华为算力基础设施安全技术白皮书 ——端管云协同 Huawei Computing Infrastructure Security Technical White Paper (HCIST) ——From Device-Pipe-Cloud Perspective 文档版本 V1.0 发布日期 2025-09-18 华为技术有限公司 版权所有 作的底层逻辑的同时，也对全球数字化转型进程带来巨大影响。“算力+数据+网络联接”已经成为 全球企业在数字化转型中的核心关注点。过去 24 个月里，全球 GPU 出货量激增，AI 训练集群规 模已从万卡集群迈向十万卡集群，算力基础设施建设正以“摩尔定律×云速度”快速扩张。 在算力成为企业数字化时代第一生产力的同时，算力已经成为网络攻击者的首要目标之一。 算力一旦被降速或污染，会直接引发业务停摆；而针对算力集群的入侵，则可能导致 被篡改、金融交易被延迟、制造执行系统乱序等一系列后果。“算力基础设施”作为数字化核心生产 系统，已经被纳入到关键信息资产进行管理。以审计为例，数字化运营企业的审计已经从财务领 域扩展到“全面风险管理”，审计既要通过经营数据看企业“做了什么”，也要关注计算完整性以保证 这些经营结果的“真实可信”，目前部分国家监管机构会把“系统算法、参数、日志的完整性与可追 溯性”列为必审内容。企业在算力基础设施上的合规治理能力将会直接反映在企业的股价、日常保

中国建筑业信息化发展报告（2025） 新质生产力赋能好房子建设应用 2025年5月·北京 《中国建筑业信息化发展报告（2025） 新质生产力赋能好房子建设应用》编委会 主编 ： 吴旭彦 张光明 副主编 ： 郭仁忠 于 静 马智亮 袁正刚 刘 谦 刘 刚 孙璟璐 康 颖 宋银灏 编写组成员 ：（按姓氏拼音排序） 板佳茹 蔡 敬 蔡咏曾 强调，发展新质生产力是推动高质量发展的内在 要求和重要着力点，必须继续做好创新这篇大文章，推动新质生产力加快发展。国家统计局发布 2024 年国民经济和社会发展统计公报，2024 年全年建筑业增加值 89949 亿元，比上年增长 3.8%。 建筑业作为国民经济的支柱型产业，是产业现代化的重要组成部分，数字技术就是建筑业新质生 产力的重要体现。 在此背景下，发展新质生产力成为建筑业转型升级的关键路径，其核心在于以数字技术驱动 本报告集结了行业专家观点、企业实践案例及技术应用成果，汇集了建筑业多个领域的创新 实践与前沿探索，系统呈现了智能建造、精益管理、绿色低碳、成本管控等核心议题，阐述了建 筑业如何通过数字化转型培育新质生产力，为“好房子”建设提供理论支撑和实践指导，助力行 业高质量发展。 前言 PREFACE 全面覆盖，聚焦行业痛点。报告涵盖设计、施工、运维全生命周期，深入剖析建筑业在数字化、 智能化、绿色化

举措和可行路径。根据斯坦福大学《2025 年人工智能指数报告》，越来越多的研究证实了 AI 对生产力的积极影响，在特定任务上 AI 已经能 与人类专业知识相匹配， 同时具有更高的效率。根据 Gartner 的预测，到 2028 年，AI 技术将自动 化至少 15%的日常决策，大幅提升企业生产力，降低运营成本。通过 AI 技术与城市数字孪生场景 结合，以时空为“ ” 索引 对多源异构数据进行时空化治理和融合，并借助知识工程和 为核心，融合联 接、计算、云、区块链等新一代信息技术，构建从感知智能到认知智能的全新技术体系，直接通过 由 AI 驱动的、具备对话能力的、多模态的智能体界面与之互动，打造数据驱动、具有深度学习能 力的城市级一体化智能协同体系，将推动城市走向更高效、更可持续、更有温度的新时代。 人工智能技术将重塑城市发展模式，带领人类进入智慧城市新阶段。报告 “ 提出 AI CITY ”是 AI 原生的智慧 1234MNX” “ 参考架构具有可落地性，值得学界和业界借鉴参考。相信亦希望通过 AI CITY”的探索实 践，汇聚产业链各环节、各方的力量，通过感知、决策、执行等形成全面智能合力，构建具有竞争 力的 AI CITY 生态体系。 深圳大学智慧城市研究院院长、教授 目录 CONTENTS 1 战略形势 1.1“ 人工智能 +”成为新时期经济社会发展的战略指引 ............

