（三）组织结构与管理方式的适应性 建筑企业的传统组织结构往往较为层级化，信息传递较慢，决策过程冗长， 难以应对快速发展的数字化需求。在数字化转型的过程中，企业需要从组织结 构和管理方式上进行调整，推行更灵活、扁平化的管理模式，才能更好地适应 现代技术的应用。 1. 挑战： 传统建筑企业的管理方式注重层级式的决策和指挥，这种管理模式可能与 数字化时代的快速决策、灵活适应的需求相冲突。在数字化转型过程中，企业 可能发现传统的管理方式无法充分支持技术的应用和项目的高效实施，导致项 目进度缓慢，管理效率低下。 2. 解决方案： （1）推动扁平化管理：为了更好地适应数字化转型，建筑企业应推动扁平 化管理结构，减少中间层级，加速信息流通和决策过程。扁平化管理能够提高 企业对市场需求和技术变化的反应速度，提升企业的灵活性。 （2）灵活适应的组织架构：企业应根据项目需求、技术要求和市场变化， 灵活调整组织架构。例 中国建筑业企业数字化研究报告 53 建筑结构健康监测结合北斗卫星导航、三维激光扫描、计算机视觉等技术， 通过长时间序列的位移、沉降、裂缝等数据来评估结构安全性与耐久度。一旦 发现异常则自动触发多层级报警，运维人员可通过平台快速定位并决定应急策 略。 3. 日常运行维护与能耗管理 运维平台通常可监控建筑内所有主要设备的状态，包括照明、供配电、电 梯、空调、热泵、水表和智能电表等；通过能耗数据分析，识别出异常耗能点

作中的架构分析提供系统性方法。架构设计与架构分析是用系统性的架构方法去 描述转型（包括信创转型）过程中各要素的动态匹配关系，包括业务与 IT 的关 系、部分与整体的关系、当前与长远的关系。通过各领域、各层级、各要素之间 的匹配关系分析，可以指导相关工作的决策，从而保证相关人做正确的事。 信创的技术参考模型（IIAF-TRM）可以为信创工作提供业界已有的最佳实践 作为参考。参考模型一般是从业界最佳实践中抽象总结出来的，参考模型的使用 过程同 样遵循数字化转型的基本方法。企业架构（Enterprise Architecture)作为数字 化转型的通用方法，同样适用于信创转型，其主要作用是通过架构开发或设计来 描述转型涉及的各层级、各领域、各要素之间的匹配关系，从而正确地处理在这 一转型过程中的各种复杂关系。 信创架构框架之架构开发方法（IIAF-ADM）（见图 3.2）采用的是数字化转 型中的通用架构方法。该方法是北达软在参考国际上 施架构或信息系统架构中进行分析，看看这些信创产品对现有基础设施架构或信 息系统架构的影响，进而分析它对业务架构和战略架构的影响，例如某个产品和 系统的替换有可能会影响到之前某一战略目标的实现，架构工作可以通过各层级 8 的影响要素分析，为相关的决策提供依据和指导。 不管是自上而下还是自下而上，架构的开发与分析可以将信创实施过程中各 要素及关系展现出来，为相关的决策提供依据，从而保证做正确的事。

工业互联网安全建设需遵循“业务优先、架构分层防护、动态演进、协同共治、系统统筹、自主 可靠、风险分级防护、行业适配”八大基本原则，这些原则与等保 2.0 对工控系统的扩展要求连 贯一致。 (2) 工业互联网安全能力构建需要一个多层级的体系化框架，包括八大原则层、合规能力层、行业差 异化匹配能力层、企业自身管理能力层、安全技术层和安全运维管理层。 (3) 明确围绕设备、控制、网络、平台、数据为五大核心防护对象的实施策略与实施路径，其中：设 全运营与工业互联网平台安全运营中 心（II-SOC）协同建设理念。前者聚焦生产现场控制层，通过实时监测与应急处置保障工控系统 稳定；后者面向“云-边-端”全域，实现跨企业安全监测与协同响应。二者层级互补、技术联动， 共同提升工业互联网安全防护效能。 (5) IT 技术为 OT 设备防护、控制优化提供支撑。IT 与 OT 必须融合贯穿安全建设全程，从而实现网 络协同防御、数据统一治理、应用 （4）通信网络包括商用以太网、工业以太网、现场总线等。 2.工业控制系统层次模型 参考国际标准 IEC 62264-1 的工业控制系统经典层次模型，工控网络层次模型从上到下共分为 5 个层级，依次为 企业资源层、生产管理层、过程监控层、现场控制层和现场设备层，不同层级的实时性要求不同。其中： （1）企业资源层主要包括 ERP 系统功能单元，用于为企业决策层员工提供决策运行手段； （2）生产管理层主要包括 MES 系统功

