随着长江黄金水道发展的不断加快和长江数字航道建设的大规模开展,古老的长江正在插上“科技的翅膀”,焕发全新活力。作为这条航道的管理者,长江航道局免费推出的长江电子航道图被列为交通运输部贴近民生的13件实事之一,有力推动了长江航运的全新变革。这套系统的成功建立离不开长江航道局全体员工的辛勤付出,同时也离不开一张强大网络平台的有力支撑,他们共同描绘出古老长江在信息时代奔腾浩瀚的数字之“道 ”。
长江航道迈入信息时代,基础网络亟需升级
长江航道局成立于1957年,在长江沿线七省二市下设长江宜宾、泸州、重庆、宜昌、武汉、南京区域航道局,包括航道科研、航道测量、航道整治、航道档案等支持保障单位,维护着四川宜宾至长江口段(含长江口北支水道)2808公里的长江干线航道。
图: 长江航道局管辖范围
作为我国乃至世界水上交通最繁忙的航道,长江货运量已经连续六年位居世界内河之首。长江航道的数字化、智慧化建设对于提升航道通过能力,减少水上交通事故,保护长江水域环境等方面有着十分积极的作用。而在营造这条数字航道的工作中, 长江航道局的基础网络却出现了瓶颈。
首先,长江航道局原有网络平台的建设年限已久,难以充分利用已有资源进一步提高业务系统的性能输出,难以及时方便地为航行船舶及港航企业提供所需航道动态信息。其次,现有网络规模覆盖范围有限,并且在设备和链路层均存在单点故障的安全隐患。最后,由于航道业务信息系统种类繁多,子系统资源的关联性极强,如果仍然采用手工运维、被动预警的方式,很难保障信息平台的可靠性,轻则造成用户无法访问长江电子航道图,重则发生生产故障。
图:船舶导航系统 图:动态监测平台
构建高可靠基础平台,打通数字“道中道 ”
网络基础设施是数字航道的“道中道 ”,涵盖整个航道范围内的有线、无线网络、通信设备、数据分析和存储等,尤其需要安全稳定可靠的传输作为保障。针对用户的需求,经过反复沟通,锐捷网络在整体解决方案中重点设计了基础网络的可靠性、可用性和扩展性,同时配合智能化、统一化的IT运维管理平台,有力推动了长江航道局的数字航道建设进程。
网络升级改造项目率先在南京航道局、宜昌航道局、重庆航道局展开。具体包括以下4个方面:
第一、通过增加高可靠的新一代网络接入交换机,形成更多信息化系统的底层支撑,这些系统包括:航道动态监测平台、航道维护管理平台、航道应急指挥平台等,从数据采集和传输方面全面提升数字航道基础网络的整体吞吐量。
第二、通过原有RG-S8614核心交换机的增补,形成双机热备,并利用业内领先的 VSU3.0(Virtual Switch Unit,虚拟交换单元)虚拟化技术,将多台物理设备虚拟化为一台逻辑设备,统一运行管理,大幅减少网络节点,降低了网络运维管理人员的工作量。
第三、通过增加多条接入链路和出口路由器RG-RSR7716,实现网络设备和网络链路的低时延、高可用性,提升航道信息服务系统的能力,为航行船舶及港航企业提供完善的服务。
第四、通过部署RIIL IT综合业务管理平台,实现业务系统和IT资源的可视化,减低运维人员负担,实现故障主动预警,根据历史数据智能评估,综合反应业务系统的健康状况。
图:业务系统可视化运维管理平台
在锐捷网络的协助下,南京、宜昌、重庆航道局的网络升级改造顺利完工,基础信息网络平台重获“支撑力”,这为建立一个数字化长江航道,实现长江航道演变分析、维护管理与应用服务智能化,提供了强有力的基础保障。
图:数字航道建设蓝图
“十三五”期间,长江航道局将在以长江电子航道图、航道信息动态采集管理为核心的数字航道基础上,进行数字航道“大升级”,内容涉及航道要素数据采集、航道条件预测、电子航道图生产服务、干线航道养护管理数字化、航道资源保护监测等多方面。锐捷网络作为长江航道局长期的合作伙伴,必将随时根据业务需求,持续优化、不断创新,为数字航道 “大升级”提供一条创新致胜之道。
好文章,需要你的鼓励
亚马逊CEO贾西宣布,AWS实用计算产品高级副总裁彼得·德桑蒂斯将领导新的AI组织,专注于Nova模型发展、定制芯片开发和量子计算。作为领导层变动的一部分,德桑蒂斯将接管人工通用智能团队,原负责人罗希特·普拉萨德将于2025年底离职。新组织还包括皮特·阿贝尔领导前沿模型研究团队。
微软亚洲研究院与清华大学联合提出双向感知塑造技术,通过创新的两阶段训练方法解决AI视觉理解中的关键问题。该技术让AI学会正确聚焦重要视觉信息,避免被无关内容误导。仅用1.3万训练样本就在八个基准测试中平均提升8.2%性能,超越使用数十万样本的专门模型,为AI视觉推理能力提升开辟新路径。
最新调查显示,近半数CIO将AI采用和自动化提升列为未来五年的首要任务。超过三分之一的受访者将加强业务连续性和灾难恢复作为重点,同等比例的企业将人才技能发展列为优先事项。尽管AI投资成为焦点,但投资回报率仍不明朗,近三分之二的商业领袖估计AI投资回报率仅为50%或更低。
上海交通大学研究团队开发了TimeBill框架,解决大语言模型在实时应用中的时间不确定性问题。该系统通过精确预测回答长度和执行时间,动态调整AI记忆管理策略,确保在规定时间内完成任务的同时保持回答质量。实验显示TimeBill在各种时间预算下都能实现最佳的完成率与性能平衡,为AI在自动驾驶、工业控制等安全关键领域的应用提供了重要技术支撑。