軟考：高級軟件架構師學習筆記----未來信息綜合技術

學前說兩句

這個都是一些非常前沿的技術，而且我發現現在軟考也會考很多前沿的技術，2026年5月就考了一些transformer、大模型之類的東西，這些東西大家還是要有一些積累的，總的來說，你看這個這個章節，我總感覺沒啥用，因為出的都是前沿的一些東西。

核心內容

信息物理系統CPS

以上信息沒有為什么，大概了解就好了。全部都是定義

人工智能

人工智能芯片

機器人

數字孿生

大數據 大數據的特點

大數據分析的五個步驟

五個方面的挑戰

大數據架構 大數據架構的發展歷史

大數據架構的技術

Lambda架構

HBase可以合并，作為服務層來使用

Kappa架構

架構對比

架構示例

思維導圖

# 未來信息綜合技術 - 核心知識思維導圖 │ ├── 0?? 信息物理系統 (CPS) (★★★) │ ├── 定義與本質 │ │ ├── 集成感知、計算、通信、控制技術 │ │ ├── 是控制系統、 嵌入式系統 的擴展與延伸，涉及的相關底層理論技術源于對嵌入式技術的應用與提升 │ │ ├── 核心特征：物理空間與信息空間映射交互 │ │ ├── 數據自動流動的閉環賦能體系 │ │ │ ├── 狀態感知 │ │ │ ├── 實時分析 │ │ │ ├── 科學決策 │ │ │ └── 精準執行 │ │ └── 解決復雜性和不確定性，優化資源配置 │ ├── 最終目的：實現資源優化配置 │ ├── 關鍵目標：數據的自動流動 │ ├── CPS的技術體系 │ │ ├── 四大核心技術要素 │ │ │ ├── 一硬：感知和 自動控制 （硬件支撐） │ │ │ ├── 一軟： 工業軟件 （CPS核心）：固化了CPS計算和數據流程的規則 │ │ │ ├── 一網：工業網絡（網絡載體） │ │ │ └── 一平臺：工業云和智能服務平臺：是CPS數據匯聚和支撐上層解決方案的基礎，對外提供資源管控和能力服務 │ │ ├── CPS總體技術（頂層設計技術） │ │ │ ├── 系統架構 │ │ │ ├── 異構系統集成 │ │ │ ├── 安全技術 │ │ │ └── 實驗驗證技術 │ │ ├── CPS核心技術（基礎技術） │ │ │ ├── 虛實融合 │ │ │ ├── 智能裝備 │ │ │ ├── MBD（基于模型的定義） │ │ │ ├── 數字孿生 │ │ │ ├── 現場總線 │ │ │ ├── 工業以太網 │ │ │ └── CAX / MES / ERP / PLM / CRM / SCM 等 │ │ └── CPS支撐技術 │ │ ├── 智能感知 │ │ ├── 嵌入式軟件 │ │ ├── 數據庫 │ │ ├── 人機交互 │ │ ├── 中間件 │ │ ├── SDN（軟件定義網絡） │ │ ├── 物聯網 │ │ └── 大數據 │ ├── 體系架構 │ │ ├── 單元級 │ │ │ └── 具備可感知、可計算、可交互、可延展、自決策能力的單個智能部件或設備，是最小CPS單元 │ │ ├── 系統級 │ │ │ └── 多個單元級CPS通過工業網絡互聯，實現更大范圍數據自動流動與資源自組織優化 │ │ └── SoS級（系統之系統級） │ │ └── 多個系統級CPS有機集成，實現全域范圍信息全面感知、深度分析與精準執行 │ ├── 典型應用場景 │ │ ├── 智能設計 │ │ ├── 智能生產 │ │ ├── 智能服務 │ │ └── 智能應用 │ └── 建設原則：CPS建設是循序漸進，逐漸優化的過程 │ ├── 1?? 人工智能技術 (AI) (★★★) │ ├── 定義與目標 │ │ ├── 模擬、延伸、擴展人的智能，但不會替代人類 │ │ ├── 了解智能實質，生產類人智能機器 │ │ └── 圖靈測試 ：判斷機器是否智能 │ ├── 分類（區分依據：是否實現通用智能） │ │ ├── 弱人工智能 ：不能真正實現推理和解決問題，表面看似智能但不真正擁有智能 │ │ └── 強人工智能 ：真正推理、思考、解決問題，實現通用智能 │ ├── 關鍵技術 │ │ ├── 自然語言處理 (NLP)：機器翻譯、語義理解、問答系統 │ │ ├── 計算機視覺 (CV)：自動駕駛、機器人、智能醫療、MRI分析（ 磁共振成像 分析） │ │ ├── 知識圖譜 ：把所有不同種類的信息連接在一起得到的一個關系網絡，提供了從“關系”的角度去分析問題的能力。