信息新技术
2025年7月23日大约 17 分钟
信息新技术
物联网
M2M（Machine to Machine）概念
| M2M 类型 | 英文全称 | 含义解释 | 关键词/提示语 |
|---|---|---|---|
| 机器对机器 | Machine to Machine | 设备之间自动通信，不需要人为干预 | 自动控制、数据交互 |
| 人对机器 | Man to Machine | 人类通过接口与设备交互 | 人工输入、控制命令 |
| 机器对人 | Machine to Man | 设备将信息反馈给人类 | 报警、状态提示 |
| 移动网络对机器 | Mobile to Machine | 通过移动网络远程控制或采集设备数据 | 无线通信、远程管理 |
物联网基本特征
| 特征名称 | 关键词 | 简要说明 | 类比/记忆法 |
|---|---|---|---|
| 全面感知 | 感知层、获取信息 | 利用 RFID、传感器、二维码等技术，随时随地采集物体信息 | 眼睛：全面观察环境 |
| 智能处理 | 云计算、智能分析 | 对采集的数据进行云端处理、模式识别、模糊控制等智能决策 | 大脑：智能分析与判断 |
| 可靠传递 | 网络传输、实时传递 | 通过电信网络和互联网融合，确保数据准确及时送达 | 神经：可靠传输信息 |
物联网三层体系结构
| 层次名称 | 关键词 | 主要功能 | 组成举例 |
|---|---|---|---|
| 感知层 | 采集、识别 | 负责信息感知与采集，实现对物理世界的识别 | 传感器、RFID、二维码、摄像头、GPS |
| 网络层 | 传输、连接 | 负责信息的传输与处理，连接感知与应用 | 蜂窝网、Wi-Fi、ZigBee、以太网、路由器等 |
| 应用层 | 控制、服务、智能化 | 负责数据分析与决策支持，面向用户服务 | 智能交通、智慧医疗、智能家居、工业自动化等 |
物联网关键技术
| 技术名称 | 关键词/组成 | 主要功能与作用 |
|---|---|---|
| RFID | 射频识别技术 | 无需接触识别物体，可用于物流、身份识别、门禁等 |
| ZigBee | PHY、MAC、NWK、APL（四层协议） | 低功耗、低速率、短距离无线通信技术，常用于智能家居等 |
| 微机电系统 MEMS | 微型集成（感知+处理+执行） | 将传感器、处理器、执行器集成于一体，实现高效微型控制系统 |
RFID分类方法
| 分类维度 | 类别 | 说明 |
|---|---|---|
| 按工作频率分类 | - 低频（125 KHz） - 高频（13.56 MHz） - 超高频（860–960 MHz） - 微波（2.45 GHz） | 不同频率对应不同的识别距离、速度与应用场景，如仓储、门禁、收费等 |
| 按供电方式分类 | - 有源 RFID（含电池） - 无源 RFID（无电池） | 有源识别距离远，成本高；无源成本低，应用广泛，如地铁卡、门禁卡等 |
RFID特点
| 特点 | 说明 |
|---|---|
| 适用性 | 利用电磁波，无需物理接触，能穿透尘、雾、塑料、纸张、木材等障碍，实现连接和通信。 |
| 高效性 | 读写速度极快，典型传输过程<100毫秒；高频段可同时读取多个标签，提高传输效率。 |
| 独一性 | 每个标签唯一，与产品一一对应，便于跟踪和管理产品流通。 |
| 简易性 | 标签结构简单，设备易用；随着NFC普及，手机也能作为RFID阅读器。 |
无线传感器网络自组织方式
- 无线传感器网络（Wireless Sensor Network, WSN）中的自组织方式，简单来说就是传感器节点（小型设备）如何自己协调、连接和管理，形成一个能够协同工作的网络系统。
