可信数据空间合规审计的实施主体与频率？ 33 46.用户投诉处理的机制与时限合规要求？ 33 47.数据使用费的定价原则与合规要求？ 34 48.运营日志的留存与查询权限合规要求？ 35 49.第三方服务提供商的合规评估要点？ 35 50.运营变更（如规则调整）的用户告知义务？ 36 六、跨域协作类 37 51.跨域数据共享的合规前提（如主体资格、授权）？ 37 52.跨行业标准对接的合规路径与方法？ 风险预警的技术实现（如AI监测、阈值触发）？ 67 94.风险处置的流程合规（如分级响应、记录）？ 68 95.数据合规风险转移的方式（如数据安全保险）？ 69 96.常态化风险防控的机制设计（如定期巡检）？ 69 97.第三方服务的风险防控要点（如合同约束、审计）？ 70 98.新技术应用的风险评估（如隐私计算、AI）？ 71 99.跨域数据风险的协同防控机制？ 72 100.风险事件的复盘流程与改进要求？ 72 间运营方（如平台企业、行业联盟、政府主导的大数据中心）是核 心枢纽，负责搭建技术平台、制定交易/安全规则（如数据定价、溯 源机制），协调各方协作并保障空间运行；监管与认证机构（如网 信办、工信部、第三方合规认证机构）承担规则制定与监督职责， 确保空间符合《数据安全法》等法规，认证技术与流程的可信度； 技术服务提供商（如隐私计算、区块链、加密技术企业）是底层支 撑，通过“可用不可见”（如零知识证明）、数据溯源等技术，保障

aES+ 安全 GPT 依靠更高维度的检测能力能 够检出 全部 7 条攻击链。 安全专家 + 攻击大模型：构造 3W 高对抗样本 传统邮件安全厂商： 10.3% 大模型： 94.8% 第三方 VT 样本： GPT 钓鱼正报是友商的 4 倍多。 邮件安全网关默认配置：检出 80% 的样本未拦截。 钓鱼检测效果 强对抗攻击： GPT 检测优势 普通攻击： GPT 检测优势 运营大模型 SaaS 化 • 本地 化 • SaaS 化 • 本地 化 方式 2 ：深信服自有探针或第三方网络组件 / 设备， 通过 XDR ，对 接本地或 SaaS 检测大模型 • 分布式 XDR 只能对接本地检测大模型， SaaS XDR 只能对接 SaaS 检测大 模型 • 第三方组件对接效果需要具体评估 方式 1 ：深信服自有探针， 通过 SIP ， 对接本 地或 SaaS SaaS XDR 平台 第三方 网络组件 / 设备 安全 GPT - 检测大模型 安全 GPT - 检测大模型 深信服 STA 深信服 STA SIP 平 台 客户本地环境 流量、日志 上传平台 SaaS XDR 平台 分 布 式 XDR 平 台 安全 GPT- 运营大模型 ↓ 自然语言回答 任务拆解后的 API 交互 方式 2 ：深信服自有或第三方组件， 通过分布式 XDR

trusted data space monitoring and management party 对可信数据空间内活动进行监督、规范和争议处理，保护各方合法权益，通常为政府主管部 门或授权监管的第三方主体。 3.9 数据 data 指任何以电子或其他方式对信息的记录。数据在不同视角下被称为原始数据、衍生数据、数 据资源、数据产品和服务、数据资产、数据要素等。 3.10 数据资源 指在一个分布式网络中，多个参与实体各自持有秘密数据，各方希望以这些数据为输入共 同完成对某函数的计算，而要求每个参与实体除计算结果、预期可公开的信息外均不能得到其 他参与实体的任何输入信息。主要研究针对无可信第三方情况下，安全地进行多方协同的计算 问题。 3.23 联邦学习 federated learning 指一种多个参与方在保证各自原始私有数据不出数据方定义的可信域的前提下，以保护隐 私数据 intermediary service platform 作为中间枢纽，负责协调和管理整个系统的运行，为各节点提供资源检索、身份管理、日志 溯源等基础能力，支持价值评估、清算审计、纠纷仲裁等第三方服务调用。 4 缩略语 下列缩略语适用于本文件。 ABAC：属性访问控制（Attribute - Based Access Control） AI：人工智能（Artificial Intelligence）

