亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

7月27日，由中國信息通信研究院、中國通信標準化協會主辦的“2021年可信云大會”在京召開。中國信通院云計算與大數據研究所所長何寶宏在會上正式發布“2021云計算十大關鍵詞”以及對應的重要發展趨勢。

2021云計算十大關鍵詞分別是：云原生、高性能、混沌工程、混合云、邊緣計算、零信任、優化治理、數字政府、低碳云、企業數字化轉型。

云原生：云計算架構正在以云原生為技術內核加速重構

隨著我國在“新基建”領域的布局加速，云計算迎來全新的發展機遇，萬千企業數字化轉型提速換擋，也對云計算的使用效能提出新的需求。云原生以其獨特的技術特點，很好地契合了云計算發展的本質需求，正在成為驅動云計算“質變”的技術內核。

何寶宏判斷，在未來的一段時間內，以云原生為技術內核重構IT架構將是大勢所趨。

高性能：云端高性能計算驅動數字經濟發展

當前，算力推動云計算、大數據、人工智能及智慧應用從概念落地到現實，我國的數字經濟也逐步向人工智能、智能芯片、物聯網、大數據、云計算等“算力依賴型”產業聚焦。

隨著云計算不斷發展，云上算力從計算資源、網絡資源、存儲資源三個維度不斷豐富增強，云端高性能算力的大規模調度更為便捷、提供的算力形式更加多樣化、運行任務透明、觸達更多的應用。在此優勢下，云端高性能市場逆勢上漲。

混沌工程：為復雜系統穩定性保駕護航

復雜系統的穩定性難以保障正在成為行業發展的痛點，混沌工程的出現和興起，為復雜系統穩定性保駕護航，保證生產環境的分布式系統，在面對失控條件的時候，仍然具備較強的韌性。

目前，混沌工程雖然已經在互聯網、金融、通信、工業等多個行業逐步落地，但仍處于早期探索階段，亟需標準規范推進行業健康發展。中國信通院已經編制了《混沌工程平臺能力要求》《混沌工程成熟度模型》《軟件系統穩定性度量模型》等標準，并展開了混沌工程相關評估工作，同時還將成立混沌工程實驗室。

混合云：成為企業上云主流模式

隨著十四五規劃的進一步明確，混合云已成為未來國內云計算發展的重點之一。而近幾年混合云技術和方案的快速發展，也使其在各個行業的應用不斷深入，已成為企業上云的主流模式。

從市場接受度來看，全球范圍內有82%的用戶已經應用混合云部署模式；從產業供給來看，公有云服務商、私有云廠商、電信運營商、傳統IT服務商、云管理服務商等眾多廠商被混合云的廣闊前景所吸引，紛紛推出了各自的解決方案；從行業應用來看，混合云的落地實踐和應用場景日益豐富。

邊緣計算：呈蓄勢待發之勢

邊緣計算正在呈現出蓄勢待發之勢，產業關注度不斷提高、技術體系日臻成熟、應用場景日益豐富、標準制定不斷演進。

縱觀整個邊緣計算產業生態，芯片設備、云服務商、運營商、軟件與解決方案商、開源組織等企業和組織紛紛推出相關產品和服務，整個生態日益完善。

中國信通院發布的“2021云邊協同十佳案例”顯示，邊緣計算已經在工業、交通等重點領域得到了應用，未來隨著產業生態不斷完善，技術體系快速發展，邊緣計算將在產業和企業數字化轉型扮演重要角色。

零信任：與原生云安全不斷融合

隨著企業上云進程的不斷加快，傳統以邊界為核心的安全防護體系遭遇瓶頸，零信任、原生云安全等理念興起，為企業建設新一代安全體系提供了指引。

當前，云原生與云安全呈加速融合趨勢。一是在運營階段，零信任作為云安全產品不斷原生化，零信任從私有化部署向SaaS服務演進、SD-WAN通過集成零信任，實現安全訪問服務邊緣（SASE），云上零信任實現了安全性能的彈性擴展，能夠應對海量訪問請求，同時微隔離作為零信任關鍵技術，對云內東西向流量進行訪問控制，彌補傳統安全防護機制在云環境應用的不足。二是原生云安全強調從研發階段關注安全，越來越多的企業開始以零信任原則設計應用系統，云服務或云上應用將實現原生零信任，安全能力得到大幅提升。

