与的电力市场运行调度机制，支持新片区储能项目参与 调峰调频、容量租赁等电力市场和调度运用。 16.探索储能领域体制机制创新试点 在工业负荷集中区域，利用用户周边土地配置储能设施，探索试点 分布式能源在同一配电区域内的电力用户就近交易。 在新片区非化工用地，结合新能源项目及升压站场址探索建设电解 水制氢示范项目。 三、保障措施 （一）加强组织领导 在本市能源主管部门的指导下，强化部门协作和上下联动，发挥新

系 市 场 规 模 交 易 品 种 零 售 市 场 ·2024年，交易电量6176亿千 瓦时，发电企业399家、电力用 户9.9万家，售电公司423家； ·新增集中式新能源、独立储能、 分布式光伏、抽蓄、10kV以下低 压工商业用户等市场主体。 ·2021年底，电网代理购电+绝对 价格中长期交易+现货结算连 续试运行； ·2023年12月28日，现货结算转 正式运行。 ·2021年，交易电量2951 广东电力市场建设发展情况 2016-2020 煤电、气电 2021 全体工商业用户 低压用户 核电 2022 新能源试点 2023 新型储能 2024 220kV及以上新能源 抽水蓄能 分布式光伏 图 2-3 市场经营主体类型不断丰富 售电公司背景多元，竞争充分。2016 年 3 月，广东在全国率先引入 售电公司参与市场化交易，为零售市场形成“多买多卖”格局迈出坚实一步。 随着市 电力用户全覆盖，创新推动分布式发电和居民用户参与绿电交易。2024 年参与绿电交易的分布式光伏 46 家，居民用户（自然人）4 家，成交电 量分别为 1.2 亿千瓦时和 2 万千瓦时。广东绿电市场有力服务了省内绿色 制造和对外贸易需求，促进了绿色电力消费和能源绿色低碳转型。 16 广东电力市场建设发展情况 陆上风电，8家 海上风电，2家 集中式光伏，74家 分布式光伏，46家 工商业用户，429家

的极限，推动智算中心从计算、存储到网络的全栈架构深度演进。在 这一浪潮中，智算中心不仅是国家科技战略的核心支撑，更是产业智 能化升级的关键基础设施。 随着 AI 模型参数量呈指数级增长，尤其是在大规模分布式并行训 练场景下，网络性能已成为制约智算中心整体效率的关键瓶颈。当前 普遍部署的纯电交换网络在互联规模、带宽密度、端到端时延与能效 比等方面逐渐逼近物理与经济的上限：算力芯片的通信需求远超传统 ............................... 40 3.4.2 智能预测与链路池化资源管理策略.............................41 3.5 物理层：分布式光交换与物理层优化................................... 45 4. 总结与展望.......................................... 通信，需依赖高速网 络结构实现。当前主流方案采用电交换芯片构建以太网或 IB 网络， 常见架构包括 Fat-Tree、Leaf-Spine、DCell、BCube。这些结构通过 多层交换机实现大规模互联，支撑分布式训练中的全互联需求。 图 1-1 智算中心网络与网络协议栈 无论采用机内互联还是采用机外互联，都要采用电交换芯片来做 网络流量交换。然而，随着模型规模和节点数的增加，电交换面临带 宽、延迟和能效的瓶颈。

（如：手机、平板等）上运行，其有两种形态： ⚫ 传 统 方 式 的 需 要 安 装 的 App ， 通 过 华 为 应 用 市 场 进 行 分 发 ， 可 以 基 于 HarmonyOS 分布式能力实现跨设备服务互通、应用接续等关键特征。 ⚫ 元服务是 HarmonyOS 提供的一种轻量应用程序形态，具备秒开直达，纯净清爽； 服务相伴，恰合时宜；即用即走，账号相随；一体两面，嵌入运行；鸿蒙智能，全 集成的性能调优、设备模拟、命令行工具和 SDK。 ⚫ 测试套件 包括测试标准和测试工具两个部分： ⚫ 标准测试：覆盖 HarmonyOS 生态应用性能、功耗、稳定性、兼容性、UX、安全、 分布式、游戏等测试规范，帮助开发者解决测什么的问题。 ⚫ 测试工具：提供 HarmonyOS 生态应用开发、调试、单元测试、集成测试、上架测 试等各开发阶段所需的测试工具集，支持手机、折叠屏、平板、智慧屏、手表、音 支持多维度分析，智能诊断问题并给出解决方案。 ⚫ OS 开放能力集 OS 开放能力集通过 SDK 的形式对开发者呈现，提供应用开发所需的一系列系统开 放能力，包括 UI 框架、Ability、分布式服务、安全、方舟编译器、应用服务、基础 软件服务、 系统服务等。 1.5 HarmonyOS 为开发者构建全栈场景化解决方案 HarmonyOS 提供了 90 多个 Kit，覆盖 30000

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 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汽车数 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。

材料在 应力作用下的相对变形，是评估结构安全性和预测失效的关键参数。MEMS 应变传感 器相比传统应变片具有更高的灵敏度、更好的温度稳定性、更易于集成等优势。同时， 光纤传感等新技术的发展为分布式、长距离应变监测提供了新的解决方案。 2.5 触觉传感技术 触觉传感是实现人机交互、虚拟现实、机器人智能的关键技术。人类的触觉系统能够 感知压力、振动、温度、纹理等多种信息，这种多模态感知能力是触觉传感器的发展 AIoT 产业链中最具创新活力和价值创造能力的环节，是将感知数据转 化为智能决策和行动的关键系统。随着人工智能技术特别是深度学习的突破性进展， 智能计算正在从云端向边缘扩散，形成了云边端协同的分布式智能架构。这种架构不 仅解决了传统集中式计算面临的延迟、带宽、隐私等挑战，更重要的是实现了智能的 泛在化部署，使得每一个物联网节点都可能成为智能决策的主体。 边缘计算的兴起标志着智能计算范式的 的特殊性使得专业 AI 模型仍然不可或缺。如何将通用大模型的能力与领域专业知识结 合，实现高效的迁移学习和领域适配，成为当前 AI 技术发展的重要方向。 智能板块的技术发展呈现出几个重要趋势。第一是智能的分布式部署，从云端智能向 边缘智能、端侧智能扩展，形成了多层次的智能计算体系。第二是软硬件的深度协同， 专用 AI 芯片、神经网络加速器、存算一体等硬件创新与模型压缩、量化、剪枝等软件 优化相结合，大幅提升了