华为近期宣布,其数通与OTN(Optical Transport Network,光传送网络)集成解决方案成功中标上海地铁高速数据网项目,助力国内首个城市轨道交通上层骨干传送网络建设,并成为OTN产品在国内地铁的首次应用。
上海市轨道交通于1993年5月28日正式运营,经过20多年的快速发展,截至2016年12月,共开通地铁线路14条(1-13号线、16号线),全网运营线路总长617公里,车站366座,运营里程和线网规模均雄居全球首位,是全世界最大的城市地铁系统。
随着规模日益扩大,城市轨道交通在城市中的地位日益提升,各条线路之间的协调和管理变得越来越重要。为此,上海市建立了轨道交通主用网络协调及应急中心,即COCC。COCC作为协调城市各交通子系统及处理应急事件的总控制中心,承载了全轨道线网列车运行、客运管理、电力供给、设备监控、防灾报警等中心级职能。在非正常情况下,COCC也承担着事件处理的现场指挥中心功能。本次上海地铁高速数据网项目,就是为了连接上海轨道交通各条线的控制中心(OCC)、上海轨道交通主备网络协调及应急中心(COCC、BCOCC)、城市轨道和公交总队、公安分控中心、主备无线交换中心(MSO、BMSO)、软交换中心(规划)、清分中心(ACC)、数据中心、清分中心、培训中心、申通OA网络中心、运营公司等轨道交通上层管理应用节点,形成COCC对所有线路的监控、指挥和协调。
根据建设需求,上海地铁高速数据网项目主要面临如下3个挑战。
业务众多,带宽需求高:作为全球最大的地铁系统,上海市目前共运营14条地铁,将来还将扩充到21条地铁线路,所有线路的OCC的信息都要传递到COCC。根据统计,OCC与COCC之间的通信包含三大系统共计26种业务类型,如专用无线业务、ATS业务、PIS业务、CCTV业务、办公OA业务等,需要传送网提供足够大的带宽,并能为未来新增业务预留出足够的可扩容空间。
子系统隔离,传输性能要求高:高速数据网承载的业务包含ATS列车调度、AFC售票等对可靠性、实时性、安全性要求非常高的业务,同时各业务的运营部门间需要相互独立不受干扰,且不同业务之间必须要能实现物理隔离,对网络的性能指标和通道间隔离有非常高的要求。
组网规模大,可靠性要求高:整张高速数据网包括传输平台、数据运营执行网、数据运营管理网和低速数据业务网。共有两个环19个节点,覆盖全上海市所有OCC,组网规模空前。在网络中,无论是TDM业务,还是以太网业务,都需要有高可靠性的网络作保障,能够保证故障场景下及时倒换,确保业务正常运行。
为了满足建网需求,华为公司通过深入分析组网拓扑和业务需求,采用分层架构将网络分为4层:底层设置基础传送平台(光传送网),上层利用传送通道独立构建数据运营执行网络(运营网),数据运营管理网络(管理网)和低速数据业务网络(接入网)。光传送网采用华为先进成熟的OTN技术,在各上层节点间通过光缆连接组建成带宽不低于400G的光纤环网;数据执行网、数据管理网和接入网通过光传送网的硬管道隔离承载。该方案有如下几个特点:
可扩展超大带宽:OTN系统采用40/80波10G组网,初期开通26波,后期可通过增加线卡实现带宽扩展,并支持10G/100G混传。每个10G通道能够承载ODU2/ODU1/ODU0业务颗粒,能将地铁不同业务通过不同的业务封装到ODUk管道进行承载,ODUk颗粒支持绑定为以太网或SDH管道。这样,电话等TDM业务就能通过SDH封装到ODUk中进行承载,视频监控、PIS等分组业务就能通过以太网封装到ODUk中进行承载,从而实现了SDH与以太网业务在同一根光纤承载,并能够满足今后业务量扩容要求。
物理隔离,时隙交换:华为OTN产品采用波长+ODUk+VC三重物理隔离,能将地铁不同类型的业务通过不同的管道进行承载,从而实现了业务的物理隔离,确保了业务的安全性,并能提供端到端的带宽保障,防止某条业务突发从而影响其他系统业务。在设备内部,采用基于ODUk的时隙交换,使得各类业务的传输时延与抖动非常低,传输指标稳定,不受业务量的变化而变化,非常适合ATS等重要业务的传输。
高可靠多重保护:OTN支持各种设备级保护,如主控、交叉、时钟和电源1+1保护,能够确保设备高可靠正常运行。在网络级保护层面,设备支持TDM保护(如SNCP)和分组保护(如PW APS),全面保证各类业务安全可靠。同时,OTN网络支持后续扩展成ASON网络,通过MESH组网实现业务多路径,实现业务“有路就达”,进一步提升业务的可靠性。
作为全球领先的传送网解决方案供应商,华为公司所提供的轨道交通OTN传送网解决方案以其大带宽、低时延、高可靠性、高安全等特性,获得客户的高度认可,助力上海市轨道交通网络朝着云计算、大数据、智能化的方向持续发展。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。