科学性、精准性、 安全性支持， 为 新阶 段水利高质量发展提供有力支撑和强 力驱 动。数字孪生水利体系主要由数字孪 生流 域、数字孪生水网、数字孪生水利工 程、 业务应用， 以及网络安全体系和保障 体系构成。 三 目标任务— 目标 数字孪生水利体系结构 算 力 ( 二 ) 建设目标 至 “十四五”末期， 建成七大江河数字孪生流域； 项业 务智能应用水平大幅提升； 数据共享和网络安全防护能力明显增强； 为新阶段水利高质量发展提供有力支撑 和强力驱动。 三 目标任务— 目标 新建 升级改造 算 法 算 据 ( 三 ) 数字孪生流域 按照 “突出重点 、 急 用先建”的原则进行建设 ， “十四五”期间主要建设： 长江 、 黄河 、 淮河、 实施路径 第一部分 把 握 数 字 孪 生 水 利 建 设 的 目 标 任 务 第二部分 把握数字孪生水利建设的重点与难点 目 录 一 技术方面的难点 二 管理方面的难点 算据 算力 算法 业务应用 网络安全 标准 工作协调 资金投入 人才培养 应对思路 通过数字孪生水利建设牵引、 倒逼物理监测， 主要是构建天空地一体 化感知网， 支撑数字孪生流域与物理流域交互的精准性、

驾 算法、算力、算据三个要素在数字孪生中缺一不可的，如果没有合适的算法，则理论上就不能解决问题； 而如果没有大量的算据，则无法训练整个神经网络；如果没有高性能的算力，则这个训练过程将会极度 缓慢或无法进行。 P8 算力支撑 CPU GPU TPU 分布式计算 云服务计算 数据算法运行资源 模型算法开发资源 数据分析引擎 分布式算据调整 算据异构数据存储 算据异构数据存储 算力资源调度平台 数据采集 数据管理 数据共享 智能建模 数据可视化 算据基础 工程基础数据 物联网监测数据 业务管理数据 跨行业共享数据 企业级数据 数字孪生三要素 GISTC 算 据 金面面眼 质量检评规果数据 工地安全贴据 水惰湘报系蜕 课 重 安 eeC 数字孪生四预目标 期 上游围 2# 路 业 √ 孟底沟水电站孪生体建设 01. 设计孪生体构建 —— · 三维正向设计模型为核心 · 卫星正射影像成果为基础 ·UE 虚拟引擎为载体 02. 孪生体算据融合 · 工程基础数据 · 物联网监测数据 · 业务管理数据 P13 数字孪生孟底沟 GISTC UNREAL ENGINE 数字孪生孟底沟 √ 孟底沟水电站导流洞孪生进度管理 孟底沟水电站朗期工程数字挛生平台

Specification》（适航安全流程规范），是航空领域首个针对 机载系统安全的权威标准集。 1.3.人工智能推动低空应用落地 在低空应用领域，AI 通过技术创新重构数据链与决策链，成为核心驱动 力。数据采集环节，智能终端搭载多模态传感器实现全域动态感知，构建低 4 空环境数字孪生模型，为精细化管理提供数据基底。算法层面，轻量化模型 与边缘计算结合实现实时目标识别，低空定位和路径规划技术解决复杂环境 模型内部逻辑。例如针对低空无人 机调度模型，攻击者获取算法结构后，可注入恶意指令，导致飞行器航线混 乱、碰撞或泄露敏感飞行数据；通过攻击公共服务接口，还可能窃取模型知 识产权，影响企业核心竞争力与行业健康发展。 （5）城市模型低空域算法对抗样本攻击风险 随着智慧城市低空域中 AI 模型的广泛部署，模型面临的对抗样本攻击风 险日益突出。攻击者可通过在输入数据中注入细微扰动，误导 AI 模型输出错 影响城市物资供应与应急响应能力。 3.1.4.智慧城市低空应用 AI 平台风险 （1）智慧城市低空域算力恶意消耗风险 外部攻击者通过自动化脚本发起大量无效飞行模拟计算请求，抢占 AI 平 台算力资源，使正常的飞行器调度、航线规划任务无法及时处理；内部人员 因任务分配不当、无节制占用算力进行非必要模型训练，也会导致关键业务 响应延迟，影响低空域服务效率与安全性。 （2）智慧城市低空域供应链安全性风险

