产品详细介绍帝能智慧校园物联网管理云平台实施监测校园内外的所有设备运行情况：如投影机、电子白板、一体机、电脑、灯光、抽风系统、电视机、摄像头、空调、窗帘、路灯、花洒控制、水表、电能表等。设备故障、设备维修记录的信息统筹，设备定时开关机，实时广播发布，智能联动设备管理，数据库备份等功能。更多产品信息，可点击登录广州市帝能电子有限公司官网www.dineng.net进一步了解，也可关注“帝能电子”官方微信，时时关注公司动态。 

推荐适用于智慧校园、医疗、工业制造等业务场景 产品特性： 一平台多管理，高效便捷 智能业务组件，全面覆盖校园管理 可视化数据，针对业务进行精准分析 点对点排查，设备管理无漏洞 RG-IOTP-基础平台 ●物联网设备管理： 支持对物联网设备进行基础信息管理，包括设备序列号、型号、安装位置、软件版本、在线状态、IP地址、MAC地址等信息管理。 支持设备上电后自动部署，获取到初始配置，无需人工登录物联网AP设备进行命令配置。 支持由网管平台统一编辑、保存和下发设备命令，集中管控网络设备配置，并提供初始化配置指导模板。 支持由网管平台统一升级，支持批量升级。 为物联网设备提供基础通讯和数据交付、数据储存。 支持管理物联网室外基站RG-IBS6250、室内基站RG-IBS1260。 ●终端管理： 支持对物联网终端设备（如手环）进行自动扫描记录，可查询所有终端设备信息，信息包含：MAC/ID、最近扫描到的时间、最近扫描到的位置。 支持5000个终端的自动扫描发现管理。 支持学生智慧手环RG-IRT1211、智慧校园卡RG-IRT1213扫描发现。 ●系统管理： 支持物联网平台各项目系统操作日志、下发命令配置、设备升级日志的自动记录；系统账号管理、组件授权。 ●对外接口： 基于Restful API接口对外提供物联网数据接口，第三方根据接口可自行开发。 RG-IOTP-智慧校园业务组件 基于学生手环、校园卡实现校园安全、教学管理和健康管理。基于微信应用实现想校园各角色人员进行学生校园信息发布、推送、查询。基于B/S架构实现智慧校园业务后台配置管理和业务应用数据展示。 ●校园安全： 进出校考勤：支持对进出校学生考勤，包括正常入校、迟到、未到校、早退、正常出校，考勤结果同步给家长，确保学生按时到校，提高学生的安全保障。 校园热力图：提供学生密集情况的热图查询，实时展现校园区域人群聚集情况。 拥挤区域告警：特定区域设置人流量密度阈值，达到上限时发送告警，防止学生过渡密集，预防踩踏等群体事件。 危险区域告警：可设置为危险区域，学生进去危险区域，例如水池、天台、危墙等，告警给指定人员。 SOS一键求救：当学生出现危险情况，例如跌倒、身体异样、被欺凌等情况时，通过手环的一键求救功能，发送信息给指定人员。 位置查询：学生未到指定班级上课或者遇到安全问题等情况时，可查询学生的位置。 学生轨迹：支持获取指定人员在规定时间内的行径轨迹，同时提供图形化的界面进行轨迹回放，以图像的形式动态显示人员在该段时间内的运行轨迹。 ●教学辅助： 班级考勤：学生进入班级无感知自动签到考勤：学生进入教室后，根据手环信号情况自动打卡，统计迟到、未到、早退情况。