《大数据交易应当重视和研究的几个问题》指出，为了保证交易数据来源的正当性和交易主体的合法性，为了有效克服大数据交易中的问题和风险，对于数据这种新型特殊财产的权属、开发利用及流转的特殊规律应当抓紧研究，相关制度建设要及时跟进。该报告建议从两方面入手：一是从私法角度明确数据的财产性质及其权属分配规则。在充分保护人格权和商业秘密的基础上，将数据产权按价值贡献在被采集者、采集者以及数据加工者等相关主体之间进行合理分配。二是从公法角度明确关于数据采集、加工，大数据产品的开发、流转等的监管规范。要明确数据的采集和利用不得违背公认的社会道德和善良风俗；在不损害相关主体的合法权益和公共利益的前提下，推动政府数据公开共享；禁止有可能威胁国家安全的跨境数据流动。

日前，国防科技大学系统工程学院大数据与复杂网络研究团队同四川大学、电子科技大学一起，组建新冠病毒大数据交叉学科研究平台，助力新型流行病研究和防控，给多个省份和国家有关部委等提供了8份数据分析报告和决策建议报告，为防控和战胜疫情贡献出了科学智慧。国防科技大学系统工程学院大数据与复杂网络研究团队基于新冠病毒大数据交叉学科研究平台，利用海量多源异构大数据，结合疫情发生发展规律，对人群流动及传播风险进行了综合建模和分析，为政府决策提供了参考依据。特别是团队通过分析春运期间人口流动大数据，建立起疾病传播模型，测算出了疫情扩散蔓延阶段武汉市向全国各地区的输出人口状况和新冠病毒感染的风险指数。还有许多研究人员尝试通过客运数据，研判各个地区及城市的感染风险。也有学者采用“百度迁移”所提供的人口流动数据，通过春运期间从武汉流向全国各省市的人口规模(不包含港澳台数据)和全国感染病毒人数的可视化分布，直观解读两者间的联系。同时加以推断，武汉封城之后，二次传染所造成的病毒传播将日趋占主导地位，传播程度和各省市的人口密度以及管控措施等密切相关。

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。

基于大数据和 AI 的应用，可实现复杂场景下的网络问题识别、多场景优化方案的协同策略方案的动态和自动化执行。可以构建智能网络规划及运维平台，以实现极致性能和极简运维，使能新业务的自动化覆盖优化、移动性优化、负载均衡优化、节能优化、故障分析与定位。同样可以基于无线数据和视频数据融合的用户个体及群体行为在多场景应用下，充分发挥5G的优势，创造巨大的社会效益。

小试阶段/n该平台继承了目前主流计算框架和编程模式，尤其是内存计算框架， 通用性强、时效性高。该平台从根本上解决了目前大数据处理中耗时过 长的问题，通过优化大数据处理系统的任务管理和内存管理，对用户提 供主流的简洁编程接口，与目前国际上主流系统对比，该平台可以大量 减少内存占用，最高性能提升可达 41 倍，。该平台同时从根本上解决了 大数据系统自动管理内存的开销，减少 90%以上的开销。该技术平台是一 种通用数据处理平台，不影响上层生态应用，可以适用于各类大数据生 态系统，包括机器学习与深度学习领域

物联网感知大数据可信存储与分析处理平台（IOT-SeaCloudDM）：针对智慧城市、物联网、车   联网中各种采样数据（包括各类传感器、RFID、条形码阅读器采样的时空相关数据）的数据管理需求，  提供一个通用的感知大数据处理平台，对各类相关的感知采样数据进行统一管理，并达到如下目标：（1） 提供 PB~EB 级的感知采样数据存储、管理与查询处理。（2） 提供时态 - 空间数据、采样数值数据的统计分析与数据挖掘。（3）在此基础上，为各类智慧城市、物联网应用提供基础软件支撑。