| 自组织方式 | 说明（简要） |
|---|---|
| 集中式 | 网络中有一个中心节点负责管理和协调所有节点。 |
| 静态局部集中式 | 各局部区域内有固定的集中节点负责管理该区域的节点。 |
| 动态局部集中式 | 各局部区域内的集中节点可动态更换，实现灵活管理。 |
| 单点式 | 网络中只有一个节点负责所有任务，其他节点功能简单。 |
| 序贯式 | 节点按照一定顺序依次组织和工作，依赖节点间的传递。 |
大数据和云计算
大数据类型
| 大数据类型 | 定义描述 | 例子 | 处理特点 |
|---|---|---|---|
| 结构化数据 | 具有固定模式的数据，数据格式规范，便于存储和查询 | 关系数据库中的表格数据 | 易于存储、查询、分析 |
| 半结构化数据 | 部分有结构，但不完全符合关系型数据格式 | XML、JSON、日志文件 | 需要特定解析器进行处理 |
| 非结构化数据 | 没有固定格式或模式，难以用传统数据库存储和管理 | 文本、图片、音频、视频、社交媒体 | 需要专门技术（如大数据平台）处理 |
大数据4V特征
| 特征 | 英文 | 含义描述 | 细节说明 |
|---|---|---|---|
| 体量大 | Volume | 数据量巨大且快速增长 | 全球数据总量快速膨胀，2020年达40ZB，人均5.2TB |
| 种类多 | Variety | 数据类型多样，包含结构化、半结构化和非结构化数据 | 包括文本、图像、音频、视频、网页、社交媒体等异构数据 |
| 速度快 | Velocity | 数据产生和处理速度快，实时性要求高 | 数据到达和响应时间要求极短，强调实时或近实时处理 |
| 价值密度低 | Value | 数据价值密度低，真正有用数据占比少 | 海量数据中有用信息稀少，增加数据挖掘和开发难度和成本 |
数据预处理内容
| 预处理内容 | 说明 |
|---|---|
| 数据审核 | 检查数据的完整性和正确性 |
| 数据筛选 | 选择符合条件的数据进行处理 |
| 数据排序 | 按某种规则对数据进行排列 |
数据预处理方法
| 方法 | 说明 |
|---|---|
| 数据清理 | 填写缺失值、平滑噪声、识别或删除离群点，纠正错误，去除重复数据，保证数据质量 |
| 数据集成 | 将多个数据源数据合并统一存储，如建立数据仓库 |
| 数据变换 | 平滑、聚集、概化、规范化等，把数据转换为适合挖掘的形式 |
| 数据归约 | 减少数据量，保持数据完整性，提升挖掘效率 |
数据挖掘
| 数据挖掘方法 | 说明 | 常见算法 |
|---|---|---|
| 分类 | 把未知样本归入预先定义好的类别 | KNN，朴素贝叶斯，决策树 |
| 聚类 | 按相似性把数据划分成多个组，使组内相似度最大，组间相似度最小 | K-Means |
| 回归 | 研究变量间的数量关系，预测连续值 | 线性回归等 |
| 关联分析 | 发现特征之间的依赖和关联性 | 关联规则算法（如Apriori） |
| 离群点检测 | 识别异常或异常行为的数据 | K-Means, KNN |
数据仓库基本特征
| 特征 | 说明 |
|---|---|
| 主题与面向主题 | 数据仓库围绕特定主题（如销售、客户）组织数据，便于分析和决策。 |
| 集成性 | 数据仓库整合来自多个异构数据源的数据，保证数据一致性和统一性。 |
| 不可更新性 | 数据仓库中的数据一般是只读的，不允许在线修改，只能定期批量加载。 |
| 随时间变化 | 数据仓库保存历史数据，支持时间序列分析，反映随时间的变化趋势。 |
云计算技术
| 技术 | 说明 |
|---|---|
| 虚拟化技术 | 通过虚拟机或容器实现硬件资源的抽象与隔离，提高资源利用率。 |
