浏览器查看文章） Similar articles recommended (Please use Firefox or IE to view the article) 拟态防御中基于ANP-BP的执行体异构性量化方法 ANP-BP Based Executive Heterogeneity Quantification Method in Mimicry Defense 计算机科学, 2024, 51(11A): 将移动目标防御当成欺骗防御的一部分;文献[４] 中则提出移动目标防御系统可以看作拟态防御系统的一个特 例,它通过一些拟态变换使系统具有动态性特征,但是并没有 应用异构冗余架构;文献[５]中也表达了相似的看法,即拟态 防御思想是将移动目标防御的思想与异构冗余执行体相结合 的产物.从上述研究中的观点可以看出,尽管３种主动防御 技术之间没有明确定义的从属关系,但它们之间却有着紧密 的联系. 现阶段,有关主动防御方面的综述性文章大多是针对单 态 现象,以动态异构冗余架构(DynamicHeterogeneousRedunＧ dancy,DHR)为技术核心,在不改变目标对象功能的前提下, 伪装服务功能外的其他行为,进而动态地改变其攻击面的主 动防御技术[２３Ｇ２５]. ４．２ 动态异构冗余架构 DHR 由输入代理、在线服务集、异构执行体集、异构组件 池、调度器和表决输出器６部分组成,如图４所示.基于异构 冗余原理,构建多套功能相同、结构不同的软硬件组合

智能影像网关平台 人工智能+医院管理 02 优化资源配置 弥补医院管理漏洞 人工智能+疾病诊断和预测 03 疾病的诊断 疾病的预测 心血管及肿瘤影像 人工智能+医学研究 04 病历结构化处理 多源异构数据挖掘 人工智能+医学影像，重点落地心血管及肿瘤影像 人工智能在医学影像领域目前的应用方向主要有三类，即疾病筛查、病灶勾画、脏器三维成像，涉及脑、眼睛、乳腺、食管、 肺、心脏等多个人体部位。 变量相关性 人工智能的切入主要是利用机器学习和 自然语言处理技术自动抓取病历中的临 床变量，融汇多源异构的医疗数据，结 构化病历、文献，最后生成标准化的数 据库。 人工智能+医学研究，医疗大数据标准化，真正实现“二次”利用 我们所关注的人工智能+医学研究重点应用产品是病历结构化处理及多源异构数据挖掘。 病历结构化处理 基于高质量的前结构化的专病数据平台, 超过90%的内容可以做 到结构化； 正实现“二次”利用 我们所关注的人工智能+医学研究重点应用产品是病历结构化处理及多源异构数据挖掘。 多源异构数据挖掘 我国医院同时运行着过百种医疗信息化系统，这些多源、异构的 系统彼此割裂，各类医疗数据处于孤岛状态，无法得到有效利用。 人工智能企业与医院合作，无须和原系统对接，利用大数据技术 完成多源异构数据的清洗、脱敏、结构化、标准化，使得医院能 够一统形成互联互通的医疗大数据平台。 数据接口输出

原有数据集成整合：数据标准 化处理， 异构数据源集成融合 2. 数据分布式管理：各自建设、 统一服务，各数据管理单位作为 分布式存储的一个节点，做好数 据的本地存储管理、汇交和共享， 接入平台； 3. 数据统一应用服务：核心数据 库通过国土空间基础信息平台统 一管理与调度 ； • 多源异构数据集成 • 空间数据高效存储 上云的咨询、评估、 迁 移、优化、运营运维，持续演进的规划设计能 力。 全栈云，为自然资源信息化提供集约化支撑环境 计算资源池 存储资源池 网络资源池 异构资源池 公有云资源池 AI 算法 AI 开发平台 数据湖运营 大数据分析 数据库 容器 企业云化转型咨询 数字化转型咨询服务 云中间件平台 云容器引擎 22 Huawei Confidential 多域协同决策 通用 AI 服务 基础平台服务 数据湖 - 智能化数据底座 异构计算平台（服务器、 Atlas 等） EI DevOps 全栈全场景 AI ，使能信息化智慧升 级 云端智能

三维立体，支撑自然资源管理和对外服务 1. 原有数据集成整合：数据标准 化处理，异构数据源集成融合 2. 数据分布式管理：各自建设、 统一服务，各数据管理单位作为 分布式存储的一个节点，做好数 据的本地存储管理、汇交和共享， 接入平台； 3. 数据统一应用服务：核心数据 库通过国土空间基础信息平台统 一管理与调度； • 多源异构数据集成 • 空间数据高效存储 • 分布式数据库技术 • 时空大数据分析技术 AI开发平台 数据湖运营 大数据分析 数据库 … 技术中台 容器 微服务 企业集成 分布式中间件 边缘容器 … 多级管理 云市场 多云管理 自动化编排 存储资源池 网络资源池 计算资源池 异构资源池 公有云资源池 告警监控 云 安 全 云 备 份 / 云 容 灾 云管理 全栈平台 • 多类型应用云化：提供适配遥感业务场景的， 传统业务、数据业务、创新业务迁移上云； • 平滑架构演进：业务可在虚拟化、私有云、 深度学习 强化学习 图引擎 通用 AI 服务 … 人脸识别 智能问答 图像搜索 HiAI NPU 多域协同决策 … 智能推理 优化决策 决策支持 轻量化服务 智能边缘平台 模型、函数 异构计算平台（服务器、Atlas等） Huawei Confidential 24 安全：端到端保障网络安全与隐私安全 应用安全 平台安全 与 数据安全 联接安全 终端安全 业务连续性

