大数据： 核酸检测 IT 数据 时延 边缘 、本地 IT 痛点 低 大 分布式 IT 挑 战 海关 AI ： 人证对 比 本地 Ø 低时延部署 Ø 分散节点管理 Ø 本地应用服务能 力 Ø 本地 IT 运维能力 新的挑战： 边缘 、本地 IT 需求快速 增长 位置 分散 环境 复杂 需求 趋势 传统 边缘计算 本地 IT 上云阻碍 验， 网络 、资源互通 基于腾讯云遨驰 Orca 理念的新技术架 构 本地部署 腾讯云管控 Availability Zone 1 云中心 DC TEZ 边缘可用区 VPN/ 专线 专线 边缘节点 合作伙伴机房 客户机房 CDZ 专属 可用区 CDC 专有 集群 VPN/ 专线 公有云 1 ： 1 能力完全输送 倍以上 客户案例 - 树根互联 / 三 一 分布式云产品 II ： TCS Edge 在专网中的边缘场景下， 为客户业务的就近运行和云边统一管理 提供软硬一体的技术平台， 支持弱网管理、边缘自治等能力， 并 提供底层运维、监控、高可用能力， 可帮助客户实现在安全合规 要求下的， 在专网边缘的异构工作负载稳定运行 面向客户群 面向客户需求 产品优势 产品优势 • 软硬一体交付，

大模型、视频分析、数据融合）.............................................................................20 2.3 系统部署模式（云端+边缘计算）................................................................................................ 万小时标注数据的本地知识库建设，第二阶段（3 个月）通过 P- Tuning 实现领域适配，第三阶段（持续优化）建立动态更新的模 型微调机制。当前制约因素主要存在于数据合规使用层面，需建立 符合《网络安全法》要求的边缘计算架构，某省级公安部门的部署 经验表明，采用联邦学习技术可使数据不出域的同时保持模型 95% 的原始性能。未来 12 个月的技术演进将重点突破轻量化部署难 题，目标是在警务通移动终端实现 20fps 算法和硬件 条件设计，采用模块化架构确保可分期实施。 2. 系统总体架构 系统总体架构采用分层模块化设计，通过多级数据流转与智能 分析实现警民协同治理与视频数据的实时处理。整体分为数据采集 层、边缘计算层、云端分析层和应用服务层，各层之间通过标准化 API 接口与安全加密通道进行数据传输，确保系统的高效性与可靠 性。 数据采集层由前端感知设备构成，包括治安摄像头（1080P 及 以上分辨率占比

平台构建工厂级与行业级的 工业数据大脑，提供智慧决策 服务。 边缘数据层 系统采用新一代设备物联技术，结合大量的人 机交互手段， 保证了离散制造业场景中种类繁多的 全生产要素的数据标 准 化。 三个维度构建工厂全数字化的解决方案 18 个标 准 模块 77 项标 准 功能 边缘数据层 物联数据采集 全 生 产 要 素 的 数 据 标 准 化 生 集中控制室 各种 车间看 板 · 覆盖 9 5 % 以 上工业设备的数据采集； · 内置 1000+ 工业通讯协议； · 支持边缘数据计算处理，时延不超过 3 ms ; 以太网、 5G 、 WIFI 网路基站 防火墙 交换机 17 寸电阻屏 集成读卡器、扫码枪 · 支持本地保存，保证数据完整性。 打印机 扫码枪 二维码 SHUYILINK 双数据 服务器备份 无线网络 边缘数据层 | 现场示 例 SHUYILINK 智能终端 PAD PDA 智能手表 婴数驱 成型设备 加工设备

正处于向智能泛在云转型的关键时期。天翼云作为国家云基础设施建设与服务提供的主力军，既要满足 海量的内部业务（如智能客服、智能运维、用户行为分析）与外部用户（如中小微企业 AI 建模、智慧城 市边缘智能计算等）对 GPU 算力的多样化需求，又面临着传统云计算服务模式下 GPU 算力供给的多重 瓶颈。基于当前流行的 Serverless 编程范式，各大云计算厂商纷纷推出了基于函数即服务 FaaS（Function- 应用正在加速普及，针 对传统云计算 GPU 资源 供给模型存在的粗粒度 分配、弹性能力不足以及 运行成本高昂等问题，业 界正在探索面向智能应 用的 FaaS 平台技术来满 足中小模型推理、边缘智 能等“泛在化、动态化和 碎片化”的 AI 算力需求。 OSDI SOSP ASPLOS EuroSys ATC • GPU 云函数沙箱：阿里云和 Microsoft 陆续推出了面向 与不可抵赖审计能力 [125]。 容器安全研究的核心在于应对其共享内核模型带来的固有风险。容器被广泛部署用于在共享计算基 础设施上打包、隔离和复用应用程序，但其安全保障依赖于操作系统。在真实云和边缘计算场景中，容器 可能部署在管理员权限不可控的主机上，宿主操作系统一旦被攻破或被恶意操控，传统的容器隔离机制 就会失效。为此，有研究提出了一种突破传统假设的容器安全模型：即容器运行时不再默认依赖宿主机