【技术领域】 光电子技术、智能制造 【痛点问题】 我国目前正在进行智能制造的数字化转型，智能制造的基础工业互联网，工业互联网要求工业设备进行互联互通，工业设备互联协议主要被国外垄断，包括美国的MTConnect和欧洲的OPC UA。NC-Link是具有自主知识产权的国产工业设备互联协议，是中国国家标准(智能工厂数控机床互联接口规范GB/T 41970-2022)，基于NC-Link进行工业大数据采集将会打破基于国外协议的工业数据采集设备的垄断。 【成果介绍】 项目研制NC-Link适配器和代理器。NC-Link适配器外接在工业控制系统的主机上（例如数控系统、机器人、PLC）等，自动把工业系统的生产数据（电压、电流等）和设备的属性数据采集后转换成NC-Link格式，然后传送到NC-Link代理器，再传送到产线服务器或云端数据中心，供工业应用软件，例如MES、ERP、远程运维、质量检测、数字孪生等系统使用。项目采样周期可以到毫秒级，支持工业大数据和双向数据传输。项目可用在工业互联网领域，用来统一数据采集标准，可以实现自主可控，解决卡脖子难题。 本项目研发基于自主知识产权的工业互联协议NC-Link采集设备，用来对工业设备生产的大数据进行采集，拟解决的核心技术问题和主要研究内容如下： 1）研究NC-Link与其他国内外工业协议的适配技术，建立NC-Link装备模型。 2）研发NC-Link适配器，NC-Link适配器可适配国内主要的工业设备和支持国外工业协议的工业设备。 3）研发NC-Link代理器，用来在NC-Link适配器和工业应用系统之间进行数据缓存和转发。 4）研发NC-Link数据接口，用来连接NC-Link代理器和NC-Link适配器，同时连接工业应用系统和NC-Link代理器。 5）研发NC-Link安全可信模块，支持可信计算、数据安全、网络安全、基于身份的接入认证。 6）研究基于NC-Link的数据采集技术，研发基于NC-Link的工业大数据采集设备。 【技术优势】 NC-Link目前是国家标准（GB/T 41970-2022），产品基于该国家标准，与同类产品相比是自主知识产权的产品，是解决卡脖子的技术。在技术上优势包括：支持毫秒级数据采集，支持数据安全和网络安全，集成了可信3.0技术。 【技术指标】 a) 最小采样周期≤1ms； b) 适配工业协议种类≥30； c) 支持全双工数据传输； d) 支持身份认证，传输加密，访问控制等安全功能； e) 支持可信3.0技术。 【技术成熟度】 原理样机/验证。 【发展规划】 1）2023年，研制原理样机，在智能制造场景展开应用验证。 2）2024年，研制工程样机，进行工程验证；成立公司进行融资。 3）2025年，进行产品定型和销售，销售额500万。 4）2026年，销售额2000万-5000万。 【知识产权】 团队拥有多项自主知识产权。

南京智农云芯大数据科技有限公司(简称AgriBrain)是一家专注农业领域大数据分析与人工智能解决方案的高科技公司，基于自主研发的无代码AI平台GrowthBrain、自动化表型引擎PhenoBrain和高精度全基因组选择算法平台GSBrain，旨在为科研、教育和企业用户提供低成本、高效率、智能化的AI解决方案。 GrowthBrain无需编程简单拖拽即可实现海量算法训练和分析，傻瓜式设计无需用户具备算法背景，旨在降低AI应用门槛让用户更专注自身业务领域。PhenoBrain可以使得客户根据自身场景进行快速的本地分析、调用或集成,同时相比业内高昂的表型平台，具备低成本、高个性化等优势；GSBrain中的全基因组选择算法，经三组数据实验数据验证比当前国际开源算法稳定提升 9%~45%，可更高效的进行子代筛选和更精准的指导基因编辑。 公司核心团队由美国上市公司的研发、南农等顶尖高校的机器学习、表观遗传、农学等专业背景成员组成，合作客户包括上海交大、中国农大、上海农科院等知名单位。