.......................................................................................147 7.1.2 第三方服务商协同.............................................................................................. 数据量 级/日 客户行为日志 APP/官网埋点 Flume 日志收 集 实时流式 1.2TB 医疗影像数据 合作医院 PACS 系统 DICOM 协议 传输 按需触发 20-50GB 第三方征信数据 央行征信接口 HTTPS API 调 用 定时批处 理 5-10GB 清洗转换阶段实施三级质检机制：原始数据层进行格式校验 （如保单号正则匹配）、业务逻辑层检查（如理赔金额不超过保 内部系统数据：通过企业服务总线（ESB）对接核心业 务系统（如保单管理、理赔系统），采用 RESTful API 或 WebService 协议，每日全量同步基础数据+实时触发式 增量更新 o 第三方数据：包括银保信数据、医疗影像数据、车联网 IoT 数据等，根据供应商能力选择 SFTP 加密传输（日均 >1TB 场景）或 Kafka 消息队列（低延迟场景） o 互联网公开数据：通过爬虫集群采集监管公示、舆情信

...........................................................................................8 4.2 第三方渠道................................................................................................. DeepSeek 部署方法 使用 DeepSeek 主要有三种渠道：官方渠道、第三方渠道、本地部署。这 三 种渠道各自特点如表 3 所示。 表 3 DeepSeek 三种使用渠道对比 渠道 优点 缺点 官方渠道 功能齐全、操作简单（联网搜索/ 跨设备同步） 高峰期易崩溃，取决于流量，看运气 第三方渠道 规避官方崩溃风险，国产 GPU 加速或白嫖算力 功能受限（如对话记录不保存），需实名认证 下载二维码（https://download.DeepSeek.com/app/），然后选选择对 应 的下载渠道即可。 方法 2 ：在手机自带的应用商城中，搜索 DeepSeek ，点击下载安装即可。 4.2 第三方渠道 随着 DeepSeek 模型迅速走红，官方平台面临访问量激增的压力，经常遇到 服务拥堵的情况。不过，国内主流云计算平台已全面接入 DeepSeek 模型，为用 户提供 了稳定可靠的替代方案

40%的已知欺诈模式，且误判率高达 15%，导致大量合规案件被错 误拦截。 欺诈风险难以识别的根本原因在于三方面：首先，数据维度单 一，保险公司仅能获取保单和理赔表单数据，缺乏外部行为数据 （如医疗记录、第三方事故鉴定）的交叉验证；其次，动态欺诈模 式迭代速度快，规则库更新周期长（通常需 3-6 个月），无法及时 应对新型欺诈手段；最后，人工审核依赖经验判断，不同核赔人员 的识别准确率波动幅度达 30%，且审核效率低下，单案平均处理时 为量化现有问题，以下是某保险公司车险理赔欺诈识别数据对 比： 检测手段 识别准确率 误判率 平均处理时长 覆盖案件类型比例 规则引擎 38% 15% 0.5 小时 100% 人工审核 61% 22% 3.2 小时 45% 第三方调查 89% 5% 72 小时 8% 解决这一痛点的技术路径需满足三个核心要求：第一，建立多 源数据融合分析能力，整合医保数据、车辆 OBD 信息、地理位置 等 30+维度的实时数据；第二，实现动态风险建模，对索赔人历史 模型实时解析图像数据，自动标注损伤部位（如保险杠变形面 积≥30%） 3. 调取该车型的钣金工时数据库进行成本测算 4. 输出建议赔付金额并标注置信度（如¥2,800±5%，置信度 92%） 关键数据接口 需对接的第三方系统及数据要求： 系统类型 数据字段示例 更新频率 医院 HIS 系统 诊断代码、用药清单 实时 交警事故平台 责任认定书编号、现场草图 每日同步 零配件市场数据库 品牌件/原厂件价格区间 周更新