节省能源消 耗 应用层 aPaaS 层 PaaS 层 传输层 边缘层 设备层 通过智能传感器及边缘服务器， 实现设备数据采集分析， 通 过 AI 算法， 进行设备的智能化调节。 | 能源 运维 能源 统计 能源 优化 能源 报表 能源 智控 综合能源管理解决方案架构图 中央空 调 边缘服 务器 4G/ 有线 设备数字化监控、运维 技 术 方 中央空调智控 空压站智控 冷却循环水智 控 能源监测 / 设备 数字化 边缘服务器 自定义报 表 数字大屏 设备组态 协议服务 用户管理 IOT 硬件 AI 算法 CCE RES ECS Hbase ELB Kafka 空压站 边缘服 务器 循环水 边缘服 务器 功 能 模 块 方案实现 业 务 场

了优化高密度、高流量场景下的通信表现, 构建了一个 UAV 辅助的移动网络, 同时提出了一种基于在 线训练的低通信开销的数字孪生赋能动态资源分配策略. 具体而言, 实时信息从物理层传输到 DT 层, 帮助更新部署在边缘服务器中的 DT 模型. 同时, 边缘服务器可以直接从 DT 层收集数据, 并将其输 入机器学习系统进行策略探索. 随后, 策略或预测结果从 DT 层反馈到物理层, 促进网络性能的优化. Zhou 等 [33] 提出了一个联邦 提出了一个联邦 DT 框架, 用于对基于 UAV 的多目标跟踪场景进行准确和实时的模拟. 在该框架下, DT 可以帮助 UAV 基于本地观测将移动目标和邻居 UAV 的轨迹与速度映射到数字空 间. 边缘服务器聚合 DT, 准确地模拟目标和预测邻居 UAV 的后续运动, 以优化跟踪路径, 同时实现 碰撞避免. 可见, 数字孪生技术凭借其高保真虚拟映射与实时仿真能力, 已成为 UAV 控制与资源分配 的核心支撑技术 架构分为低空网络层、数字孪生层和自智管控层, 3 个层级进行分工与协 同, 支撑自智管控闭环稳定高效运行. 自智管控闭环如图 2 所示. 低空网络层通过多模态感知设备实时采集飞行器状态、网络状态及环 境状态等动态数据, 经边缘计算节点预处理后上传至数字孪生层的数据池. 数字孪生层构建动态更新 的数字孪生模型, 保持虚拟与真实物理环境的状态同步. 随后, 数字孪生层选择性上传孪生模型至自智 管控层的管控智能体, 作为其算法输入参数

孤岛 与 业务断层 。经专家组论证，现有的碎片化架构已无法承载 十五五 期间对于 新质 ” 生产力 在农业领域深度渗透的要求。因此，本项目并非在旧系统上的简单修补，而是基 于云原生架构、大数据中台及边缘计算技术的全面重构，旨在构建支撑全县未来十年发展 的数字化底座。 3. “ ” 十五五 规划属性与战略定位 “ ” 本项目深度契合国家及地方 十五五 国民经济和社会发展规划建议，其战略属性体现在以 3 建设地点与实施周期 1. 建设地点与覆盖范围 本项目建设地点位于 XX 省 XX 县全域。 物理部署中心设在 XX 县政务云机房（核心区），并在全县 12 个乡镇、2 个街道办事处部 署边缘计算节点。 * 核心示范区 “ ：重点覆盖 XX ” “ 现代农业产业园 及 XX ” 数字乡村示范片区 ，涉及耕地面积 约 45 万亩。 * 感知层布设：计划在全县关键排灌口、主要农作物种植基地、畜禽规模养殖场布设不 部署导致的设备互不兼容、数据难 以共享的问题。 - 接入层：支持 MQTT、CoAP、HTTP、Modbus 等主流工业及物联协议，具备百万级终 端并发接入能力。 - 边缘计算节点：在重点路口及区域部署 120 台边缘计算网关（配置参考：16 核 CPU/64G 内存/2T SSD/支持昇腾或 NVIDIA AI 加速卡），实现视频流的本地化解析， 降低骨干网带宽压力。 - 标准规范：严格执行《GB/T

