会 2 0 1 9 · 上 海 站 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 京东物流超大规模仓储系统智能监控揭秘 付正全 架构师 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 目录 问题及挑战 1 超大规模监控系统解决方案 2 面向AIOPS的智能监控最佳实践 3 规划&展望 4 G O P S 全 球 运 维 大 会 2 频繁变化的资产，不可靠的CMDB  运维专家匮乏  复合型人才匮乏：AI和算法工程师+运维开发 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 目录 问题及挑战 1 超大规模监控系统解决方案 2 面向AIOPS的智能监控最佳实践 3 规划&展望 4 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 对监控的认识  什么是监控？  为什么需要监控？ 异常 G O P S 全 球 运 维 大 会 2 0 1 9 · 上 海 站 调用链  分布式事物跟踪，跟踪分布式应用消息  自动检测应用拓扑，帮你搞清楚应用的架构  水平扩展支持大规模服务器集群  提供代码级别的可见性以便轻松定位失败点和瓶颈  使用字节码增强技术，添加新功能无需改动代码  集成SQLAdvisor  智能化采样率 G O P S 全 球 运 维

面向大规模智算集群场景光互连技术白皮书 (2025) I 面向大规模智算集群场景 光互连技术白皮书 （2025年） 发布单位：中国移动 编制单位：中移智库、中国移动通信研究院、中国移动云能力中心、中国移动设计院 II 前 言 当前，智算集群已成为支撑人工智能大模型训练、自动驾驶算法 迭代等前沿领域的核心基础设施，并以惊人的速度从万卡向十万卡级 规模演进。随着单节点算力突破每秒百亿亿次，这类超大规模集群的 规模演进。随着单节点算力突破每秒百亿亿次，这类超大规模集群的 极致计算能力对互连链路带宽、延迟和功耗提出了极其严苛的要求。 传统基于铜介质的电互连方案，正面临 “带宽墙”、“延迟墙”及 “功耗墙”等三重严峻挑战：单通道速率难以突破400Gbps，传输延 迟高达数微秒，单机架互连功耗占比更是超过40%，这一系列瓶颈已 成为制约超大规模智算集群算力释放的核心障碍。 相较于传统可插拔光模块等设备级光互连技术，芯片级光互连正 挑 战。期望通过产学研用多方协作，加速芯片级光互连技术从实验室原 型走向规模化商用落地，推动我国智算基础设施在硬件架构层面实现 跨越式升级，为数字经济的高质量发展筑牢坚实的算力基石。 面向大规模智算集群场景光互连技术白皮书 (2025) III 编写说明 牵头编写单位： 中国移动通信集团有限公司 联合编写单位（排名不分先后，按汉语拼音排序）： 北京凌云光通信技术有限责任公司 烽火通信科技股份有限公司

加速人工智能科学计算，服务算法创新 助力行业企业智能化升级 系统特征 AI 技术从单点能力突破迈向系统能力创新 超节点技术产业生态发展格局 基础特征：大带宽、低时延、内存统一编址 超大规模 扩展特征：多级缓存池化、资源灵活配比 超高可靠 灵活切分 大模型计算基础设施的挑战 小结 小结 CONTENTS 目录 超节点发展报告 02 当我们站在人工智能大模型技术飞速发展 阻塞的高带宽 互联，将数百上千个 AI 处理器编织为一个逻辑统一的高密度计算体，为高效计算提供了底层支撑。 系统能力则是超节点高效运转的保障，它需要具备大规模、高可靠、多场景等系统特征。大规模的 组网能力突破了单机扩展的硬件限制，为大规模算力聚合提供架构支撑；高可靠的运行特性化解了 网络、计算、存储等子系统的故障风险，保障集群作业的连续性；多场景的适配能力则能通过精细 化资源调度等机制，满足不同业务需求，最大化释放算力价值。 化资源调度等机制，满足不同业务需求，最大化释放算力价值。 本文系统性地提出并论证了 “超节点将成为 AI 时代的核心计算单元” 这一重要观点，清晰地呈 现了超节点的基础定义与特征，包括技术层面的基础特征和扩展特征，以及系统层面的大规模、高 可靠、多场景特征。同时，通过分析全球产业的演进路线、超节点稳定性的核心挑战以及技术产业 生态发展格局，为产业界指明了超节点的发展方向。 在未来计算的下一个十年，超节点无疑将成为推动 AI