在電商平臺開發中，主要用于挖掘屬性間的隱含聯系 │ │ ├── 推薦系統：存在冷啟動問題（新用戶/新物品缺乏歷史數據時推薦效果差） │ │ ├── 人機交互 (HCI)：語音交互、情感交互、體感交互、腦機交互 │ │ ├── 虛擬現實/增強現實 (VR/AR) │ │ ├── RAG（ 檢索增強生成 ）：核心在于通過檢索外部知識庫獲取相關信息，并將這些信息作為生成模型的輸入，從而彌補生成模型在知識更新和領域特定信息上的不足 │ │ └── 機器學習 │ │ ├── 按學習模式分類 │ │ │ ├── 監督學習 │ │ │ ├── 無監督學習 │ │ │ ├── 半監督學習 │ │ │ └── 強化學習：核心機制為試錯學習，不依賴預先標注的數據集，而是依靠動態環境中的反饋優化行為策略 │ │ ├── 按學習方法分類 │ │ │ ├── 傳統機器學習 │ │ │ └── 深度學習 │ │ └── 其他重要學習范式 │ │ ├── 主動學習：通過算法查詢最有用的未標記樣本并交由專家標記，提高模型精度 │ │ ├── 演化學習：基于 演化算法 提供的優化工具設計機器學習算法，應用于分類、聚類等問題 │ │ └── 遷移學習：當某些領域無法取得足夠數據時，利用另一領域數據獲得的關系進行學習，可將已訓練好的模型參數遷移到新模型指導訓練 │ └── AI芯片 │ ├── 定義：針對AI算法做特殊加速設計的芯片 │ ├── 技術架構分類 │ │ ├── GPU │ │ ├── FPGA（現場 可編程門陣列 ） │ │ ├── ASIC（ 專用集成電路 ） │ │ └── 類腦芯片 │ └── 關鍵特征 │ ├── 新型計算范式 │ ├── 訓練和推斷 │ ├── 大數據處理能力 │ ├── 低精度設計 │ ├── 可重構能力 │ └── 開發工具（軟件工具鏈） │ ├── 2?? 機器人技術 (★★) │ ├── 定義三要素 │ │ ├── 腦、手、腳（仿人） │ │ ├── 非接觸傳感器（眼、耳） │ │ ├── 接觸傳感器 │ │ └── 平衡覺和固有覺傳感器 │ ├── 機器人發展過程的3個階段 │ │ ├── 第一代：示教再現型機器人：通過程序預設動作 │ │ ├── 第二代：感覺型機器人 │ │ └── 第三代：智能型機器人 │ ├── 機器人4.0時代 │ │ └── 核心技術 │ │ ├── 云-邊-端的無縫協同計算：用于實現設備、網絡和云端之間的無縫數據處理和分析 │ │ ├── 持續學習與 協同學 習：關注學習能力的提升 │ │ ├── 知識圖譜 │ │ ├── 場景自適應：關注機器人對不同環境的適應能力 │ │ └── 數據安全 │ └── 分類 │ ├── 按應用行業：工業機器人、服務機器人、特殊領域機器人 │ └── 按控制方式 │ ├── 操作機器人：通常由人直接操控，不具備自主記錄和再現功能 │ ├── 程序機器人：按預先設定的程序運行，不能通過示教方式學習新任務 │ ├── 示教再現機器人：能夠通過人工示范來學習和記錄動作序列，然后重復執行這些動作 │ ├── 智能機器人：具有學習能力，學習方式更加復雜和自主，不僅限于簡單的示教再現 │ └── 綜合機器人：結合多種控制方式 │ ├── 3?? 