優化治理：企業上云加速優化治理需求

隨著企業用云程度的加深，企業關注點從開始上云的咨詢、遷移，逐步地轉到上云后的優化，云優化治理體系逐步形成。

云優化治理體系能夠給企業上云策略制定、線路規劃、采用實施、云上優化進行全生命周期的優化提升，讓企業更懂云、更好的用云，為企業數字化轉型提供新的動力。

數字政府：數字技術使能政府治理創新

提高數字政府建設水平是“十四五”規劃的重要篇章，隨著數字政府迎來藍海市場，企業紛紛加速布局。充分發揮云計算等數字技術的使能作用，推動政府治理流程再造和模式優化，不斷提高決策科學性和服務效率是數字政府未來趨勢。

未來，數字政府建設水平和運營效果成熟度，將會成為行業關注重點。

低碳云：企業數字化與節能減碳齊頭并進的技術引擎

隨著數字經濟加速發展，企業數據中心成為能耗大戶，嚴重制約企業和全社會的綠色發展。低碳云能夠提升資源效能，賦能社會節能減碳。

“低碳云”是指利用云計算實現提高計算、存儲、網絡等資源利用率，全面提升全社會資源效能，并將云計算與大數據、人工智能等技術融合，賦能企業和全社會節能減碳的目標。

企業數字化轉型：從宏觀逐漸到微觀落地

企業數字化轉型是國家推動經濟社會發展的重要戰略手段。2017年，政府工作報告首次提出“數字經濟”概念，至今已累計4次被直接寫入政府工作報告。“十四五”規劃中明確提出“以數字化轉型整體驅動生產方式、生活方式和治理方式變革”等一系列重要規劃目標，數字化概念，逐漸從宏觀向企業各個環節的微觀數字化落地。

隨著數字經濟發展的深入，企業的數字化轉型正不斷地從宏觀整體，向企業價值鏈中各環節微觀模塊滲透。

在數字信息技術日新月異的發展趨勢下，數據已成為數字經濟發展的核心生產要素，是國家重要資產和基礎戰略資源。隨著數據價值的愈加凸顯，數據安全風險與日俱增，數據泄露、數據販賣等數據安全事件頻發，為個人隱私、企業商業秘密、國家重要情報等帶來了嚴重的安全隱患。

當前，數據安全已成為數字經濟時代最緊迫和最基礎的安全問題，加強數據安全治理已成為維護國家安全和國家競爭力的戰略需要。為此，國家高度重視數據安全的頂層設計：在相繼發布的《促進大數據發展行動綱要》（2015）、《科學數據管理辦法》（2018）、《關于構建更加完善的要素市場化配置體制機制的意見》（2020）以及“十四五”規劃（2021）中，均提出發展數字經濟、加快培育發展數據要素市場，應把保障數據安全放在突出位置的重要思想內涵。

面對數據安全威脅日益嚴峻的態勢，著力解決數據安全領域的突出問題，有效提升數據安全治理能力迫在眉睫。然而，由于數字技術促使數據應用場景和參與主體日益多樣化，數據安全的外延不斷擴展，數據安全治理面臨多重棘手困境。為此，賽迪智庫發布《數據安全治理白皮書》，在分析我國數據安全風險、治理現狀、治理困境的基礎上，從政策、監管、產業生態建設、國際合作等方面提出綜合解決路徑。

近年來，數據的融合應用驅動各行各業走向數字化、網絡化和智能化，數據安全、個人隱私保護等問題也愈發受到社會廣泛關注。如何在合規的前提下做好數據融合，成為一個亟需解決的難題。

近期，騰訊公司發布《騰訊隱私計算白皮書2021》（以下簡稱《白皮書》），深入探討隱私計算作為在數據融合應用過程中保障數據安全合規的關鍵技術路徑、商業模式、應用場景、技術變革、產業趨勢、法律問題及合規痛點，并從技術、應用、法律等視角對隱私計算的發展進行了展望。

1、隱私計算的定義

隱私計算（Privacy Computing）是指一種由兩個或多個參與方聯合計算的技術和系統，參與方在不泄露各自數據的前提下通過協作對他們的數據進行聯合機器學習和聯合分析。隱私計算的參與方既可以是同一機構的不同部門，也可以是不同的機構。在隱私計算框架下，參與方的數據明文不出本地，在保護數據安全的同時實現多源數據跨域合作，以破解數據保護與融合應用難題。