的 均 衡 模 式 被 动 式 均 衡 对 大 容 量 储 能 系 统 的 调 制 无 能 为 力 从 根 本 上 解 决 困 扰 GEMS 优 于 其 它 同 类 产 品 的特点 用于大规模储能 ， 物美价廉 主 动 式 均 衡 与 被 动 式 均 衡 的 比较 BMS 精 准 度 出 类 拔 萃 BMS 对 电 池 寿 命 的 优 化 07 08 09 10 11 12 电芯串调制效 果并不好。 主动式均衡 - 成本较高 ， 调制效果好 ， 应 该是≥ 50A h 的电池包的首选。 均衡模式 PART 06 被动式均衡对大容 量储能系统的调制 无能为力 大规模储能系统的挑战 储能系统挑战 重型矿山车、港口机械油改电需 200KWh 以上储能， LFP 电 芯 安全但被动均衡难调模块 ，弱模块加速衰减 ，存储电能下降， 输出电能缩水 ，安全隐患。 了电池模组的更换频率。 系统效率 主动式均衡技术显著提高系统整 体效率 ，减少能量损耗 ，延长 电 池使用寿命 ，降低维护成本。 主动式均衡的重要性 储能系统公司的困境 储能挑战 大规模储能系统如海辰每簇达 384 节电芯 ， 维修难 题浮现 ， 被动式均衡 BMS 虽控初投 ， 维保成本却 成隐患。 维修困境 时间推移 ， 储能系统维保负担直线攀升 ， A 123 曾 遇问题重现

从而实现更加灵活和全面的信息化管理。通过大量终端信息的采集结合大数据分析，做出更 加明智的决策。 WWW.SHAV.CN 多连接通信能 力 • 需对工业现场 的设施进行控 制， 结合定位 及传感器数据 进行精准联动。 大规模采集能 力 • 需大量的采 集工业现场的 数据信息， 提升数字化信 息收集能力。 高系统扩展能 力 • 需不断根据 业务情况不断 增加功能， 持续提升系统 功能 低功耗待机能 力 议芯片，开发了具有大规模、多连接、低 功耗、高精度等优点的埃威互联 ® 技术， 解决了其他通信技术无法在限定区域进行 大规模有源部署的局限，是面向数字化新 需求的物联网解决方案 关键技术：大规模多连接物联网通信技术 埃威互 联技术 高精度定位能力 单基站可实现亚 米级实时定位。 多连接通信能力 单基站可同时与 1000+ 终端双向 通信。 大规模采集能力 单基站可同时进 定制自定义协议芯片， 开发了具有大规模、 多连接、高精度、低功耗等优点的埃威互联 ® 技术， 解决了其他通信技术无法在限定 区域进行大规模有源部署的局限， 是面向工业互联多节点数字化管理新需求的物联网 解决方案。 • 满足了工业现场对于无线的、低成本的、长时间的、大规模的数据采集通信的需求。埃 威互联 ® 技术， 可以用一台基站实现： 3000+ 大规模终端物理量信息采集 \1000+

泰 证 券 研 究 所 n DeepSeek 开源使金融机构能够轻松获得前沿模型能力，且大幅降低部署成本。其通过对训练方式、算法架构和推理方 法 的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 n 我们认为金融行业人工智能的应用价值大体可以分为三个层次： 技术落地不及预期、竞争加剧、信息更新不及时等。 2 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero 版 本模 型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和 long-CoT 能力涌现等） 。 图表：随步数提升 图表：随步数提升 R1-Zero 的 AIME 任务准确度 图表：深度思考能力提升 性能：后训练阶段大规模应用强化学习，表现推理能力扩展 资料来源： DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning ，中泰证券研究所