考勤信息同步给班主任，并在后台自动分析班级排名，个人排名，提高学生上课积极性。 课堂活跃度：在教室内安装多功能物联网基站，学生佩戴物联网手环，在上课时可记录学生当前的举手情况，传输到给物联平台，并进行自动分析课堂活跃度的班级排名、个人排名，提高学生上课的积极性。 ●健康管理： 运动量分析：通过手环采集学生的运动数据和体征数据，做到有效辅助学校推动学生在校期积极参加体育锻炼。支持学生全天运动量排行榜，按班级、个人排名，激励学生参与运动。 心率监测：记录学生心率情况，做为健康辅助的参考。 ●微信应用： 老师（如班主任）：支持将智慧校园信息通过微信推送给老师，包括学生进出校情况、进入危险区域告警信息、一键SOS求救信息、班级考勤情况、课堂活跃度（举手情况）、运动量统计、心率监测等。 家长：支持将智慧校园信息通过微信推送给家长，包括学生进出校情况、运动健康统计数据、终端（手环）低电量提醒等。 RG-IOTP-医疗资源监管组件 医疗资源监管组件负责医疗设备的管理，能够跟踪设备位置和使用状态信息。支持医疗设备一键盘点：全局管理员和部门管理员可一键完成所有设备的盘点，包括设备的当前位置信息和离线设备信息。 支持管理科室管理员账号，支持管理科室地图管理和编辑功能。 支持医疗设备管理，支持添加医疗设备，并且绑定对应的标签信息，通过标签做定位；并通过定位标签的离线在线情况，可判断设备是否存在；以及查看医疗设备所在的最后一次位置。 可通过一键盘点的功能，盘点当前状态下的所有管理医疗设备；支持列表视图和地图视图；可支持轨迹回放。在地图上查看当前盘点的设备位置信息、设备状态、在线状态、最后一次在线时间。 可对盘点完成的信息做保存操作，可查看历史保存的每次盘点记录信息。 RG-IOTP-医疗资源分析决策组件 支持医疗设备使用情况分析：为科室管理者提供使用效率分析功能，提供提高设备使用率的建议；为设备科合理调配资源提供数据参考。 支持查看医疗设备工作态：支持医疗设备的工作态，待机态，关机态识别；支持查看当前医疗设备在今日内的工作情况。 支持查看对应科室下一台医疗设备在今日内设备使用情况    支持查看当前设备工作态，可统计设备工作态使用情况，总耗电量；设备工作态变化趋势；设备耗电量变化趋势。 全院医疗设备分析：可查看全院某类医疗设备在某段时间内、某个科室的设备数量分布。可查看全院某类医疗设备在某段时间下设备工作时长和通电时长，在全院的平均工作时长、平均通电时长。 科室医疗设备分析：支持查看对应科室下某一类医疗设备在某段时间内设备使用情况，包括统计该类设备数量，日均工作时长，日均通电时长，全天平均使用率，日间平均使用率；支持查看详细每台医疗的工作时长或者通电时长；支持本科室医疗设备的工作时长与科室平均时长的对比；支持与全院时长的对比；支持查看科室平均工作时长的均值变化趋势。 科室单个医疗设备分析：支持查看对应科室下某一台医疗设备在某段时间内设备使用情况，包括统计设备工作态使用情况，全天平均使用率，日间平均使用率，总耗电量；支持查看设备工作态变化趋势；支持查看设备耗电量变化趋势。