2、隱私計算三大流派

聯邦學習

聯邦學習是一種分布式機器學習技術和系統，包括兩個或多個參與方，這些參與方通過安全的算法協議進行聯合機器學習，可以在各方數據不出本地的情況下聯合多方數據源建模和提供模型推理與預測服務。在聯邦學習框架下，各參與方只交換密文形式的中間計算結果或轉化結果，不交換數據，保證各方數據不露出。聯邦學習可以通過同態加密、差分隱私、秘密分享等提高數據協作過程中的安全性。

安全多方計算

安全多方計算是一種在參與方不共享各自數據且沒有可信第三方的情況下安全地計算約定函數的技術和系統。通過安全的算法和協議，參與方將明文形式的數據加密后或轉化后再提供給其他方，任一參與方都無法接觸到其他方的明文形式的數據，從而保證各方數據的安全。安全多方計算的基本安全算子包括同態加密、秘密分享、混淆電路、不經意傳輸、零知識證明、同態承諾等。

可信計算

可信計算指借助硬件CPU芯片實現可信執行環境（TEE），從而構建一個受保護的“飛地”（Enclave），對于應用程序來說，它的Enclave 是一個安全的內容容器，用于存放應用程序的敏感數據與代碼，并保證它們的機密性與完整性。

3、隱私計算的應用場景

《白皮書》中提到，數據協作需求正推動隱私計算應用從金融、醫療等向其他行業延伸。以金融反欺詐模型為例，隱私計算能夠助力銀行聯合建模，提升反欺詐模型水平。傳統上，銀行通常基于歷史還款信息、征信數據和第三方的通用征信分來做貸前反欺詐，該方式存在數據維度缺乏、數據量較少等情況，需融合多方數據聯合建模才能構建更加精準的反欺詐模型，但這一過程中隱私保護和數據安全是不可忽視的重要環節，《白皮書》指出，聯邦學習可解決合作中數據隱私與特征變量融合矛盾，在雙方或多方合作中線上保障特征變量交換時的信息安全。

4、隱私計算助力數據安全的合規價值

《白皮書》指出，隱私計算助力數據安全合規的價值凸顯，有望成為數據協作過程中數據合規和隱私保護的技術工具。

一是隱私計算在無需轉移數據物理存儲服務器的情況下實現數據建模分析，從而減少數據協作過程中風險。對于個人信息保護來說，可以有效降低個人信息在應用過程中泄露的風險；對于企業的跨界數據合作而言，由于隱私計算能夠實現數據可用不可見，幫助不同企業和機構與產業鏈上下游的主體進行聯合分析，打造數據融合應用，同時在數據協作的過程中履行數據安全和合規義務，實現數據價值最大化。

二是隱私計算從技術層面滿足數據最小化、完整性和機密性原則要求。傳統的數據融合方式需要先將盡可能多的數據集中至一個數據中心，然后再訓練模型。因此很可能存在數據過度采集的問題，同時面臨數據傳輸、存儲的安全風險。而采用隱私計算技術，尤其是隱私計算和區塊鏈等技術結合形成的整體解決方案，對數據真實性、準確性進行記錄，如數據被篡改、可進行精準定位和追溯，防止數據被篡改，也能夠有效防止數據被無權限人員隨意訪問、修改、導出等，保障數據的完整性和機密性，與當前數據保護相關立法目的和原則高度契合。

三是隱私計算可證明、記載企業是否履行數據安全保障義務。

5、隱私計算的合規痛點

盡管隱私計算實現的數據保護功能與數據保護相關立法精神高度契合，具有廣闊的發展前景，但隱私計算仍存在一些合規痛點。

隱私計算的用戶授權機制仍需明確。

根據《網絡安全法》及《民法典》相關規定，數據處理者在處理數據時應公開收集、使用規則，并經用戶同意。從隱私計算的特點來看，數據合作方通過隱私計算技術實現數據分析與建模，不需實際流轉數據，且處理過程中的數據都進行了匿名化處理，或不需要獲得用戶授權同意。但在數據采集階段，數據合作各方仍需獲得用戶授權同意。此外，個人信息的匿名化標準尚存爭議，因此仍需做好告知同意的授權管理。

另外，《白皮書》指出，隱私計算在本地服務器中建模的行為也存在用戶授權的問題。即使企業在采集數據時通過隱私政策取得了用戶對本地建模行為的授權，但該授權仍需保持在與數據實際處理目的直接或合理關聯的范圍內。因此，在借助隱私計算技術解決用戶授權問題時，也需關注數據處理目的合法合規性。