| 云存储技术 | 提供弹性、分布式的存储服务，支持大规模数据存储与访问。 |
| 安全技术 | 保障云环境中数据和资源的安全，包括身份认证、访问控制、加密等手段。 |
| 资源监控 | 实时监控云资源的使用情况，保证系统的稳定性和性能。 |
| 自动部署 | 自动化管理和部署应用及服务，提升运维效率和响应速度。 |
云计算的服务形式
| 服务形式 | 举例 | 说明及平台职责 |
|---|---|---|
| IaaS（基础设施即服务） | 亚马逊 AWS EC2、微软 Azure 虚拟机、Google Cloud Compute Engine | 用户负责操作系统安装、软件配置、应用部署等； 平台负责提供并维护虚拟化的物理硬件资源（服务器、存储、网络）、硬件冗余和基础设施的安全性。 |
| PaaS（平台即服务） | Google App Engine、Microsoft Azure App Service、Heroku | 用户只需关注应用开发和业务逻辑，不用管理底层环境； 平台负责操作系统、运行时环境、中间件、数据库管理、扩展性、安全性、自动维护和监控等。 |
| SaaS（软件即服务） | Gmail、Salesforce、Dropbox | 用户直接使用应用软件；无需关心任何基础设施和平台； 平台负责应用程序的开发、维护、升级、数据安全和用户管理。 |
云计算模式
| 云模式 | 定义 | 特点 | 适用场景 |
|---|---|---|---|
| 公有云 | 通过互联网向公众提供服务，资源共享且按需付费 | 成本低，弹性好，维护简单，但安全性和隐私性相对较低 | 个人用户、小型企业、快速扩展需求 |
| 私有云 | 专门为单个组织或企业搭建，独享云资源 | 安全性高，可控性强，定制化强，但成本高，运维复杂 | 大型企业、对安全和合规要求高 |
| 社区云 | 为特定社区或组织成员共同使用而构建的云 | 资源共享，满足社区特定需求，安全性和隐私性介于公有云和私有云之间 | 行业联盟、政府机构、合作企业 |
| 混合云 | 结合两种或多种云模式（如公有云+私有云），互相独立又互相结合 | 兼顾安全性和弹性，灵活调度资源 | 需要灵活资源管理和数据安全的企业 |
云计算和大数据的区别
| 方面 | 云计算 | 大数据 |
|---|---|---|
| 目的 | 高效调用计算资源和服务，按需使用 | 从海量数据中挖掘和发现价值 |
| 对象 | IT 资源（计算能力、存储、网络等） | 大量、多样化的数据 |
| 推动力量 | 拥有强大计算和存储资源的服务提供商 | 拥有海量数据的企业或组织 |
| 价值 | 降低 IT 部署和维护成本，提高资源利用率 | 提供数据洞察，支持决策和创新 |
Google的相关技术
| 技术名称 | 作用及特点 |
|---|---|
| GFS | Google 文件系统，分布式文件存储系统，支持海量数据存储，高可用、高可靠，是底层核心技术。 |
| MapReduce | 大规模数据处理编程模型和计算框架，实现对海量数据的分布式处理。 |
| Bigtable | 分布式结构化数据存储系统，适合PB级数据，支持多项目使用，如Web索引和Google Earth。 |
| Chubby | 分布式锁服务，主控服务器负责写操作，其他服务器通过Paxos协议保证数据一致性。 |
AWS的相关技术
| 技术名称 | 作用及特点 |
|---|---|
| EC2 | 弹性计算云（Elastic Compute Cloud），提供可弹性伸缩的虚拟服务器，用户可以根据需要启动、停止和管理计算资源。 |
| S3 | 简单存储服务（Simple Storage Service），提供高可用、可扩展的对象存储，用于存放和访问任意数量的数据。 |