數字孿生體技術 (★★★) │ ├── 定義 │ │ └── 物理實體對象的數字模型，通過實測、仿真、數據分析實現感知、診斷、預測、調控 │ ├── 主要作用 │ │ └── 數字孿生體通過實測、仿真和數據分析來實時感知、診斷、預測物理實體對象的狀態，同時通過學習進化自身 │ ├── 成熟度層級（物理實體與虛擬模型的交互與集成程度） │ │ ├── 數字模型（Digital Model）：物理實體與虛擬模型之間無自動數據交互 │ │ ├── 數字陰影（Digital Shadow）：物理實體向虛擬模型單向自動數據流動 │ │ └── 數字孿生（Digital Twin）：物理實體與虛擬模型之間雙向自動數據交互 │ ├── 三項核心技術 │ │ ├── 建模技術：主要負責將對物理世界的理解進行簡化和模型化 │ │ ├── 仿真技術：其主要作用是驗證和確認建模過程中對物理世界或問題理解的正確性和有效性 │ │ └── 基于數據融合的數字線程技術：主要處理數據融合和信息傳遞 │ ├── 頂層框架技術：系統工程和MBSE │ ├── 底層伴生技術：物聯網 │ ├── 外圍使能技術：云計算、機器學習、大數據、區塊鏈 │ ├── 數字孿生生態系統 │ │ ├── 行業應用層（最上層） │ │ │ ├── 智能制造 │ │ │ └── 智慧城市 │ │ ├── 共性應用層：描述、診斷、預測、決策 │ │ ├── 模型構建與仿真分析層： 數據建模 、仿真、控制 │ │ ├── 數據互動層：采集、傳輸、處理 │ │ └── 基礎支撐層：具體設備 │ └── 應用領域：制造、產業、城市、戰場 │ ├── 4?? 大數據技術 (★★★) │ ├── 定義：大數據是指無法用常規工具在合理成本和時間內處理的數據集 │ ├── 5V特點 │ │ ├── Volume（大規模） │ │ ├── Velocity（高速度）：指獲得數據的速度和處理速度 │ │ ├── Variety（多樣化）：包括結構化、半結構化和 非結構化數據 │ │ ├── Value（價值密度低） │ │ └── Veracity（真實性） │ ├── 5個主要問題 │ │ ├── 異構性 │ │ ├── 規模 │ │ ├── 時間性 │ │ ├── 復雜性 │ │ └── 隱私性 │ ├── Spark 和 Hadoop 的關系 │ │ ├── 不是互相排斥的關系，可以協作發揮彼此優勢 │ │ ├── Spark 沒有數據存儲模塊，數據存儲依賴 Hadoop 的 HDFS │ │ ├── Spark 是通用計算框架，資源調度可使用 Hadoop 的 YARN │ │ ├── Hadoop 是分布式系統基礎框架，Spark 是統一的計算引擎 │ │ ├── Spark 基于內存與迭代運算，簡化了 MapReduce 計算過程 │ │ └── Spark 可以處理實時數據與離線數據 │ ├── 分析五階段 │ │ ├── 數據獲取/記錄 │ │ ├── 信息抽取/清洗/注記 │ │ ├── 數據集成/聚集/表現 │ │ ├── 數據分析/建模 │ │ └── 數據解釋 │ ├── 數據存儲與管理階段：涉及 數據庫設計 、索引優化、分區策略等任務，直接影響查詢性能 │ ├── 五大挑戰 │ │ ├── 數據獲取 │ │ ├── 數據結構 │ │ ├── 數據集成 │ │ ├── 分析、組織、抽取、建模 │ │ └── 結果呈現與交互 │ ├── 技術生態 │ │ ├── 存儲：HDFS、Kafka │ │ ├── 計算：MapReduce、Spark、Flink │ │ ├── 架構：Lambda、Kappa │ │ ├── 查詢：Kylin、Impala (OLAP)、Hbase、Cassandra (NoSQL) │ │ └── 挖掘：TensorFlow、Caffe、Mahout │ ├── 核心組件 │ │ ├── HDFS：分布式文件系統，離線數據存儲 │ │ ├── Hbase：分布式列式數據庫，非結構化數據 │ │ ├── Kafka：高吞吐量分布式消息系統，實時流數據 │ │ ├── Flume：海量日志采集聚合傳輸 │ │ └── ZooKeeper：分布式協調服務 │ ├── Lambda vs Kappa架構 │ │ ├── Lambda架構 │ │ │ ├── 組成：批處理層 + 加速層 + 服務層 │ │ │ ├── 優點：容錯好、查詢靈活、易擴展 │ │ │ ├── 缺點：編碼開銷大、維護成本高 │ │ │ └── 適合：歷史數據分析查詢 │ │ └── Kappa架構 │ │ ├── 組成：統一實時數據處理引擎（如Flink） │ │ ├── 優點：代碼統一、易維護、數據口徑一致 │ │ ├── 缺點：消息緩存瓶頸、實時流關聯困難 │ │ └── 適合：增量數據寫入場景 │ └── 混合云在工業安全 生產管理系統 中的應用場景 │ ├── 私有云：承擔工廠內部敏感業務，如產品設計、數據共享、生產集成，確保數據安全性和控制權 │ └── 公有云：承擔工廠間及總部間的業務管理、協調統計等對外協作功能，充分利用公有云的擴展性和成本優勢 │ ├── 5?? 邊緣計算 與云計算 (★) │ ├── 云計算 │ │ ├── 定義：集中式計算資源，大數據處理能力 │ │ ├── 核心特征：云計算通過網絡將大型計算任務分解為多個小程序并分布處理 │ │ ├── 虛擬化技術：KVM、Xen 和 Hyper-V 都是常見的虛擬化技術 │ │ └── 服務模式 │ │ ├── IaaS（基礎設施即服務） │ │ ├── PaaS（平臺即服務）：在靈活性和方便性之間取得平衡，被認為是云計算體系中最關鍵的一層 │ │ └── SaaS（ 軟件即服務 ） │ ├── 邊緣計算 │ │ ├── 定義：靠近數據源側處理，降低延遲 │ │ ├── 本質：計算處理職能本地化 │ │ ├── 主要特點 │ │ │ ├── 降低延遲 │ │ │ ├── 減少云端傳輸需求（節省帶寬而非提高帶寬） │ │ │ └── 本地化安全處理 │ │ ├── 核心特點 │ │ │ ├── 聯接性：是邊緣計算的基礎，需要支持多樣化的網絡接口、協議和拓撲 │ │ │ ├── 數據第一入口：物理世界到數字世界的橋梁 │ │ │ ├── 約束性：邊緣計算產品需適配工業現場相對惡劣的工作條件，對功耗、成本、空間有較高要求 │ │ │ └── 分布性：支持 分布式計算 存儲、資源調度管理、分布式智能和安全等能力 │ │ ├── 邊緣安全的主要功能 │ │ │ ├── 提供可信的基礎設施 │ │ │ ├── 為邊緣應用提供可信賴的安全服務 │ │ │ └── 保障安全的設備接入和協議轉換 │ │ ├── 典型應用場景 │ │ │ ├── 智慧園區 │ │ │ ├── 安卓云與 云游戲 │ │ │ └── 工業物聯網 │ │ ├── 邊云協同的六個方面 │ │ │ ├── 資源協同：邊緣節點負責本地資源調度，云端負責統一管理 │ │ │ ├── 數據協同：處理數據的采集、處理和傳輸 │ │ │ ├── 智能協同：邊緣節點執行推理，實現分布式智能；云端開展模型訓練，并將模型下發邊緣節點 │ │ │ ├── 應用管理協同：涉及應用的部署、運行和生命周期管理 │ │ │ ├── 服務協同 │ │ │ └── 安全協同 │ │ └── 邊緣計算形態 │ │ ├── 云邊緣：是云服務在邊緣側的延伸，主要能力依賴于云服務或需要與云服務緊密協同 │ │ ├── 邊緣云：邊緣云形態在邊緣側構建中小規模云 服務能力 ，邊緣服務能力主要由邊緣云提供；集中式DC側的云服務主要提供邊緣云的管理調度能力 │ │ └── 云化網關：以云化技術重構原有嵌入式網關系統，在邊緣側提供協議/接口轉換、邊緣計算等能力 │ └── 云原生架構原則 │ ├── 服務化原則 │ ├── 彈性原則 │ ├── 可觀測原則 │ ├── 韌性原則 │ ├── 所有過程自動化原則 │ ├── 零信任原則 │ └── 架構持續演進原則 │ └── 6?? 考點提示 (★★★) ├── CPS實現關鍵：數據的自動流動 ├── CPS最終目的：資源優化配置 ├── CPS應用場景：智能設計、智能生產、智能服務、智能應用 ├── AI芯片關鍵特征：新型計算范式、訓練和推斷、大數據處理能力、可重構能力 ├── AI芯片技術架構：GPU、FPGA、ASIC ├── 數字孿生核心技術：建模、仿真、數字線程 ├── 數字孿生共性應用層：描述、診斷、預測、決策 └── 推薦系統核心局限：冷啟動問題（新用戶/新物品缺乏歷史數據）