confidential a 12 集成平台 数字 监管 平台 s 数据管理及服务 AI 平台 其他服务 边缘 视频云边缘节点 视频分析边缘节点 网络 Wi-Fi6) / 5G 应用 智慧监管 协同指挥，利用 5G+ 融合通信， 实现指挥中心与现场作业高效协同 场所管控 ，实现对海关监管场所 内货运车辆的高效智能监管 旅客检查，利用 AR+ 边缘计算， 提升现场重点旅客拦截能力 智能卡口，利用智能视频识别， 实现在卡口的车牌和箱号自动识别 智慧查验，利用 WIFI6+ICP+ 执 法记录仪 + 摄像头，实现查验作业 无纸化，透明化，现场作业人员与 或子系统 基础旅检功能 多渠道上报（ APP 事件上报 | APP SOS 呼叫 | 客户端事件录入事件 | 智能监测告 警） 智能单兵 5G 终端 智能眼镜 边缘 入口 网络 运营商网络 ( 含 5G) 海关专网

实时传输至指挥中心，并通过可视化平台展示，辅助决策者快速响 应。 项目的技术架构分为三个层次：感知层、处理层和应用层。感 知层由无人机及其搭载的传感器设备组成，负责数据采集；处理层 通过边缘计算和云端 AI 算法，对采集到的数据进行实时分析和处 理；应用层则通过指挥中心的可视化平台，将处理结果呈现给决策 者，并提供智能化的灭火建议。 项目的实施将显著提升火灾防控的效率和准确性，减少火灾造 清摄像头、红外热成像仪和激光雷达等传感器。 - AI 算法：基于深 度学习的图像识别模型，结合卷积神经网络（CNN）和目标检测算 法（如 YOLO ），实现对火源、烟雾和人员的高精度识别。 - 数据 处理与传输：利用边缘计算技术，在无人机端进行初步数据处理， 减少数据传输延迟；同时，通过 5G 网络实现实时数据传输，确保 指挥中心能够及时获取关键信息。 项目预期成果包括： - 火灾预警时间缩短至 5 分钟以内； 通过以上范围的实施，本项目将显著提升消防部门的应急响应 能力，为火灾防控和救援工作提供强有力的技术支持。 1.3.1 地理覆盖范围 本项目的地理覆盖范围主要针对城市及周边地区，特别是高层 建筑密集区、工业区、森林边缘地带以及交通枢纽等高风险区域。 这些区域由于人口密集、建筑结构复杂、易燃物集中，一旦发生火 灾，后果将极为严重。因此，低空无人机消防部署 AI 识别系统的 设计将优先覆盖这些关键区域，以确保在火灾初期能够迅速响应并

上下行大带宽、低延时和广连接的新连接特性，场馆可满足现场无人机、5G 背包等各类移动采集、多视角 +VR 拍摄、超高清回传等连接要求，无需转播车协同、专线部署，极大的降低了超高清内容直播和媒资传输成本。 通过部署媒体边缘计算（MEC）新设施，智慧场馆可低成本打造实时编导、就近渲染的超级演播现场和全功能在线 制作中心，不仅能满足各类媒体、工作室、自媒体的赛事内容直播和渲染计算需求，还可通过 5G 网络切片管理，为 态并进行有效反馈。从密度、用户量、安全、可靠、绿色等多个方面考虑，设计与场馆场景强匹配的支持高网络容量、 高带宽需求、能够实现基于业务策略智能控制的解决方案。场馆区域高密度、超高上下行带宽的网络连接及边缘媒体 处理能力，为提升智慧场馆三大核心能力（用户体验、赛事服务和运营管理）打好基础。 构建技术赋能层，需要设计整合的业务系统平台，融合不同业务的功能系统，实现各系统间的互联互通，并考 虑按照优 观赛&运动体验 综合态势 安防作业 疫情人码联动 IOC-应急模式 人员快速疏散 赛事信息发布 IOC-赛事模式 人员热力 人员热力 AI 4G/5G 公安/应急专网 场馆数据机房 场馆边缘节点 综合承载网 (赛事专网/物联网络/办公网络) 应用服务 数据服务 开发服务 ... ... 便捷通行 无人车服务 智慧停车 AR导航 AR IP展示 智慧观赛 智慧健身 训练辅助 .