郑州新郑国际机场,1997年8月建成通航,是中部地区第一个拥有双航站楼双跑道的机场, 是中国八大区域性枢纽机场之一,同时也是仅次于上海浦东、广州白云、深圳宝安机场的国内第四大货运机场。
随着航空运输业务突飞猛进的发展,郑州新郑国际机场原有的航站楼已不能满足需求,于是新建大型空港建筑T2航站楼,设计满足2020年旅客吞吐量3000万人次,高峰小时旅客吞吐量11062人次。
现代化大型机场的日常运作,离不开优质的网络系统,同时必须为旅客提供基于场景的、优质的WIFI覆盖方案。郑州新郑国际机场T2航站楼网络系统是一个大型、综合的业务网络系统,其对网络可靠性、安全性、维护性等方面均提出了极高的要求,华为严格按照机场网络建设标准和要求,结合华为敏捷网络的特色,为郑州新郑国际机场打造了一个技术领先、安全可靠、弹性扩展和优质体验的敏捷网络,为机场的各个业务系统正常开展保驾护航。
安全可靠网络,保障机场核心业务24小时永续
新郑国际机场T2航站楼新建多个网络系统,承载网络是整个机场信息系统的通信基础,承载着机场管理、调度、航班信息、旅客信息等重要业务,因此对网络高可靠性要求非常严格。为此,在多个网络系统的骨干层,新郑国际机场部署了华为敏捷核心交换机S12700,采用业界领先交换网硬件集群技术CSS2,实现集群系统1+N备份,有效保证新郑国际机场核心网络99.999%电信级高可靠,保障业务24小时不间断。
新郑国际机场多个网络系统间涉及业务的互访互通,若其中一张网络系统遭受攻击(如DDOS攻击、入侵攻击、病毒等)很容易扩散到其它网络系统中,对机场全网影响巨大。为了有效保证各网络系统间互访安全和应用安全,华为在各个网络系统出口部署下一代防火墙,保障各网络系统的资源安全,同时又通过严格的策略访问控制让系统间的业务互访得到很好的管控,保障4-7层的网络数据安全。
高质量WI-FI覆盖,给旅客优质无线接入体验
新建T2航站楼需要给旅客提供全覆盖的高速无线上网服务。华为针对航站楼内的候机区、VIP厅、出发大厅商业区、行李提取区等不同区域特点,依据几十年专业的无线网络建设经验,根据新郑国际机场实际物理环境和建筑结构,给出最佳的AP安装位置和安装方式,同时综合考虑环境干扰和信号衰减等因素,确保指定区域无线覆盖无盲区低干扰,且提供满格的信号强度。优质的WIFI覆盖方案,保障单一旅客无线网络体验,不管在T2航站楼哪个区域,随时能够通过PAD或手机等终端,Portal认证方式便捷接入无线网络;随着用户在T2航站楼内不同区域的移动,华为提供强大的无线漫游能力,做到用户无感知,同时高性能无线网络保障大规模用户接入需求。
统一运维让机场全网络管理变得轻松高效
新郑国际机场网络涉及多套网络系统,设备网元数量和类型较多,同时还涉及无线网络,这些都大幅增加了运维工作量和复杂度。新郑国际机场通过部署华为eSight统一网管,实现对机场全网全方位可视化的运维管理。通过可视化的拓扑管理,让全网结构一目了解;端到端的可视化诊断快速解决业务/设备故障,提高故障处理效率,降低故障带来的业务损失;合理分配网络资源、动态配置网络负载、有效增强网络利用率;7*24小时实时监测网络性能、网络告警,及时通知运维人员。eSight在手,整个机场网络轻松运维,管理方便,极大的提升运维效率和降低成本。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。