厘清建模所需数据与可获得性 B) 基于 GIS 的城市建筑信息获取 C) 基于大语言模型 (LLM) 推理的城 市 级建筑年龄信息增广 设计问答范式“ [ 某市 ][ 某区 [ 某街道 ] 有一栋 [ 某类型建 筑 ], 请估测它的建设年代， 无需 给出详细解释” 脚本批 量问 答 收集答案 + 抽样验 证 + 数据集导 入 一建筑高度 建筑投影面积 一建筑外观形态

差 异 显 著 ， 单 一 数 据 中 心 无 法 承 载 全 局 流 量 压 力。若不进行跨区域流量调配，可能出现“部分中 心资源闲置、部分中心濒临崩溃”的失衡状态。而 在故障场景下（如某区域数据中心突发宕机），流 量调配能快速将该区域的访问请求导向其他负载较 低的中心，通过动态均衡资源使用，避免因流量集 中导致次生故障，为业务恢复争取时间。 ·业务部署形态的多样性要求流量调配具备“跨架 数据融合是统一观测的关键 多活数据中心涉及多地域数据中心、广域网链路、上层应用及底层基础设施，这些环节产生的数据若 处于割裂状态（如网络数据归网络团队、应用日志归开发团队），则无法通过统一视角判断“某区域 业务卡顿是源于网络时延还是应用性能”。只有实现应用、网络、云、基础设施数据的融合分析，才 能构建“端到端的故障归因模型”，避免因数据孤岛导致的“局部优化却全局失效”。 稳定千公里时延需突破传统QoS的局限 点上传的核心数据，利用强大算力进行深度分析与 全 局 决 策 。 汇 总 各 区 域 边 缘 节 点 的 用 户 访 问 数 据，通过机器学习预测不同地区的流量高峰，提前 向对应边缘节点推送热点数据缓存以降低延迟。当 某区域边缘节点算力不足时，动态调度其他节点或 中心资源支援，实现全域算力的灵活调配。 这种“中心 - 边缘 - 终端”协同模式，通过跨数据 中心横向协同 及 “中心-边缘”纵向协同实现数据 的分

如制度未落地）。巡检 后需形成闭环：用数字化工具（如安全管理APP）实时记录隐患，同 步推送整改责任人和时限（立即整改项当场处置，限期整改项挂账 追踪）；每周复盘巡检数据，分析高频隐患根源（如某区域反复线 路老化，需从规划层面更换阻燃线缆），并将典型问题转化为培训 案例（如“违规操作引发的小事故”纳入员工周安全会）；同时将巡 检完成率、整改率与绩效挂钩，倒逼责任落实。这种“查隐患-促整