付与持续优化能力的超级智能体。 2.7.1 资源编排调度 21 资源编排调度技术通过全局资源感知、动态策略优化与智能决策机制，实现 跨域异构算力与网络资源的高效协同。基于算网大脑分布式架构与智能算法驱动， 支持多层级资源抽象与统一建模，兼容云计算、边缘计算、智算中心等异构算力 资源及入算、算间网络等多制式网络环境，实时采集多维度数据（包括算力资源 状态、网络拓扑、业务需求及服务质量指标），构建多目标优化模型进行资源编 7.2 任务式编排调度 任务式编排调度技术面向离线负载与离线作业等任务式场景提供全生命周 期自动化管理能力，重点支撑数据处理、分布式推理与集中式训练三类核心业务 范式。数据处理场景下，通过弹性层级队列和负载感知调度以及重调度，有效保 22 障多租户数据处理任务的稳定性。分布式推理场景下，基于全局流量负载均衡和 推理集群自适应弹性伸缩，有效提升推理服务全局 Token 吞吐。集中式训练场景 下，基于 AI 任务断点续训的特点，通过分时调度机制实现训练和推理混合负载， 白天推理、晚上训练，有效降低总体成本。 面向近期，面向数据处理场景，适配 Spark、Flink 等多计算引擎，通过弹 性层级队列、负载感知调度以及重调度等机制，提升数据处理任务整体资源利用 率，有效保障多租户数据处理任务的稳定性。 面向中远期，结合训推一体场景，通过全局流量负载均衡和推理集群自适应 弹性伸缩，结合训

下，传统的CLOS架构需要采用更多的网络层次，更多的网络层次意味着转发跳数增加，在 带来更大时延的同时，更多跳数的路径也增大了故障发生的概率和定位难度，使得网络难以 中兴通讯版权所有未经许可不得扩散 4 运维；同时，各层级之间用于互联的端口数量剧增，若采用光纤连接，光模块部分的成本增 加也不容忽视。 3）异构网络的互通挑战 大规模网络的构建可能会涉及多厂商设备，当前大模型训练网络仍处于技术方案耦合度 较高、标 R交换机） 互连在一起，将每个Leaf交换机都直接冗余地连接到所有Spine交换机。 两级Spine-Leaf架构中，Leaf交换机之间始终只需要两跳并通过Spine交换机互连。在 三级或更多层级的Spine-Leaf架构中，更高一级的Spine交换机将低一级的Spine交换机互 联在一起，以提供更高的扩展性。如服务器之间需要更多带宽，只需添加更多Leaf到Spine 链路或在架构中添加 网络流量进行优先级划分和带宽限制，确保关键任务的数据传输得到优先保障。 5.3 极致高性能关键技术 5.3.1 层次化负载均衡：整网规划，局部调优，多粒度负载均衡 在大规模复杂网络中，采用层次化的负载均衡方式更加行之有效，通过不同层级的负载 均衡的配合，弥补单一负载均衡方案的缺陷，以更好达到全网流量均衡和高吞吐的目的。 层次化负载均衡方案主要包括以下技术内容：  全局负载均衡(IGLB)，根据算侧任务流量特征及网络负载状态进行全局路径规划和控制。

• 多集群间的松耦合设计，便于根据业务需求灵活调整资源分配，满足多样化的数据处理需求 与业务场景。 • 整合数据湖与数据仓库的组件技术特点，根据数据的重要性、使用频率、处理复杂度等，规划 数据层级设置。 • 基于Hudi特性，贴源层、标准层、整合模型层数据在湖内以时序形式存储，大大降低了数据存 储空间，且后续数据处理更加简便，提升数据处理能力。 • 基于DataOps工具建立数据研发运营

