月：标准化与尘埃落定 NIST 发布了基于 Kyber[12] (ML-KEM)、 Dilithium[13] (ML-DSA) 和 SPHINCS+[14] (SLH-DSA) 的标准草案（FIPS 203, 204, 205）， 并向公众征求最终反馈。在解决所有技术细节和反馈意见后，2024 年 8 月 13 日， NIST 正式发布了这三份标准的最终版本。这标志着这场历时近八年的全球密码学竞赛， 终于取得了里程碑式的成果，为全球的 TLS 密钥交换）的首选。 通用数字签名：ML-DSA[13]（基于 CRYSTALS-Dilithium 算法）同样基于格密码， 因其良好的性能和安全性而被选为通用的数字签名标准，即 FIPS 204。 高保障数字签名：SLH-DSA[14]（基于 SPHINCS+算法）也被标准化为 FIPS 205。 它是一种无状态的哈希签名方案。虽然其签名尺寸较大、速度较慢，但其安全性仅依赖 全球抗量子迁移战略白皮书（2025） 以最具战略性 和成本效益的方式完成迁移的问题。 区域/机构 关键文件/事件 日期 关键里程碑/要求 对全球组织的意义 美国 (NIST) 首批 PQC 标准 发布 (FIPS 203, 204, 205) 2024 年 8 月 正式确定 ML-KEM, ML-DSA, SLH-DSA 为产品开发提供了 稳定、经过审查的 算法。 美国 (NIST) HQC 被选为 KEM

· · · · · · · · · · · · · · · · · · · · · 177 180 182 185 187 190 194 198 201 204 206 210 213 215 218 221 1 引言 在当今数字化、智能化的时代浪潮中，信息技术的快速发展和广泛应用正在重塑人们的 生活与工作 实况窗：航班详情、打车动态实时展示，用户获取信息触手可及。 ⚫ 统一分享：利用系统分享能力，快速将航班信息分享到人、设备或应用，精准高效 分享，自定义内容格式，体验更流畅。 204 7.10 住宿旅游 ◼ 应用架构 HarmonyOS 为出行旅游垂域开发者提供了端到端的开发组件和技术能力，包括底层的 Webview，基础网络能力、安全能力，基础业务所需要的账号、监控服务，并且完成了常

56 62 762 973 762 973 57 64 819 1,037 819 1,037 55 84 874 1,121 874 1,121 54 83 928 1,204 2023 2024E 2025E 2026E 2027E 2028E 供需变化情况 短期内，大模型训练需求激增成为算力中心行业变革的主要驱动力，推动行业供给侧转型升级进而有效改善行业 供需格

... 203 （七）数智产业生态体系将更加完善 ....................................................................... 204 五、挂图作战：数智产业图谱 .................................................................................. 用”全生命周期各环节的全过程安全，成为数据要素化发展 新阶段安全保障的主要特点。 图 77：数据安全将全过程动态化保障 （六）国家数据基础设施将建成运营 20 世纪 90 年代初，伴随着全球互联网的快速普及，在 204 传统的物理空间之外，人类创新发展出一个新型的网络空间。 随后 30 多年，网络空间逐步演化为计算空间和数据空间，基 础设施形态也从物理基础设施演化为新型基础设施，而在信 息化、数字

Rapier [202] 联合优化流调度与路由。 • 分布式 CoFlow 调度：香港科技大学提出 Optas [203]，通过赋 予小任务最高优先级有效降低开销并优化小任务完成时间。D- CAS [204] 提出近似比为 2 的分布式调度算法。 • 信息未知的 CoFlow 调度：Berkeley 大学提出的 Aalo [205] 基于 已发送大小决定流的优先级，近似实现服务最短优先。 计算感知的 性能良好，但其高昂的中心化控制开销（如毫秒级的消息批处理间隔）使得无法有效 处理小型 CoFlow（如 ≤1 MB 的数据）。为解决这一问题，分布式 CoFlow 调度工作被大量提出 [203, 204]。 分布式的 CoFlow 调度机制以每个节点上的局部任务信息为基础，采用小任务优先传输等规则来决定任 务的优先级。分布式任务感知调度机制的优势在于开销低、响应速度快。但由于调度策略通常较为简单 2016-The 35th Annual IEEE International Conference on Computer Communications, pages 1–9. IEEE, 2016. [204] Shouxi Luo, Hongfang Yu, Yangming Zhao, et al. Towards practical and near-optimal coflow scheduling

al. Deep learning and process understanding for data-driven Earth system science. Nature 566, 195-204 (2019). 8. Gettelman, A. et al. The future of Earth system prediction: Advances in model-data fusion