2020 年物联网设备超过非物联网设备 │ ©202 四维纵 横 Confidential 1 什么是时序数据 • 时序数据是时间序列数据，即带有时间戳的数据序列。这个序列中的—个数据也成为数据点 （ data point ）， —个数据点通常是—个（ timestamp ， value ）对。 t i m e s e r i e s (tsN,vN) │ ©202 四维纵横 Confidential 1 什么是时序数据 • 可以有很多时间序列，每个时间序列有自己的节奏。 timeseries1 (ts1,v1) (ts2 (ts1,v1) (ts2,v2) (ts3,v3) (ts1,v1) (ts2,v2) (ts3,v3) 什么是时序数据 • 时间序列都是 (ts,val) 序列，那么如何区分不同的时间线？不同时间线会有不同的静态属性，通过静 态属性可以区分时间线。 . . (tsN,vN) (tsK,vK) Confidential

4、职能序列 结构⼯资制 80％ 20％ — － √ √ － ⻣⼲层福利 5、销售序列 效益提成⼯资 55% — 45% — — √ — ⻣⼲层福利 B业 务板 块 1、⾼层管理 股权激励 √ － － － － － √ ⾼层福利 2、中层管理 年薪制 60% 40% － — — √ － 中层福利 3、销售序列 效益提成⼯资 50% — 50% — — √ — ⻣⼲层福利 4、技术序列 结构⼯资制 结构⼯资制 80％ 20％ — — √ √ — ⻣⼲层福利 5、职能序列 结构⼯资制 80％ 20％ — － － √ － 基层福利 某企业岗位类型与薪酬结构表 示意 最终形成⼀套外具竞争⼒、内具公平性的薪酬体系，通过绩效与 薪酬的挂钩，短期和⻓期激励相结合来充分调动员⼯⼯作积极性 公平性  进⾏岗位价值评估，确定各 岗位在公司中的相对价值  以岗位价值，确定各岗位的 薪酬⽔平  ⼈才队伍。 •打造员⼯和企业共同发展平台：通过打造员⼯和公司共同发展的平台，满⾜员⼯ ⻓期发展“实现⾃身价值”的需要，实现公司和员⼯共同成⻓的同时实现公司价值； •职业⽣涯规划：建⽴专业序列、营销序列、技术序列等任职资格管理体系，明确 “员⼯职业⽣涯规划”，找出员⼯⾃身能⼒的优势和不⾜，为关键岗位员⼯指明职业 发展的⽅向。 •薪酬管理：进⼀步完善员⼯的薪酬和福利待遇，形成较为完善的薪酬体系；

车辆实验所 常规供应商 研发数据 物流公司 经销商 整车装配线 整车存放场 销售公司 发动机工厂 生产计划解决方案 生产排单解决方案 生产报工解决方案 生产配送解决方案 生产 VIN/ 序列号解决方案 成本标准定额解决方案、成本核算与差异解决方案、研发费用专项核算解决方案 XX 行业化需求与方案：需要端到端的业务价值链管理应用（最佳业务实践） 销售预测、订单确认解决方案 实物配送 接收销售计划 PMC/ 报表 SAP 与 MES 的整合集成： 一期对接条码与车间平台，二期规划完整对 接 装配 零件 线中检 人员效率、 UPPH 等报表 发动机等关 重件序列号 强关联 总装上线 整车 VIN 生成 产品不良记录 产品维修记录 产品基本信息 FTT 缺陷统计报表 计划报表 质量报表 生产报表 缺陷 TOPN PMC 产线看板 PMC ，执行可用性 检查 ，管理生产周期及交付信息 > 跟踪销售订单全生产流程的进程状态 ，订单中各车型可 按车架号查询 BOM 及所生产的详细订单信息 > 销售发货管理计划交货日期的确定、序列号以及产品的 拣配及发运 ，并支持多个销售订单的合并发货 > 销售发票管理实现及时发票 / 周期性发票 ，并提供待开 发票清单 > 订单执行、售后服务等业务与 CRM 的全方位集成