| SimpleDB | 简单数据库服务，面向非关系型数据库，支持结构化数据的存储和查询，适合轻量级应用。 |
| SQS | 简单队列服务（Simple Queue Service），提供分布式消息队列，实现异步消息传递，支持系统间松耦合。 |
分布式/区块链
分布式的主要特点
| 特点 | 说明 |
|---|---|
| 独立透明性 | 用户无需关注数据逻辑分区、物理位置分布、数据副本一致性以及局部数据库数据模型细节。 |
| 复制透明性 | 系统自动处理数据复制及更新，用户无需关心各节点的复制情况。 |
| 易于扩展性 | 支持透明的水平扩展，通过增加服务器实现数据分布和负载分担，满足系统增长需求。 |
虚拟化特点
| 特点 | 说明 |
|---|---|
| 保真性 | 应用系统在虚拟机上执行，除时间因素外，行为与在物理硬件上执行几乎相同。 |
| 高性能 | 绝大多数指令在虚拟机管理器不干预情况下直接运行于物理硬件，提高运行效率。 |
| 安全性 | 虚拟机管理器全面管理物理硬件，虚拟环境内的程序无法直接访问物理硬件，增强系统安全。 |
| 优点 | 说明 |
|---|---|
| 降低管理成本 | 通过集中管理和自动化，减少人工干预，降低运维费用。 |
| 提高使用灵活性 | 资源可以动态分配和调整，支持多种操作系统和应用，快速响应业务需求。 |
| 提高安全性 | 通过隔离不同虚拟机，防止安全漏洞扩散，保护关键数据和服务。 |
| 更高的可扩展性 | 便于水平和垂直扩展系统资源，支持弹性扩展。 |
| 互操作性和投资保护 | 支持不同硬件和软件平台，保护已有投资，减少技术锁定风险。 |
| 改进资源供应 | 提高资源利用率，按需分配，减少资源浪费。 |
区块链分类
- 区块链是一种分布式账本技术，通过去中心化、不可篡改的特性，实现数据的安全存储和传输。
| 区块链类型 | 说明 | 特点 |
|---|---|---|
| 公有区块链 | 任何个体或团体均可发送交易，参与共识，交易获得确认，是最早且最广泛应用的区块链。 | 开放、去中心化、人人可参与共识，安全性高，但效率较低。 |
| 私有区块链 | 由单个组织或个人独享写入权限，仅使用区块链账本技术记账，类似传统分布式存储。 | 权限集中，控制严格，适合内部使用，效率较高但安全性相对较低。 |
| 行业区块链 | 由预选的多个节点作为记账人共同决定区块生成，其他节点可参与交易但不参与记账，开放有限查询接口。 | 权限半集中，分布式记账，适合行业内部合作，安全性和效率均衡。 |
区块链特点
| 特点 | 说明 |
|---|---|
| 去中心化 | 不依赖第三方管理机构或中心控制，节点分布式核算和存储，实现信息自我验证和管理。 |
| 开放性 | 区块链是开源的，数据对所有人开放，任何人都可查询和开发，系统信息透明。 |
| 独立性 | 通过共识协议和算法，系统不依赖外部第三方，节点自动安全验证和交换数据，无人为干预。 |
| 安全性 | 只要不能控制超过51%的节点，就无法任意篡改数据，保证数据的相对安全性和不可篡改性。 |
| 匿名性 | 节点身份信息无需公开或验证，信息传递可以匿名进行（除非法律强制要求）。 |
区块链架构
| 层级 | 主要内容与功能 |
|---|---|
| 数据层 | 封装区块数据、数据加密、时间戳和基础算法 |
| 网络层 | 分布式组网机制、数据传播和验证机制 |
| 共识层 | 节点共识算法的封装，实现网络节点对交易和区块的统一认可 |
| 激励层 | 经济激励的发行与分配机制，调动参与者积极性 |
| 合约层 | 脚本、算法和智能合约的封装，实现区块链的可编程特性 |
| 应用层 | 区块链的具体应用场景和实际案例 |
区块链技术
| 技术名称 | 主要内容与作用 |
|---|---|