kWh，冷却设备所需的 水达到70万 L，对电力资源和水资源都是巨大挑战 ［9］。 c）对 GPU跨厂家协同、跨代际演进的挑战。跨厂 家 GPU 因为软件生态、底层算子不同，导致上层模型 无法一次编译后异构执行。即使采用同一厂家的 GPU，也因为不同型号 GPU 的算力、显存和通信能力 甚至算子优化不同，共集群训练时面临性能损失、无 法发挥优势的问题。 d）对供应链保障的挑战。受美国芯片禁令的影 Commuincation 70 邮电设计技术/2024/09 Spine 与 Leaf 跨机房时，建议将所有 Spine 部署在一侧 机房，尽量减少拉远的Leaf数量。 2.2 多元探索、异构优化 国内外主要 GPU 卡的基本情况如表 2 所示，其中 英伟达 GPU 卡在算力、显存、卡间通信、生态等方面处 于领先地位，AMD 和 Intel 的 GPU 卡在算力上逐步追 赶，但是在生态上仍存在短板；国内则以昇腾 约大模型发展的瓶颈，鉴于当前国内外政策和 GPU 发 展水平，应积极开展多元算力芯片适配以及异构算力 的管理和调度。另一方面，智算和通算需紧密结合。 AI 大模型的前端访问和上层应用离不开通算，而在训 练和推理过程中，AI 大模型也需要通算来运行和处理 任务和数据的调度访问。 b）兼顾多元芯片和单一芯片。多元算力异构必 然带来多个智算软件生态，为模型适配和优化带来挑 战，需要进行差异化考虑。对于超千亿的大模型的训

函数 CPU/GPU/ARM 多类型异构算力 火山引擎边缘云 : 以云计算基础技术和边缘异构算力结合网络为基础 , 构建在边缘大规模基础设施之上的云计算服务 , 火山引擎边缘云定 义 区域中心城市 运营商多线 / 云边专 线 完整的云服务能力 二、三、四线城市 内容分发和加速网络创新 边缘计算节点创新 异构算力 CPU\GPU\ARM 自研高性能实例 PPS>700W 支持自定义限速 多种计费模式 云边镜像 ¢ 键 分 发 带 超大规模的接入点 单节点海量流量承载能力

个水利数据仓、 1 个统一门户、 6 大水利核心业务和 1 套工作机制。 u 禹贡科技公司：建立了”五横四纵”的智慧水利”全过程“管理体系，“五横”包括多元异构采集体系、多元 异构接口体系、云数据仓库体系、应用支撑体系、智慧水利应用体系；“四纵”包括多元异构水利数据汇集体 系、 3T 融合水利工程管理模型、 AI 智慧化水利专业模型库、智慧水利全过程管理云平台 研发思路 坚固基础 打通数据 智慧应用

Restful 商业 / 专有协议 HL7 关系型数据库 大数据 消息 IBM MQ 文件 OBS API SNMP Restful 商业 / 专有协议 HL7 应用场景 • 跨异构数据源集成 • 跨应用间集成 • 跨云数据集成 • 跨网络数据集成（ B2B 、集团分子公 司跨域集成） 功能特性 • 轻量级集成，支持多种数据源、多协 MangoDB Kafka MRS Hbase MRS Hdfs MRS Hive API SNMP Kafka Redis HL7 SAP ERP 扩展插件 关键技术能力： FDI 实现异构数据间跨网集成同 步 JDBC Stream Message File HTTP RFC JDBC Stream Message File HTTP RFC Fast Data 计算引擎 异构算力 X86 GPU 鲲鹏 920* 昇腾 910* 昇腾 310* 异构计算服务器 数据源 边缘：图片 / 视频 /… 数据源（ OBS/DLI ）： 图片 / 视频 / 文本 / 语音 /CSV/Parquet/JSON/… 统一异构资源调度协同平台（

应用驱动数字化技术深度融合 “ 以业务应用场景， 看行业数字化 ” 如何满足行业现场不同异构设备联网？ 如何在资源受限的现场设备运行边缘应用 实现业务本地闭环？ 如何实现边缘应用统一部署和升级 支撑业务迭代？ 行业现场复杂多变是数字化落地最大挑战 硬件形态不同（不同协议的接入设备） 边缘环境迥然（大量异构设备需要联网） 业务千变万化（业务需求多样化） 行业边缘智能： 面向场景感知

缺乏规模化人工智能训练、推理所需的算力储备，传统 PC 在执行人工智能训练、推理时效率低下，而要大规模采购 专用设备又必然使教育机构面临巨大成本开支。 • 缺乏面向不同应用场景、不同软件框架的软硬件优化方案， 同时异构设备之间也难以实施有效协同。 • 可选实验场景、器材和软件套件混乱，无法满足真实场景 的学习需要，更无法贴近行业实践要求。 为应对以上挑战，英特尔与众多人工智能教育技术合作伙伴和 教育机构一 校园环境 其他校园 IT 平台 终端 AI 实训场景 边缘平台 基础 教学 算法 学习 开发环境配置 容器化底层支撑 实训任务调配 教学 管理 模型训练支持 学习 套件 开发环境 异构融合 开发 套件 推理任务 支持 远端 部署 图像视频处理场景 智慧园区场景 智慧交通场景 图像识别 垃圾分类 自动避障 文字识别 服务机器人 自动泊车 人像识别 视频监控 自动驾驶 影像复原 套件、开发套件以及推理任务等，对师生的实训过程直接提供 算力支持。此外，将实训任务直接部署到边缘平台还有另一个 优势，就是可针对不同的硬件基础设施，如通用处理器（CPU）、 视觉处理器（VPU）、FPGA 等，在边缘平台上实施异构融合， 从而打造更为高效、灵活和可扩展的平台支持能力。 基于数据中心 / 私有云与边缘平台提供的云边协同能力，教育 机构可以在其上挂载各个人工智能实训任务终端，例如智能交 通场景中的自动驾驶小车、智慧园区场景中的服务机器人等。