的增大，参数空 间呈指数增长 神经语言模型 （ NLM ） Seq2Seq 建模 基于循环神经网络 RNN 描述 单 词序列的概率 • 优点：通过词嵌入和隐 藏层，上下文捕捉和泛 化能力较强； • 缺点：计算复杂度高， 面对长文本序列仍会有 “灾难性遗忘”问题 基于 Transformer 架构的语言模型 • 优点： 长距离依赖处理能力强：自注意力机制能捕捉任 注意力 Attention 自注意力机制：使序列中的每个单词都能 “关注 ”其他单词 ，包括自己 在内 ， 以更好地理解上下文。（通过计算输入序列中每个位置与其他位置之间 的注意力权重 ，得到加权的位置向量作为输出） 多头注意力机制：多个独立计算的自注意力机制 ，将相同的输入映射到 不同的空间中进行上下文理解 ，使得模型获得了对输入序列有更细致透视 ， 丰 富了其表示 ，带有多样化的上下文信息。 ，没有考 虑 词 的 排 序 和 位 置信 息 ， 所 以 通 过 positional encoding 来 衡 量 word 位置信息 前馈网络 Feed Forward 捕捉序列中元素之间复杂关系的多功能组件。通过使用线性变换和非线性激活 函数，前馈网络使模型能够处理复杂语义，促进文本的稳健理解和生成。 Google (2017): Attention is all

计划统一：建立集中式的生产计划和物料控制管理系统，统一计划作业方法，优化计划作业流程， 解放计划员繁重的重复劳动，工作重心转移到计划调度与物料控制等有价值的工作方向、 u 账物统一：建立系统级物料批次及产品序列号管理，优化仓库管理，实现库存账物清晰。 u 制程统一：建立制造过程管理系统，细化生产过程管控，建立产品生产全过程追溯系统，实现生 产精细化管理需求。 u 成本统一：建立精细化的成本核算体系， 号 + 序列号管理。 No. 订单号 / 需求分类号 /LOT+SN No. 订单号 /LOT 批号 铸件毛坯计划及物料管理策略： 可销售，按订单生产。做为半成品时，以成品订单做为 需求来源进行计划跟踪。物料采用批次管理，以生产日期 + 产 品编码做为批次号和批次追溯依据，需要按批次跟踪生产进度。 模具管理及计划策略： 模具库存管理按批次 + 序列号管理。使用计划基于订单需 半成品周转架 生成周转卡二维码 记录架上产品信息 上线扫码 增加RFID标签赋值 下线读RFID标签 获取产品序列号 收回RFID卡，换成二维码标签 包装 扫产品二维码标签 生成外包装二维码 气密性检测 扫二维码记录报工 一工程（车一面） 车轮打点阵二维码及 产品码+序列号 二工程（车二面） 扫二维码报工 三工程（打孔） 扫二维码报工 三坐标检测 扫二维码记录报工 动平衡检测

解决账实不符和仓库作业不规范等基础问题。 WMS3.0 （智能 化） 电子货架、堆垛机、输送机、 AGV…… OMS 、 TMS 、 BMS 、 OA…… WMS1.0+ （精细化） 通过批次、序列号以及包装管理，实现执行 过程的动态监控和信息追溯，细化管理精度。 仓储 条码 U8+WMS 项目化集成 营销 制造 采购 金融 财务 人力 协同 平台 营销策略 不怕做大 富勒 WMS 支持集成应用，也支持独立应用。 营销 制造 采购 金融 财务 人力 协同 平台 入库上架 拣货发运 盘点查询 装箱移库 条码规则 条码解析 标签设计 条码生成 标签打印 供应链业务接口 生产业务接口 序列号管理接口 批号及效期管理 仓储 作业管理 条码管理 业务接口 全面基于 Android 的手持端系统 支持 WIFI 和 4G 环境下操作使用 WMS1.0--U8+ 仓储条码 营销 0105; 批号： 20180816 ；数量： 180 • 规则配置： U8 中选中 WMS 条码管理，弹出框功能菜单选择条码规则，在规则明细中设置编码、名称、类型（普通码，序列号， 件码，箱码，托码，批次码），如规则定长则需填写长度及每个数据源字段长度，完成后保存； 营销 制造 采购 金融 财务 人力 协同 平台 条码管理平台介绍 营销 制造 采购 金融 财务 人力

神经语言模型 （NLM） 预训练语言模 型（PLM） 大语言模型 （LLM） Seq2Seq建模 基于循环神经网络RNN描述单 词序列的概率 • 优点：通过词嵌入和隐 藏层，上下文捕捉和泛 化能力较强； • 缺点：计算复杂度高， 面对长文本序列仍会有 “灾难性遗忘”问题 基于文本概率分布建模 通常基于马尔可夫假设建立词 预测模型（N-gram） • 优点：可解释、计算速 度快 大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研 浙江大学人工智能教 浙 编码器Encoder 处理输入序列 解码器 Decoder 生成输出序列 Google (2017): Attention is all you need 嵌入层Embedding Word Embedding: 目的是将这些非结构化的文本信息转化为结构化 自注意力机制：使序列中的每个单词都能“关注”其他单词，包括自己 在内，以更好地理解上下文。（通过计算输入序列中每个位置与其他位置之间 的注意力权重，得到加权的位置向量作为输出） 多头注意力机制：多个独立计算的自注意力机制，将相同的输入映射到 不同的空间中进行上下文理解，使得模型获得了对输入序列有更细致透视，丰 富了其表示，带有多样化的上下文信息。 前馈网络Feed Forward 捕捉序列中元素之

