近日,作为承担保护与合理利用中国西南自然资源重任的省一级单位,云南省国土资源厅(以下简称:云南国土厅)为提升全省三级网络平台的应用效率、避免IT故障造成业务中断的不利影响,采购了浪潮SSM应用监管系统,全力打造IT运维管理的新格局。
云南国土厅资源信息系统经过多年的建设,形成了以省厅为中心、覆盖全省地州(市)、县(市、区)国土局的三级网络办公应用平台。该平台运行着云南省国土资源行政审批、行政办公、矿产资源管理、地质灾害管理、互联网信息交互查询等核心应用。而随着全国“国土资源云”和不动产登记信息管理基础平台建设的不断推进,云南国土厅在深化政务办公平台应用的同时,也遇到了一项信息化管理难题。
近几年,云南国土厅各项信息管理系统越建越多,网络、设备和产品也越来越复杂,省厅信息中心运维人员经常超负荷运转。信息中心每天接到的报修电话有数十个,包括省厅内部及下属单位求助,运维人员长期处于高压工作状态,却仍然无法及时满足报修需求。另一方面,由于地处中国西南边陲,很多基层IT人员配备不足,技术能力有限,一旦发生IT故障,故障的排查耗时久、故障处理效率低,影响了业务正常运转。如何第一时间排除故障、甚至能在故障影响业务之前就得到有效处理呢?这就需要从“事后”运维转变为“事前”运维,这也是解决人手不足的关键。正因如此,云南国土厅急需一款专业的IT运维软件,实现IT运维自动化、可视化、主动化。
在国外内多家知名厂商同台竞技下,浪潮凭借SSM产品的技术领先性,以及针对省、市、县三级联网运维部署的成熟经验脱颖而出,最终赢得了云南国土厅IT运维管理系统的建设项目。整个项目最后确定分为两期进行部署,一期针对省厅级数据中心全部部署,包括网络监管模块、应用监管模块和3D集中展示模块。二期是在应用监管模块的基础上,针对全省一共五百多个节点进行实施统一监控,确保省厅内、外网络及各设备系统正常运行。
浪潮SSM是面向大中型网络管理的新一代IT运维产品,可全面支持云南国土厅分级部署、分布式部署的需要,通过级联管理,下属16个地市单位可以按照策略定期将监控数据上报到总部,由总部进行统一处理并展现。从功能特点上看,其内置的主动预警和自动巡检特性,可以全面降低数据中心网络设备、服务器及业务应用系统的故障发生率,从而帮助云南国土厅实现从事后到事前的运维转变。另外,SSM还内置了大量的视图组件,可以快速绘制不同类型的拓扑视图、图表视图、业务视图,将系统中存在的隐患和故障源定位全面展现出来。此外,浪潮SSM采用模块化设计,云南国土厅不仅可以使用当前采用的“三大模块”化解现阶段遇到的管理难题,更为日后IT管理能力提升提供了扩展空间。
云南国土厅部署将主要部署浪潮SSM的三大模块包括:应用监管模块、网络监管模块和集中展现模块。首先,应用监管模块能够对业务平台的设备进行实时监控,可以帮助云南国土厅的技术人员快速、准确的定位故障来源,提高IT系统的响应效率和服务质量。其次,网络监管模块则可以持续自动地发现、识别和跟踪全省网络平台上的网络设备和服务器,采集网络设备的运行状态和性能参数,全面、直观地反映出网络设备和线路的整体状态。最后,具有3D仿真界面的集中展现模块,不仅可以在大屏幕上方便技术人员操作,还可以能IT资源提供各种趋势、比较、TopN等统计分析报表,为业务决策和平台优化提供数据依据。
据了解,浪潮已经开始根据客户的实际需求有计划、有步骤地对相关技术人员进行培训,一同梳理IT运维流程。待项目正式实施后,不仅能够有效缓解数据中心的运维压力、解决下属单位人手短缺的问题,更能在第一时间发现、定位故障隐患,并利用SSM系统中的建议实现快速的故障修复,打开IT运维管理的新格局。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。