.......................................................................................77 5.3.1 数据存储与处理.........................................................................80 5.3.2 安全性与风险管理..... 数据采集机制......................................................................................87 6.2 数据存储方案......................................................................................89 6.3 数据分析工具 项目将涉及多方面的投入，包括：  人力资源：需组建一个跨部门的项目团队，包括项目经理、数 据科学家、系统工程师、现场工程师等。  硬件资源：采购和部署必要的传感器、数据采集器、服务器等 硬件设施，以支持实时数据采集和存储。  软件资源：开发或购买适合的分析软件和平台，以实现大模型 运算和数据可视化功能。  财务预算：依据项目需求制定详细的财务预算，确保项目在资 金上的可持续性。 项目的时间框架建议分为以下几个阶段：

©202 四维纵 横 度 类别 条目 窄表 树形 宽表 写入 顺序写入 简单 简单 简单 乱序写入 复杂 复杂 复杂 异频写入 简单 简单 复杂 不同时间点采集 简单 简单 中等 存储 压缩比 低 中 高 查询 单设备单指标类查询 简单 简单 简单 单设备多指标类查询 复杂 简单 简单 多设备类查询 复杂 中等 简单 维度查询 复杂 复杂 简单 分析类查询 复杂 复杂 简单 1 公共基础设施 SQL 统—优化器 内存引擎 OLTP 引擎 OLAP 引擎 时序引擎 备份 ⻆⾊ 监控 加密 认证 高可用 审计 恢复 存储器 存储器 执行器 执行器 存储器 执行器 执行器 存储器 │ ©202 四维纵 横 JDBC/ODBC/OLEDB Standby Master Segment GB32960 SQL │ ©202 四维纵 横 27 数据建模 • 车机信号表： vin 号、时间戳、 800+ 常用指标、 —个 JSON 字段存储上千非常用指标 • 若干张关系表存储各种关系数据，包括车主信息、保养记录 Confidential 1 车主信息表 保养记录表 借贷信息表

但同时，在数智技术快速发展的背景下，园区数据快速增长， 大模型等创新应用不断落地，这意味着园区需要对云、边缘、 网络等基础设施进行重构或优化，并利用创新的软硬件技术组 合，满足数智园区在计算、存储、网络等关键资源方面的需求， 充分释放数智转型的潜能。 为了助力园区的数智化转型，全国智能建筑及居住区数字化标 准化技术委员会 (SAC/TC426)（简称：全国智标委）与英特尔 联合众多合 型的使用可以显著降低模型更新和维护的成本。这些优势将 驱动越来越多的客户考虑放弃原有的传统神经网络模型， 从而转向使用更有效的视频大模型来支撑其视频分析的软 件负载。 • 边缘计算 借助融合了网络、计算、存储和应用，且在数据源附近部 署的边缘终端，边缘人工智能可将 AI 工作流的推理部分从 云或数据中心转移到就近部署的边缘计算终端，从而降低 时延，节约网络带宽，同时满足隐私性和安全性等方面的 要 破口。人工智能为数据采集、分析和增值提供了全新的驱 动力，也为整个物联网发展提供了新动能。虚拟化技术将在 不同设备上独立的负载整合到统一的高性能计算平台上，实 现各个子系统在保持一定独立性的同时，还能有效分享计 算、存储和网络等资源。边缘侧经过负载整合，产生的节 点既是数据的一个汇总节点，同时也是一个控制中心。人 工智能可以在节点处采集和分析数据，也能在节点提取洞 察做出决策。 • 物联网 物联网 (IoT)

尤为重要。因此，准确描述园区的能源需求是为园区开发 最佳能源系统配置的关键步骤。 由于部门耦合和随后的电气化，气候中和园区的转换链 正变得越来越复杂。此外，由于发电和需求之间缺乏同步 性，增加了对能源存储和多模式能源系统的需求。本地能 源基础设施，如热网和稳定的电力分配网络，可以为这些 分散的多模式能源系统提供支持，因为它们的具体投资 成本随着装置的大小而降低。 更多信息 29 30 3.1 可以选择静态或动态传输系统来提供空调，从而产生不 同的供暖或制冷流动温度。 这些条件决定了相应的供暖 和制冷系统。 如果热网和存储系统等技术要求被整合，各区的能源产 生和能源需求可以得到平衡。通过应用合适的关键指标， 可以在项目早期 阶段确定其潜力，并在电力需求侧管理 （DSM）和存储系统的帮助下促进可能的需求模式的转 变。 展示案例：德国汉堡的港口城 一个大规模的余热废热利用项目正在汉堡的新开发地区 求，此外还要制定战略，开发气候中和的能源潜力。表 11中选定的关键绩效指标提供了能源系统配置和运行的 概况，以利于分析特定能源系统的特点。 类型 关键指标 单位 能源系统配置 装机容量实装 存储容量 [MW] [MWh] 能源系统运行 情况 进口/出口的 能源 本地能源份额 残值情况1 能源效率（按 部门划分） 全球变暖潜力 [MWh] [%] [MWh/h] [%]