2 应用和数据迁移阶段关键诉求 2.2.3 应用开发与运维转型阶段关键诉求 基础设施层 3.1.1 软硬协同一体化，构建融合高性能基础设施 3.1.2 调度和升级优化，支持超大规模算力管理 3.1.3 端到端可靠性设计，保障系统稳定可靠运行 3.1.4 原生安全能力基线，构筑纵深防御高安全体系 数据层 3.2.1 五大核心要素，定义和设计云上数据库 3 主机现代化已成为主机用户数字化转型必由之路 01 主机是一类高性能计算机系统，专为处理大规模事务和数据密集型应用而设计，具备强大的并行处理能力。 该系统通常能够支持数万至数十万级并发用户访问，并可确保系统在长时间稳定高效运行。主机系统广泛应用 于银行、保险、电信及政府等关键行业，承担着实时交易处理、大规模数据库管理以及批量数据处理等重要业 务任务。 07 主机技术栈是一个高度集成、分层 I/O 通道组成，经过高度优化，能够高效应对大规 模数据处理和高并发事务的挑战。操作系统则专为这类主机设计，具备强大的资源管理能力和并行处理性能。 主要特点： 高性能：采用多处理器集群架构，实现大规模并行计算，处理器集成专用加速单元，通过硬件级加密引 擎实现加密运算的加速处理 高可靠：硬件组件（处理器、内存、存储）普遍采用冗余设计，不会因单点硬件故障而引起系统中断 高安全：主机通常采用内置

的极限，推动智算中心从计算、存储到网络的全栈架构深度演进。在 这一浪潮中，智算中心不仅是国家科技战略的核心支撑，更是产业智 能化升级的关键基础设施。 随着 AI 模型参数量呈指数级增长，尤其是在大规模分布式并行训 练场景下，网络性能已成为制约智算中心整体效率的关键瓶颈。当前 普遍部署的纯电交换网络在互联规模、带宽密度、端到端时延与能效 比等方面逐渐逼近物理与经济的上限：算力芯片的通信需求远超传统 层的关键挑战与发展路径； • 提出面向未来的技术演进方向与标准化路线建议。 我们期望本白皮书能为智算中心网络领域的研究人员、设备制造 商、运营商与服务提供商，提供系统的参考框架与技术洞察，共同推 动构建超大规模、超大带宽、超低时延、超高可靠的新一代智算中心 网络基础设施。 本白皮书的编制工作得到了国家自然科学基金项目（编号： U24B20150）的支持，在此表示感谢。 目录 前言........ 无法独立完成计算工作。 在训练的过程中需要进行频繁且复杂的通信。这就要求构建 GPU 之 间的全互联高速数据通道，以确保数据的高效传输，最大限度减少 GPU 间通信耗时。那么，如何满足大规模 GPU 之间的高效通信，构 建超大规模、超大带宽、超低时延、超高可靠的智算网络，已成为当 前智算网络发展重要挑战。 智算中心网络如图 1-1 所示，可按通信范围分为机内互联 （Intra-Node）与机外互联（Inter-Node）两类：

市场追踪报告，2025年H1 头豹研究院 弗若斯特沙利文咨询（中国） 2025年8月 2 关键发现  算力需求重心从训练转向推理，算力基础设施持续扩展与升级 AI算力消耗已从集中式训练转向大规模推理，带来前所未有的增量需 求。2025年被认为是算力爆发的元年，推理算力的需求将迎来井喷式 增长。推理算力的需求将在未来几年内远超训练算力。 01  2025年H1中国推理算力服务市场中，天翼云以【21 首家实现DeepSeek模型全栈国产化推理服务落地的运营商级云平台。 02  未来推理算力长序列与超大模型推理优化成为关键，国产软硬件 协同与生态成熟推动推理普及 03 中国算力正朝着“训推一体”融合架构快速发展，以支撑大规模 模型与多模态应用的高效低延迟推理。国产AI芯片与推理框架不 断优化，结合模型压缩、量化、动态推理等技术，进一步提升能 效比和部署灵活性。 3 沙利文市场研读 | 2025/08 2 研究框架 ToB中心 ToB边缘 业务 主体 大型互联网 运营商 大模型公司 行业头部企 业 大中型企业 大中小企业 大型互联网 大型企业 分支/ 中小企 算力 需求 超大规模 大规模 较小规模 小规模 超大规模 大规模 小规模 千卡～万卡 数百卡～千 卡 单机8卡起步 单机1卡起步 千卡以上 数百卡～ 数十卡 工程 难度 很高 高 较高 一般 很高 高 较高 TP/DP/PP并行，