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。

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

系统本身采用自有的 2 . 4GR F ID电子标签技术 记录并采集各种环境参数，并可通过有线、无线等 数据通讯模式将环境数据传输到数据服务器，系统 安装简易，使用方便，运行可靠，防伪保密，增强系统数据安全性可靠性，软件平台基于B/S+C/S架构设 计，并采用多种先进软件设计技术，使环境参数信息传达便捷，有效提高安全监管效率。 市场对象定位为冷链、医疗卫生行业相关领域，以国内的冷链物流企业、商品零售企业（各类超 市）、物流配送企业、仓储服务企业为主体，同时兼顾政府机构在特殊行业的监管业务，在这些行业及领 域中，国内市场对RFID环境监测的应用才刚刚开始，成功的应用几乎空白，随着新技术及新产品的积极 推广，国内市场将迅速扩大。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

作为全球导航卫星系统(GNSS)的后起之秀，我国自主北斗导航卫星系统(BDS)近年来迅猛发展。“十二五”及未来“十三五”期间，已有和正在发展大规模的各类地基北斗 /GPS 站网(CORS 网、GNSS/MET 网等)，同时，空基(无人机、有人机)和天基观测载荷 研制已提上日程。所有这些观测数据将形成天空地一体化网络的北斗大数据资源。随着导航、 定位、授时等北斗传统应用的日趋成熟(图 1)，北斗大数据附加值发掘及新型应用领域产 业链的拓展将前景广阔。本项目为导航卫星创新增值应用及北斗大数据信息的深度挖掘，将干扰导航定位精度的大气折射、地表反射等误差源，“变废为宝”为遥感探测的信号源，在突破我国自主导航卫 星遥感探测关键技术的基础上，从地基探测和空基(无人机、有人机)探测两个层面，实现 软硬件一体化的北斗/GPS 双模气象水文生态多要素综合监测系统。方案及成果将面向行业 应用需求，引进吸收国际前端技术，紧密结合当地资源优势，打造内蒙古自治区成为国内率 先开展北斗气象水文生态增值创新应用的省份，拓展北斗大数据在气象预报、智慧农业、智 慧水利、生态环境等领域的应用(图 1)。图 2 为北斗/GPS 环境多要素智能监测与大数据服务平台总体方案。围绕“数据获取——数据存储——分析挖掘——应用服务”这一主线进行。其中: 数据获取分为地空天三类:(1)自主研发的低成本北斗/GPS 环境多要素智能监测设备;(2)无人机搭载北斗/GPS 智能监测传感器;(3)GNSS 遥感卫星。 环境监测要素包括:农业环境生态(土壤湿度、植被水分等)、气象水文(大气水汽、积雪深度、水位等)、海洋(潮位、风场、盐度、海冰等)。 该方案将充分发挥导航卫星无源探测、高时空分辨率、低成本高产出、实时性强的优势。同时，方案涉及的监测要素及方法可实现同卫星遥感(高分卫星、降水卫星、重力卫星等) 监测的有效结合和优势互补，作为国土资源实时监测系统的有机组成部分，共同实现国家级、 区域级空天地一体化物联网遥感大数据智能监测服务。清华大学在利用地基、空基北斗/GPS 观测数据进行气象水文生态要素监测技术开发、 产品研发、软硬件研发集成等方面具备丰富的研究积累，尤其针对我国自主北斗导航系统的 创新应用，团队成果国内领先且得到国际同行的高度认可，开发并集成了一套完备的“北斗 /GPS 双模多要素智能监测”整体解决方案。除发表高水平学术论文外，已申请多项发明专 利和软件著作权(表 1)，2016 年技术成果已通过软硬件服务在青海(气象/水利/环境)、四 川(农业/气象)、山东(农业)、北京(科研单位)等地取得了初期经济效益。中心已具备 的技术基础与部分成果展示如图 3-图 6 所示，包括全国范围地基综合观测站网建设(图 3)、 空基试验与技术攻关(图 4)、监测产品研发(图 5)、软硬件设备自主研发(图 6)。所有这 些技术积累将为本方案的顺利实施提供有力保障。目前市场上尚无相关产品，并且本项目的成果产出可从如下几个方向进行多层次、全方 位的市场化对接:(1)软件模块:研制内容一产出的气象水文生态监测要素估算软件模块，可同以北斗 导航定位为主打方向的企业对接，通过嵌入本软件模块，拓宽其业务范围，在为农业、气象、 水利等部门提供导航定位服务的同时，融入气象水文生态要素同步监测的功能。不同需求定 制的软件模块按 1-10 万元每套计算，初期市场年需求量预计 50 套，预计每年产生收益 50-500 万元，市场成熟后可面向全国推广，年收益可达 1000-5000 万元。(2)监测产品:研制内容一产出的气象水文生态监测要素产品，如通过 SDCORS 监测 网络附加得到的多要素监测产品，可实现政府买单为行业公众提供服务。可与高校、科研院 所等联合申报国家级、省部级科研项目，预计单个项目经费 500-1000 万元。(3)新型监测设备:研究内容二所产出的面向气象农业水文应用的北斗/GPS 双模气象 水文生态多要素综合监测设备，具有低成本、小型化、多功能等优势，可独立进行市场推广。 按单套收益 5 万元计算，初期市场年需求量 50 套，预计年收益 250 万元，市场成熟后可面 向全国推广，年收益可达 500-3000 万元，并可与目前市场上通用的 GNSS 定位型接收机竞 争，实现行业接收机的更新换代及初期市场垄断。(4)演示系统:研究内容三所产出的北斗/GPS 双模气象水文生态多要素综合监测演示 系统，可率先在山东省(青岛市)开展示范应用，且该创新应用模式在全国具有推广价值。 可联合申报科研项目，预计单个项目经费 500-1000 万元，同时可实现业务化推广应用，名 利双收。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。