3. 2013 2005 1995 9 1.0 数字城市 2.0 无线城市 4.0 认知智慧城市 I 算法框架 选用开源框架在核心 技术上受到限制 集中建设智慧算力 ，汇聚数据 统一对外提供 AI 能力 ， 大步实现产业升级 ， 是最高效的 方式 背景介绍｜制约 AI+ 智慧城市发展的问 题 计算能力 场景驱动 限制城市发展人工智能技术水平的四大因素 建设方案｜建设目标 法不断升级迭代的的增量训练系统 建设能够对特殊场景定制设计、对算 建设一套可多维度对汇入视频数 据进行解析的应用支撑系统 视频资源是数字政府建设 最重要的资源 ， 也是占比 最大的数据资源 。 人工智能的智能视觉 系统是智慧城市平台 层的核心板块 建设方案｜总体设计 超级算力 ， 保证人工 智 能技术走向更多应用 标 准 规 范 保 障 网 头盔识别算法 工地口泥土覆 盖算法 在岗情况感知 算法 人脸识别算法 人员闯入算法 伞蓬违规占道 智能感知算法 人体识别算法 人员滞留算法 建筑材料堆放 不当算法 车辆结构化算 法 人行道违章停 车感知算法 共享单车摆放 检测算法 垃圾检测算法 人群聚集算法 工程车抛洒智 能感知算法 危险行为分析 非机动车结构 化算法 烟火智能感知 算法

......1 （二）实践突破：AI 浪潮引发算力需求快速膨胀.................................................. 2 （三）产业生态：国内 AI 大模型生态呈现井喷式发展......................................... 4 （四）经济动能：AI 赋能百行千业新质生产力加速形成.................... ........................75 I 相关名词解释 1.Transformer 架构：该架构是由 Google 团队于 2017 年提出的深 度学习模型，其核心采用自注意力机制（Self-Attention）替代传统循 环神经网络（RNN），通过并行化计算高效捕捉序列数据的全局依赖 关系，并基于编码器-解码器结构（Encoder-Decoder）实现特征提取 与生 模数据集中提取关键信息，生成一个更小但信息量高度浓缩的合成数 据集，使得用该数据集训练的模型能接近或达到使用完整数据训练的 效果。 4.MLA+MoE 架构：该架构是一种结合了记忆增强线性注意力机 制（Memory-Augmented Linear Attention，MLA） 和 混合专家系统 （Mixture of experts，MoE） 的神经网络架构，旨在提升模型的处理 效率

Turing 交通专家大模型解决 方 案 建设交管新质生产力 ， 重构智能应用新模式 2024 年 9 月 目 录 二、 解决方 案 三、 场景应 用 一、 现状背 景 CONTENTS 01 现状背景 大模型能力突破 大算力： 硬件快速发展， 使得训练更高参数量 、 更复 杂的大模型成为可能 大数据： 大量标注数据和交通实时数据， 为大模型提 供丰富的数据基础 大模型表现出更高的准确性 、 更强的泛化能 力和更复杂的任务处理能力 ● 语言能力： 具备自然语言理解与组织能力， 能 极 大 降低 人 与 机 器 的 沟 通成本 ● 思维能力： 具备多维度分析能力， 对交通数据 进 行更准确的分析 、 预测 、 模式识别等 ● 学习能力： 大模型可以根据历史和实时数据进 行 学习， 并能够持续优化交通能力 赋能新质生产力 小模型初具成效 物联网普及： 更多传感器设备被连接到网络， 每个模型都只能完成特定智能任务、处理特定 数据， 解决特定的智能问题 ● 高效压缩信息表达知识 ● 持续提高泛化能力 ● 可有对齐自然语言表达， 价值 、 行为规范等 ● 持续地充分利用有效算力 ● 多模态信息归一化 (token 化 ) ● 扩展任务领域和专业知识 交通大模型 人工处理多个复杂任务的协同 交通 元素 模型 a 事件 发现 模型 b 数据 补全 模型 i