| 分布式账本 | 交易记录分布在多个节点，每个节点保存完整账本，方便监督和验证交易合法性 |
| 非对称加密 | 交易信息公开，账户身份加密，保护数据安全和用户隐私 |
| 共识机制 | 节点间达成一致的方法，确认交易有效，防止篡改，平衡效率与安全 |
| 智能合约 | 基于不可篡改数据，自动执行预设规则，实现自动理赔等业务流程 |
人工智能
研究领域
| 技术类别 | 主要内容与说明 | 常见算法或特点 |
|---|---|---|
| 机器学习 | 按学习方式分类：监督学习（有标注数据）、无监督学习（无标注数据）、强化学习 | 回归、聚类、支持向量机、深度学习等算法 |
| 自然语言处理 | 处理和理解人类语言，实现文本分析、语音识别、机器翻译等 | 语言模型、词向量、语义分析等 |
| 计算机视觉 | 使计算机具备“看”的能力，识别图像、视频中的物体、场景等 | 图像分类、目标检测、图像分割等 |
| 人工神经网络 | 模拟人脑神经元结构的计算模型，包括向前反馈网络和向后反馈网络两种类型 | 多层感知机、卷积神经网络、循环神经网络等 |
机器学习分类
| 分类依据 | 分类类别 | 说明 |
|---|---|---|
| 基于学习方法 | 归纳学习、演绎学习、类比学习、分析学习 | 归纳：从实例总结规则；演绎：从规则推断结论；类比：根据相似性推断；分析：逻辑推理 |
| 基于学习方式 | 有监督学习、无监督学习、强化学习 | 有监督：带标注数据训练；无监督：无标注数据；强化：基于奖励反馈学习 |
| 基于数据形式 | 结构化学习、非结构化学习 | 结构化数据：表格、数据库形式；非结构化数据：文本、图像等 |
| 基于学习目标 | 概念学习、规则学习、函数学习、类比学习、贝叶斯网络学习 | 不同的学习目标，如学习概念、规则、映射函数、相似性推断和概率网络学习 |
神经网络研究内容
| 研究内容 | 说明 |
|---|---|
| 生物原型 | 从生理学、心理学、解剖学、脑科学、病理学等角度研究神经细胞、神经网络及神经系统的生物结构和功能机制。 |
| 建立模型 | 基于生物原型研究，构建神经元和神经网络的理论模型，包括概念模型、知识模型、物理化学模型和数学模型。 |
| 算法 | 以理论模型为基础，设计具体的神经网络模型，实现计算机模拟或硬件制作，研究网络学习算法，也称技术模型研究。 |
深度学习训练过程
| 阶段 | 说明 |
|---|---|
| Wake 阶段 | 认知过程，通过外界特征和向上的权重生成每层的抽象表示，同时使用梯度下降调整层间的下行权重。 |
| Sleep 阶段 | 生成过程，通过顶层表示和向下权重生成底层状态，同时调整层间的向上权重。 |
| 自下上升非监督学习 | 从底层开始逐层训练，采用无标签数据分层训练各层参数，完成特征学习，是无监督训练过程。 |
| 自顶向下监督学习 | 利用带标签数据训练，通过误差反向传播微调整个多层网络参数，是有监督训练过程。 |
智能驾驶级别
| 级别 | 名称 | 控制权 | 环境监测 | 是否需接管 | 示例 |
|---|---|---|---|---|---|
| L0 | 无自动化 | 人类 | 人类 | 必须 | 传统汽车 |
| L1 | 驾驶辅助 | 人类+系统单一功能 | 人类 | 必须 | ACC、自适应巡航 |
| L2 | 部分自动化 | 系统（转向+加速） | 人类 | 必须 | 特斯拉 Autopilot |
| L3 | 有条件自动化 | 系统 | 系统 | 需要时 | 本田 Legend L3 |
| L4 | 高度自动化 | 系统 | 系统 | 不需要（限定区域） | Robotaxi |
| L5 | 完全自动化 | 系统 | 系统 | 不需要 | 理想状态 |