时长（时效）、计算规模（计算量）、计算精度、计算能效： 1）计算时长或计算时效性需求：有多种定义，根据具体任务选 择。包含任务交付到计算输出时长、量子态制备到量子态测量时长、 算法时间复杂度、每秒线路层操作数(CLOPS)等不同层级定义。 2）计算精度：量子算法对给定问题的解的近似程度，近似程度 表示算法解与最优解的接近程度，考虑量子计算机数值表征能力。 3）计算规模：量子计算机支持的问题规模。问题规模通常与物 量 第二级评测中，需要定义应用层面的基准测试案例和基准数据 集。例如，针对移动网络中的组合优化问题，具体包括最大独立集、 图分割、二次指配等问题，根据问题规模、以及经典算法求解该问 题的难易程度，定义不同层级的基准测试案例集，实现分级评测。 不同等级评测是衡量量子计算应用能力等级的最直接的方法。对于 量子机器学习算法，可仿照经典机器学习建立每一个应用领域中的 基准量子数据集，比如图像、文本、网络流量、网络覆盖等。每一

激励 人工EV群体 频率 波动 评估分析 区域配电网 提供指导 充电桩与电网互动架构 4.9 AI 用于新能源配电系统规划调度 不同可靠性参数值下微电网网架结构 微电网综合评价指标体系层级关系图 新能源微电网规划 4.10 AI 用于新型能源微网建设 基于㶲经济学低碳园区综合能源系统建模 能源站 商场餐饮 燃气炊具 天然气输入 市电 光伏电板 太阳光 电气线路 商场中央空调

中共中央政治局就实施网络强国战略进行第三十六次集体学习 以推行电子政务、建设新型智慧城市等为抓手，以数据集中和共享为途径，建设全国一体化的国家大数据 中心，推进技术融合、业务融合、数据融合，实现跨层级、跨地域、跨系统、跨部门、跨业务的协同管理 和服务。 2016年10月9日 中共中央政治局就人工智能发展现状和趋势举行第九次集体学习 要加强人工智能同社会治理的结合，开发适用于政府服务和决策的人工智能系统，加强政务信息资源整合和 场景智能。 云化算力： 未来10年，AI算力将增长500倍以上。为解决算力的高效集约供应问题，云服务成为算力调度的关键。通过本地 算力与公有云、政务专区、行业专区算力的深度融合，实现算力资源跨层级、跨地域调度。根据国家对算力的相关政 策部署，以及云计算、人工智能等技术的发展趋势，未来算力服务将采用“城市本地算力+近地算力+远地算力”的 分布式架构，提供高稳定、高性能、高弹性的分布式云化算 确保数据、网络、主 机、系统安全外，对现有安全技术的自主可控也提出了更加强烈的要求。 坚持一体化设计建设运营，以“互联互通、充分利旧”为导向，在云资源、政务大模型等方面推动跨城市、跨 区域、跨层级的集约建设、资源整合，形成“软硬兼施、虚实共管”的协同发展格局。AI CITY以广义的城市为主 体，近期将主要采用城市统建统管模式，科学规划、统筹建设分布式智能底座、数据资源、模型资源、大模型中心等

SRv6 的三层可编程空间灵活定义用户面 的分组处理逻辑，以支撑不同业务对用户面的不同要求。同时基于 SRv6 的用户面协议栈可实现用 户至数据中心的 Native IP 端到端通道拉通，简化网络层级，使网络变得更加简单、可控和灵活。 2013 年，由思科公司提出的 Segment Routing 协议是在已有的网络基础上进行演进式的扩展， 提供了网络可编程能力。Segment Routing 架构进行改进或重构，以实现 RAN 功能灵活部署和动态扩缩容，支 持网络功能的升级和定制化，促进实现 RAN 云原生、智简可编程、异构资源灵活编排。 20 / 33 微服务化 RAN 设计与演进给当前层级化的协议栈架构、点对点接口带来革新，从而可能引发通 信标准的相应改动，甚至带来 RAN 架构与协议栈的深度重构，因此需要合理探索微服务化的研究路 线和设计准则：  微服务化 RAN 的演进不