period/2，波形二的近距离盲区边界和最大不模 糊探测范围分别为 cτ2 pulse/2 和 cτ2 period/2。需要指出的是，这里假设波形一中各个脉冲的调 制序列是相同的、脉冲二中各个脉冲的调制序列也是相同的，这也是雷达技术中通常采用的 设计。如果能够通过调制序列区分同一种波形内的各个脉冲，则能够增大最大不模糊距离。 为了实现一定距离范围内的连续覆盖，波形二的最大不模糊测量范围需要小于或等于波形一 的近距离盲区边界，从而要求τ2 PRACH（物理随机接入信道）机制实现随机接入。由于缺乏足够 的正交前导序列，其对于大规模接入而言是不可扩展的。一方面，PRACH 机制是经典 ALOHA 的一个变种，它对被允许接入网络的活跃终端数量施加了限制。另一方面，相对于 终端数目的海量特性，相干时频块大小有限仅能支持少量的正交前导序列，每一终端从相同 的序列集合中随机选择一个序列来执行接入，不可避免地导致严重的序列碰撞和无法忍受的 接入时延。随着传输-冲突- 信令交互急剧增加，信令风 暴开销远超机器类型终端所要发送的有效数据载荷。例如，在 PRACH 的四步过程中，只有 64 个长度为 863 的 Zadoff-Chu (ZC) 序列可用。前导序列的随机分配，不仅引发序列冲突 导致性能下降（在步骤 1)，而且需要一个额外但必须的步骤（步骤 3）用于向基站（BS） 报告显性的用户 ID。因此，对于随机接入 6G 需要一个可扩展的设计方案。所需的时频资

保真度 超过纠错平衡点门限 注：1、量子 TSMixer 所需量子比特数≥ log4(输出特征维度)，其中 输出特征维度在三个不同的 mixer 模块中分别代表 patch 数量（单个 输入时间序列的切片数量），d_model（模型的隐藏维度，该值越大 模型越复杂）以及输入数据信道数量。 3.部署需求 移动网络的算力需求主要分布在核心网、接入网、基站，以及 运维平台。集中化无线运维平台通常为全国或省级规模，部署在数 质量。 这里给出一个输入序列长度为 512，预测序列长度为 96 的量子 TSMixer 模型性能评测案例，如表 10 所示。 表 10 用于网络流量预测的量子 Tsmixer 模型性能测试例 测试场景 网络流量预测 测试对象 量子 TSMixer 模型 测试环境 模拟环境（经典服务器）+真机环境 问题规模 输入序列长度为 512，预测序列长度为 96 性能指标 源配置，保障网络服务质量。这里给出一个输入序列长度为 96，预 测序列长度为 48 的量子 TTM 模型性能评测案例，如表 11 所示。 表 11 用于无线时空性能预测量子 TTM 模型性能测试例 测试场景 网络流量预测 测试对象 量子 TTM 模型 测试环境 模拟环境（经典服务器）+真机环境 问题规模 输入序列长度为 96，预测序列长度为 48 性能指标 模型预测精度（与经典模型对比）

遍历目录 命令执行 SQ L注入 恶意A ttach 线程注入 恶意反射 恶意Beans 模版注入 任意文件包含 表达式注入 JN I注入 JN D I注入 恶意D N S查询 恶意类加载 反序列化攻击 SSRF XXE XSS ⋯ ⋯ 500+ PoC拦截率 100% CPU占用 <1% 内存占用 <40M 部署方式：无需对代码进行任何修改，只需在主机或容器环境中部署RASP 远程命令执行 •Shiro 反序列化 Web安全 •用户名枚举 •用户密码枚举 •用户弱口令 •会话标志固定攻击 •平行越权 •垂直越权 •业务篡改 •未授权访问 •验证码缺陷 •重放攻击 •访问控制 业务逻辑安全 •中间件配置缺陷 •中间件弱口令 •Weblogic 反序列化命令 执行 •JBoss 反序列化命令执 行 •Websphere 反序列化命 令执行 •JBoss