，AUC 值达 到 0.89-0.93。实际部署时，系统提供标准化的 API 接口，支持与 医院信息系统、健康管理 APP 等第三方平台的对接，平均响应时间 控制在 200ms 以内。为保障数据安全，采用联邦学习架构，原始 数据不出域即可完成模型更新，经第三方认证符合 GDPR 和 HIPAA 标准。这些技术特性使其能够支撑从个体营养评估到群体健康趋势 分析的多层次应用需求。 1.2 健康档案（EHR）、体检报告扫描件（通过 OCR 技术解析）、可 穿戴设备记录的每日步数、心率、睡眠等时序数据，以及通过移动 端 APP 填报的饮食日记（支持图片识别与文字描述双通道输入）。 第二类是第三方合作数据，例如医院 HIS 系统的临床检测数据（需 脱敏处理）、社区健康档案及超市会员系统的食品购买记录。第三 类为环境数据，通过 API 接口获取用户所在区域的空气质量指数、 温湿度等气象数据。 日的膳食记录（含食材种类、重量、烹饪方式）  运动习惯与可穿戴设备同步数据（步数、心率、睡眠时长等）  健康问卷（PHQ-9 抑郁量表、SF-36 生活质量量表等标准化评 估工具） 2. 生物医学检测数据 与第三方检测机构合作获取实验室级数据，确保符合 ISO 15189 认证标准： | 数据类型 | 检测项目示例 | 采集频率 | |———-|————–|———-| | 血液生化

1 前后端对接.................................................................................85 7.1.2 第三方 API 调用.........................................................................86 7.2 测试方案....... 材组合，并标注每餐的血糖负荷值。  动态追踪与反馈：通过持续监测用户数据变化，系统每周生成 趋势分析图表，提示营养改善进度或新增风险（如持续钙摄入 不足导致的骨密度下降倾向）。 为提升实用性，系统整合了第三方健康设备（如智能手环）数 据，实现运动消耗与营养摄入的联动分析。下表展示了系统核心分 析指标的示例： 分析维度 数据来源 输出形式 宏量营养素平衡 饮食记录+图像识别 每日占比雷达图与偏差警示 Web 表单采集基础生理数据（年龄、性 别、BMI ）、饮食记录（食材种类、烹饪方式、摄入量） - 物联网 设备接入：智能体重秤、血糖仪等设备通过蓝牙/Wi-Fi 传输实时生 理参数 - 第三方系统对接：医院 HIS 系统对接临床检查数据（血常 规、微量元素检测报告） 预处理层部署分布式数据处理引擎，执行以下标准化流程： 1. 数据清洗：采用基于规则与机器学习结合的异常值检测算法，剔除

端 智能交通 智慧能源 智慧水利 智能零售 连接管理 网络管理 设备管理 物模型 Modbus MQTT ZigBee BACNet 其他接入 OPC UA LoRaWAN 第三方 容器应用 IP 摄像 头 环境传感器 用户管理 设备影子 容器管理 设备管理 定位终端 边缘智能 消息路由 函数计算 节点管理 网络管理 雷达 蜂巢边缘系统 n 蜂巢边缘系统（ Hive 蜂巢边缘计算框架 物联网协议驱动 边缘应用容器 (Docker) 云 边 通 道 上传 复制生成 第三方 容器应用 第三方 函数应用 镜像文件 边 缘 安 全 容 器 管 理 云边协同 边缘规则 n 集成“蜂巢边缘 Agent ” ， 提供容器管 理 、函数计算等能力； n 内置英伟达高性能

1 层为央行，是数字人民币发行、监管的唯一主管部门。第 2 层为指定运营机构，包括 6 家 国有大型商业银行、2 家头部股份行和 2 家大型第三方支付机构背景互联网银行。第 2.5 层 主要为同业中小银行、其它非银行金融机构和非金融机构（包括第三方支付机构、电信运营商、 手机厂商、卡芯片和安全厂商以及软件系统厂商、场景拓展方等）。此外，目前数字人民币 体系中存在着几个平台型的角色，一个是 体系中存在着几个平台型的角色，一个是负责中小银行接入数字人民币生态，对接运营机构 和互联互通平台的“城银清算”“农信银”等清算机构， 另一个则是为商户提供数字人民币 能力接入的第三方支付机构等“服务商”。 图 7 数字人民币服务生态示意图 来源：金融发展与监管科技研究中心绘制 三、生态构建：数字人民币的新型产业链数字化协同生态体系 发展建议 - 17 - 3.1.2 数字人民币产业端应用生态体系 数字人民 技企业等参与数字人民币的 研发和应用，推动数字人民币在批发、存贷、汇兑、投资等广义金融业务领域的应用。围绕 上述领域，目前核心市场机构生态圈主要包括：产业企业、以商业银行为代表的运营机构、 第三方支付机构为代表的应用场景服务商、供应链金融服务平台、跨境（电商）支付服务机构、 资产通证化服务商等。 （1）产业企业 产业链核心企业、链属企业。核心企业通常整合能力强，具备供应链资源枢纽地位，营