隱私計算仍存在數據安全風險。

隱私計算盡管無需參與者直接共享原始數據，但模型更新仍然會泄露參與者訓練數據的相關信息，攻擊者可以采用推理攻擊判斷具體的數據點或數據屬性是否被用于訓練，或采用逆向學習的方法還原原始數據。如果有切實的證據證明經過隱私計算的數據結果具有可逆性且已被泄露，那么它便不再屬于法律規定的“經過處理無法識別特定個人且不能復原”的數據。因此，企業需從模型隱私、輸入隱私、訓練數據隱私、輸出隱私四方面保障數據的安全。

隱私計算參與各方權利義務的邊界有待進一步明確。隱私計算涉及個人信息主體、數據持有方、計算方、結果方，各方之間的法律關系尚需厘清，如發生數據泄露且溯源取證困難時，后三者間應如何進行責任劃分，這些都將影響隱私計算商業模式的發展。《白皮書》建議在現階段，隱私計算參與者宜通過協議方式，約定彼此的數據安全權利和義務邊界，以便在發生爭議時，明確各自的責任范圍。

//www.cebnet.com.cn/upload/resources/file/2021/04/19/176342.pdf

基于AI的視頻分析是視頻監控行業討論很多的話題之一。某些應用程序能夠顯著提升數據分析 速度，自動開展重復性任務。但現今，AI解決方案無法取代人類操作員的經驗和決策制定能 力。它的切實優勢在于組合：利用AI解決方案，改善和提高人工效率。

AI概念包含機器學習算法和深度學習算法。這兩種類型都能夠使用大量采樣數據（訓練數據） 自動構建數學模型，以便能夠在無需專門編程的情況下計算結果。AI算法的開發通過迭代過程 實現，其中，在得到所需的質量水平之前，要反復執行如下操作循環：收集訓練數據、對 訓練數據加標記、使用加標記的數據訓練算法以及測試經訓練的算法。此后，可隨時將算 法用于分析應用程序中，此應用程序在購買后即可部署在監控點。這時，所有訓練都已完 成，應用程序將不再進行任何新的學習。

基于AI的視頻分析的典型任務是，以視覺方式偵測視頻流中的人和車輛，并對它們加以區 分。機器學習算法已學習對這些目標予以定義的視覺特征的組合。深度學習算法是進一步 優化，在經過相應訓練后，能夠偵測復雜得多的目標。但在使用最終的應用程序時，它需 要的開發量和訓練量以及計算資源也多得多。因此，應依據明確的監控需求，考慮專門 的、經優化的機器學習算法是否已經足夠。

攝像機的算法開發和不斷提升的處理能力使得能夠直接在攝像機上（基于前端）運行先進的 基于AI的視頻分析工具，而不必在服務器上（基于服務器）執行計算。這樣就能夠改善實 時功能性，因為應用程序能夠直接訪問未壓縮的視頻材料。相比CPU或GPU（圖形處理單 元），利用攝像機中的專用硬件加速器，如MLPU（機器學習處理單元）和DLPU（深度學習 處理單元），能夠更省電地實現前端分析。

在安裝基于AI的視頻分析應用程序之前，必須仔細研讀并遵守制造商基于已知前提條件和限制 要求所提出的建議。每套監控安裝都具有唯一性，應針對每個監控點評估應用程序的性能。如果質量低于預期，應開展全面調查，而不是僅著眼于分析應用程序本身。視頻分析性能取 決于多方面因素，涉及攝像機硬件、攝像機配置、視頻質量、場景動態和照明等。在許多情 況下，了解這些因素的影響并進行相應的優化有助于提升系統的視頻分析性能。

隨著AI在監控領域的應用日益廣泛，必須嚴謹評估這項技術的使用時機和場合，從而在運 行效率優勢與新應用場合之間合理平衡。

近日，華為、中國移動、清華大學等11家企業、高校與機構發布《多樣性算力技術愿景白皮書》（以下簡稱：白皮書），呼吁產業合作，為世界提供多樣性算力基礎設施，消除行業分享數字化紅利的技術鴻溝。

《白皮書》從需求角度出發，對國內多樣性算力發展的現狀和問題進行了全面闡述，針對多樣性算力產業鏈發展提供了可落地的策略和具體方案。《白皮書》指出，一個成熟的計算產業，需要豐富多元的軟硬件供應體系，需要便于應用適配和遷移的工具促進應用發展，需要客觀中立衡量性能的‘標尺’牽引技術提升，形成生態型產業布局。

