广州市人力资源和社会保障局(以下简称“广州人社局”)采用Oracle Exalogic中间件云服务器(Oracle ExalogicElastic Cloud)、Oracle WebCenter、Oracle WebLogic Server、Oracle企业管理器(Oracle Enterprise Manager, OEM)等产品,成功搭建了基于PaaS云技术的基础设施平台。通过将就业、社保、医保、职业技能教育等业务运行在一体化集成平台之上,广州人社局实现了性能、可用性及资源整合度的提升,同时可为未来5年的劳动保障业务提供支持。
作为广州市政府主管全市劳动及社会保障工作的重要单位,广州人社局主要职能涵盖贯彻执行国家和省、市相关法律、法规和方针政策,拟订并组织实施人力资源市场发展规划和人力资源流动政策,促进就业和职业培训工作,统筹建立覆盖城乡的社会保障体系等诸多方面。因此,面对日益增长的冗杂数据需求,原有的IT平台与应用已难以支撑其日常的运营和服务。此外,广州人社局涉及社保、医保、劳动等多个业务系统,其间关系复杂,导致系统性能消耗大,不仅难以满足日益增长的社会需求,更限制了其未来业务的发展与完善。
为了应对IT架构的需求与海量数据的挑战,广州人社局决定强化实施基础设施建设项目,以打造全新的数据中心基础平台,实现资源数据中心的一体化。经过深入的对比研究,广州人社局直属单位广州市劳动保障信息中心最终选择以云计算模式构建基于Oracle Exalogic的一体化基础设施平台,同时引入Oracle WebCenter等产品和解决方案,期望进一步实现社会保险的全面覆盖、医疗保险的全市统一以及劳动就业的一体化,为市民提供更加优质高效的服务。
从2012年4月开始,经过架构设计、开发、部署和集成测试等多个阶段,广州人社局成功搭建起以Oracle Exalogic为基础的全新系统平台,且已于2013年10月正式上线,目前运行情况良好,体现在:
提升业务性能——Oracle Exalogic中间件云服务器是全球最佳的应用程序基础,其软件和硬件经过集成设计。同时,凭借其先进的超级计算网络Infiniband技术、网格技术及系统内核优化,新平台能够支撑 1400万人群的参保需求,性能大幅提升。此外,新平台还具有极强的拓展能力,能够有效帮助实现劳动就业平台的一体化。
重塑系统架构——采用SOA的方式实现了各系统间的标准化集成。在新平台当中,所有调用均通过Oracle服务总线(Oracle Service Bus),并执行统一的接口管理和服务规范,使集成做到可控。同时,通过Oracle Data Integrator与Oracle GoldenGate实现了面向数据、事件及服务的数据交换平台,原有的系统运行模式经过重塑,传输性能得到了保障。
优化应用部署——以Oracle Exalogic为基础部署Oracle融合中间件的核心应用,能够实现应用的最佳性能,保障应用间的信息传输高速通道;而通过在Exalogic内部采用Oracle Traffic Director(OTD)作为负载均衡,也充分利用了一体机内部的高速通讯,实现了效率的提升。
实现统一运维——通过部署Oracle企业管理器,其最全面和集成度最高的可用性和性能监控帮助实现了全部系统的监控和运维,改变了原有的分开监管的运维模式,实现了统一的管理。
在项目策划及实施的过程当中,Oracle的中间件、数据库及架构部门的技术人员以及包括东软软件股份有限公司等在内的合作伙伴,都对广州人社局的项目提供了极大的支持。凭借Oracle Exalogic的超强性能、可扩展性和可靠性,最新的系统平台具备技术先进、性能超前、绿色环保等诸多优势,可有效满足广州人社局的多方面业务需求。
广州市人力资源和社会保障局劳动保障信息中心中心主任简伟光表示:“以满足国家对金保工程‘同人同城同库’的要求为出发点,广州人社局力求通过优化整合IT基础架构,实现社会保险的全面覆盖、医疗保险的全市统一以及劳动就业的一体化。通过以Oracle Exalogic为核心的一体化基础设施平台,目前,我们的系统性能和可用性得到有效提升,且多个部门的业务实现了很好的协调与管理,为未来增长的业务需求奠定了良好的基础。”
甲骨文公司中国区中间件业务副总裁晏翔表示:“我们很荣幸能够为广州市人力资源和社会保障局提供产品和技术支持。在当下,越来越多的国内客户选择采用Oracle Exalogic等集成系统以及包括中间件在内的Oracle业界领先的产品及解决方案,进行信息化建设。随着中国的政府机构和企业部门在信息化建设的道路上不断前行,甲骨文也将会继续凭借最前沿的产品和服务为其提供最坚实的支持。”
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。