有效地利用过去 分布在顶点着色器和像素着色器的计算资源；2）引入了片内共享存储器。两项改进使 得 CUDA 架构更加适用于通用计算，加上 2008 年后苹果、AMD、和 IBM 推出的 OpenCL 开源标准，GPGPU 在通用计算领域迅速发展。 2) 张量和矩阵核心：GPGPU 的大量硬件运算单元和高吞吐高带宽的存储设计能够提供 强大的计算能力，同时针对矩阵运算和卷积，在软件层面提供了灵活完善的加速库支 加速库支 持，使得 GPGPU 能够充分地利用其硬件计算资源和存储资源,实现高吞吐的卷积计 算。为了进一步提升矩阵运算的性能，近年来 NVIDIA 和 AMD 的 GPGPU 增加了全 新的张量和矩阵核心大幅加速阵运算，而且还支持多种精度，使得 GPGPU 能够适应 深度神经网络不同场景、不同应用的精度需求。 3) HBM 存储器：新一代 DRAM 解决方案，突破内存容量与带宽瓶颈。HBM 是一款新型 组合阵列。通过增加带宽，扩展内存容量，让更大 的模型，更多的参数留在离核心计算更近的地方，从而减少内存和存储解决方案带来 的延迟。 4) 控制单元：CPU 包括运算逻辑部件、寄存器部件和控制部件等，是计算机的运算和控 制核心，注重通用性来处理各种不同的数据类型，由于 CPU 结构中大部分晶体管用于 构建控制电路和存储单元，只有少部分用来完成实际运算工作，所以 CPU 在大规模并 行计算能力上极为受限。

(1) 端到端全栈大模型 技术特征：采用统一架构处理工业全流程任务，具备跨领域知识融合能力。 典型架构包含： ➢ 跨模态编码器：统一处理传感器数据、文本、图像等异构输入 ➢ 分层记忆网络：存储设备历史状态、工艺知识库等长期记忆 ➢ 动态推理引擎：根据任务需求自动组合功能模块 技术挑战：参数量超过千亿级导致训练成本激增，需采用混合精度训练与 梯度稀疏化技术。 (2) 模块化组合大模型 可以实时处理机器人的视觉数据并生成控制指 令，从而实现精准操作。 数据存储与管理是基础设施层的重要组成部分。工业大模型需要处理的数 据类型多样且规模庞大，包括结构化数据（如生产参数、设备日志）和非结构 化数据（如图像、视频、文本等）。为了高效存储和管理这些数据，分布式存储 系统被广泛应用。分布式存储通过将数据分散存储在多个节点上，不仅提升了 存储容量，还增强了数据的可靠性和访问速度。同时，大容量数据库（如 支持。此外，向量数据库的引入进一步提升了多模态数据的管理能力。向量数 据库能够通过向量化技术对数据进行高效索引和检索，例如在工业视觉检测中， 向量数据库可以快速匹配图像特征，从而实现实时缺陷检测。这些数据存储技 术的结合，确保了数据的完整性、安全性和可用性，为工业大模型的高效运行 提供了坚实保障。 网络连接技术则是基础设施层中不可忽视的另一关键要素。工业场景中， 数据的实时性和传输效率直接影响到模型的应用效果。例如，在智慧工厂中，

云控平台作为车路云一体化系统的核心，包含“1”个云控基础 平台和“N”个云控应用。云控应用分为网联汽车赋能类、交通管理 与控制类及交通数据赋能类等三大类， 涵盖产业链全域应用需求。 云控基础平台基于交通相关数据的采集、存储与处理，通过数据赋能 提供满足各种应用需求的分级共享基础服务，由封装领域核心服务共 性基础能力的 5 类标准件、实现数据采集和标准化转换的 2 个标准 化接口以及 1 个全流程工具库所组成，形成“5+2+1”共性基础能力 区域云数据库、区域云融合感知标准件、区域云协同决策标准件、区 域云交通管控标准件和区域云标准化分级共享接口。其中区域云网关 主要用于接收并处理相关支撑平台上报的数据或第三方应用共享数 据，或者接收边缘云上报数据；区域云数据库负责存储各类数据；区 域云融合感知标准件从区域云网关获取区域车路数据并进行区域交 通态势感知与预测；区域云协同决策标准件根据融合感知结果和区域 云网关中的车路数据进行相关场景的协同决策，并将决策所得结果通 知或决策数据； 8）路侧基础设施接收区域云下发边缘云的交通管控数据，并转 发边缘云发送至网联车辆的相关数据； 9）第三方应用接收来自区域云的共享数据； 10）区域云对接收到的各类数据做统一存储和管理。 3.2.3 边缘云功能视图 图 3-10 所示为边缘云实时感知与决策的边缘云功能视图，描述 该功能模块在边缘云内部的具体过程，涉及边缘云一体化底座的边缘 云网关、边缘云数据高速缓存，边缘云融合感知标准件、边缘云协同