《白皮書》提到，隨著5G、人工智能、云計算、大數據、物聯網等新一代信息技術在各行各業廣泛應用并取得加速突破，人類社會已經迎來了數字經濟時代。萬物互聯產生各種各樣的數據，數據成為勞動、資本、土地和技術之外的第5個生產要素，圍繞數據分析處理的算力成為新的生產力。行業應用的多樣性帶來數據和算力的多樣性，沒有一種計算架構可以高效滿足所有業務訴求。計算密集型應用需要計算平臺執行邏輯復雜的調度任務，而數據密集型應用則需要高效率地完成海量數據并發處理，這使得單一計算平臺難以適應業務要求，計算多樣性成為必然。

傳統CPU架構強調高性能單核處理能力，雖能兼容大量指令，但在AI或高計算力需求下，計算任務執行效率較低，功耗較高不符合綠色節能的發展趨勢。以ARM為代表的RISC流派CPU稱雄智能終端側市場。隨著消費側技術迭代的快周期，ARM在工藝制程取得領先，并在多核并發、高吞吐等方面優勢明顯，迅速拓展到數據中心、PC、HPC等應用場景。與此同時，MIPS架構推出了多款面向桌面應用的產品，基于Alpha架構的中國超級計算拿下多個世界第一，RISC-V的單板計算機在2021年年初面世。不同計算架構齊頭并進，行業呈現出百花齊放的狀態。

2月23日，在上海舉行的第23屆GTI國際產業峰會上，中國移動聯合近20家國內外主流運營商和廠商，共同發布《5G無線技術演進白皮書》。

這是業界第一次聯合發布關于5G無線發展演進的白皮書，標志著產業各方對5G無線演進的技術方向和路徑達成共識，有利于聚集全產業的力量，共同定義面向2025年及以后的R18/19技術演進框架，共創5G可持續發展的未來。

白皮書首先總結了5G演進的四大演進驅動力。即：提升現網性能和效率并降低成本、滿足未來個人超高清和沉浸式等新業務發展需求、滿足千行百業應用的多樣化需求、與AI等新技術的深度融合。

在此基礎上，白皮書對5G無線演進的潛在無線技術方向進行了定義，提出了四大無線演進方向和二十項關鍵使能技術：

第一

無線演進方向是構建智能高效的無線網絡，主要包括引入原生AI增強5G智能化、提升端到端業務體驗質量協同性、綠色節能、低成本覆蓋和5G/4G多網協同等五項關鍵使能技術，著力提高5G網絡的效率，尤其是要支持4G/5G網絡低成本平滑升級。

第二

無線演進方向是現網性能增強技術，主要包括上行能力提升、大規模MIMO、URLLC增強、低成本物聯網和移動性增強等五項關鍵使能技術，目的是在eMBB（增強移動寬帶）、mMTC（大規模機器類通信）、URLLC（超高可靠、超低時延通信）等方面持續增強，尤其是面向機器視覺等大上行業務和AR/VR（增強現實/虛擬現實）等沉浸式業務，引入SUL（補充上行鏈路）增強和多載波傳輸等技術實現1Gbps傳輸速率、超低極致時延、大業務下99.9999%可靠性等目標，進而持續提升5G網絡的性能，助力網絡能力進階。

第三

無線演進方向是頻譜效率最大化技術，主要是支撐全頻段靈活使用的技術，包括引入6GHz和毫米波在內的更多IMT（國際移動通信）頻段應用、靈活雙工和全雙工、動態頻譜共享、靈活頻譜接入和彈性小區等四項關鍵使能技術，以便重構100GHz以下頻譜使用，實現多頻多制式組網下的頻譜效益最大化。

第四

無線演進方向是新行業新應用使能技術，主要是支撐新行業、新應用的一些使能技術，包括厘米級高精度定位和融合感知、天地一體化、高交互寬帶通信、廣播組播、多終端協作和網絡切片等六項關鍵使能技術，拓展5G新能力維度，滿足千行百業的多樣化需求，助力打開未來新商業空間。

【導讀】來自微眾銀行 FEDAI聯合發布了《聯邦學習白皮書》v2.0.

本白皮書從人工智能數據安全的內涵出發，首次提出人工智能數據安全的體系架構，在系統梳理人工智能數據安全風險和安全應用情況的基礎上，總結了國內外人工智能數據安全治理現狀，研究提出了我國人工智能數據安全治理建議。