”的承载方式，构建面 向未来的智慧型园区。 感知层采用多种行业终端、家庭终端、个人终端，采集信 息；通过园区网将数据信息传送到系统的核心——云平台，在云平台完成对园区 业务的统一管理、统一处理、统一存储，消除信息孤岛，实现园区智能化管理。 在云平台上运行丰富的云应用，满足不同的行业需求。 建设理念 域化、集约化水平。 02 智 慧 园 区 顶 层 设 计 智慧园区作为一项涉及到政务管理、企业管理等多种服务内容的 事物审批、 公文流转、 集团通讯录。 出 差一样办公。 为入驻企业提供运营商级的存储解决方案 ， 包括海量、 安全、 高速、 跨平台的云存储 服 务。 入驻企业按需租赁云端 IT 资源 ， 随时随地访问办公， 真正实现 “拎包入驻”。 不再更新维护软硬件。 6 云办公 4 云呼叫 5 云存储 2 云桌面 技术支持 1 云会议 云安全 3 规划先行 , 组织配套 摄像头 门禁闸 机 电子 告示 光纤宽 带 wiFi 3G/4G 云平 台 云存储 云计 算 VPN 视频会议 呼叫中心 一卡通 共同参与建 设 建设与管理规范 运维与服务体 系 功能设 外部服 03 智 慧 园 区 运 营 管 理 以云计算、云存储、物联网基础、全面的 IT 建设，园区资源集约化管理，打造 绿 色园区。 立体安防打造平安园区，促进社会和谐发展

3 建 设 规划 设计 2 1 传输处理 数据传输处理是将园区采集的 数据通过网络传输后在其物理 场所进行的存储、索引及服务， 按数据类型分配至不同数据库 进行存储，然后对存储的数据 进行清洗、转换后再次存储 备 用，以满足数据支撑平台 高速 数据访问的需求。 物理场所 物理场所指满足园区日 常办公和应急指挥要求， 支撑智慧园区数据资源 备包括数据采集终端， 数据资源中心机房有线 网、无线网、园区专网 的数据接入等。 五、基础设施 数据资产 智慧园区的资产数据包括园区档案 数据和企业档案数据两部分。 > 数据开发 数据开发应提供有效的存储、索引和查询的数 据库系统，对园区产生的海量数据进行共享、 分析、挖掘、集成，找出其内在规律并进行可 视化的应用展示。 支撑平台 包括数据服务、数据分发、数据治理、数据安全、

 视频 AI 分析 ，提供生产 安全管理手段 应用 5G 前  有线组网 不易部署  建设及维护成本高 ，视频 存储量大，不易实时分析 问题  摄像头 资源利用率不高  车间入口、产线、仓库等区域 部署 80+ 路摄像头，视频监控  存储资源需求大，一周 15T  摄像头监控的数据主要用于问 题回溯 生产车间后台管理 工厂 中心云 GW-U/UPF 设备机理模型 算法库 • 电气信号频谱分析 • 机械信号频谱分析 知识库 • 设备使用手册 • 故障 Q&A • 测量点要求 数据 管理 • 数据存储 • 数据清洗 • 数据聚合与运算处理 设备物联感知 与数据接入 接 入 层 感知 设备 摄像头 雷达 传感器 网关 PLC 机械臂 焊钳 锟床 举升机 运输吊具 加注设备 拧紧设备 多端观看 5G 接入方式 多接入边缘计算技术 ** 边缘业务 PaaS 平台 Edge-Cloud 边缘内容生态圈 增强体验 内部 ERP 、 MES 、 APP 服务器 数据库 业务 存储 视频 服务器 5G+XR 场景与技术综述 基于 5G+AR 技术，构建云边端协同的 AR 作业指导课程， 实现作业知识数据化 ，对企业员工开展作业培训、作业指导工作，推动 作业流程 标准化、作业指导远程化