今天分享的是：2025基于智能IP广域网（AI WAN）的存算分离与云边协同训推技术研究报告
报告共计：29页
智能IP广域网技术突破：破解企业AI训推安全与成本难题
在人工智能加速融入千行百业的当下，企业对模型训练与推理（简称“训推”）的算力需求呈爆炸式增长。然而，企业在追求高效用算的过程中，始终面临着数据安全与成本控制的双重挑战。近日，中国信息通信研究院与华为技术有限公司联合发布的《基于智能IP广域网（AI WAN）的存算分离与云边协同训推技术研究报告（2025年）》，为解决这一行业痛点提供了创新性技术方案，有望推动企业AI应用进入“安全高效、成本可控”的新阶段。
当前，企业解决AI训推算力需求主要有三种方式：自建算力中心、租赁算力『服务器』到本地使用、通过网络租用第三方智算中心资源。但这三种方式均存在明显短板：自建算力中心需大量资本与人员投入，中小企难以承担；租赁设备到本地虽能保障数据安全，却无法降低长期运维成本；通过网络租用云端算力则面临数据跨域传输泄露风险，且现有网络技术易因丢包、负载不均导致算效大幅下降。数据安全方面，国家提出“原始数据不出域”的治理理念，企业训练样本、微调数据及推理结果的跨域流动，都可能遭遇网络攻击、恶意篡改等安全威胁；成本方面，无论是自建算力的高投入，还是租用云端算力的算效损耗，都让企业用算成本居高不下。
针对这些痛点，研究报告提出的基于智能IP广域网的存算分离与云边协同训推技术方案，通过“存算分离模型微调训练”与“云边协同推理”两大场景，结合三大核心技术，实现了安全与成本的平衡。
在存算分离模型微调训练场景中，方案构建了“存、网、算、控”四位一体架构。企业将敏感样本数据存储在本地，仅通过智能IP广域网租用远端智算中心的算力卡。网络层面采用RDMA协议与EVPN over SRv6隧道技术，搭配精准流控与自动流级调度，确保数据在企业私有存储与远端算力中心间高效无损传输；控制层面依托SDN控制器，实现业务快速部署、流量可视与故障秒级感知。这种模式让企业敏感数据在园区外“不落盘”，既避免了数据泄露风险，又大幅降低了本地算力部署成本。实验室测试显示，即便在100公里、400公里的拉远场景下，算效仍能保持在97%以上，完全满足企业远程训练需求。
云边协同推理场景则通过“算、网、端”三层协同，进一步强化数据安全与成本优化。方案采用模型拆分学习技术，将模型首尾层部署在企业侧，中间计算量较大的层级部署在云端。企业侧仅需少量算力支撑首尾层运算与数据处理，原始数据全程不出园区；云端则负责中间层的复杂计算，双方仅传输经过处理的高维向量——这类向量无法还原原始数据，从根源上杜绝了数据泄露可能。网络层面同样采用RDMA无损网络，保障训推参数传输的高性能；端侧实现训推算力与网络的一体化部署，运维流程极大简化。测试数据显示，Qwen 32B模型在200公里云边协同推理场景下，算效劣化不超过5%，企业侧算力投入却大幅降低，完美契合轻量化用算需求。
支撑这两大场景落地的三大核心技术，各自发挥着关键作用。模型拆分学习技术通过分层部署模型，让企业关键数据闭环在本地，模型首尾层与中间层物理隔离，既保障数据安全，又实现“近端少算力+远端大算力”的资源优化配置；精准流控技术结合SRv6切片功能，能精准识别不同租户的流量特征，避免单一租户拥塞扩散影响整体算效，确保多租户共享带宽时的无损传输；自动流级调度技术则通过实时收集整网拓扑与流量信息，精准识别AI训推产生的“大象流”，动态调整最优传输路径，解决传统静态调度的负载不均问题，提升整网带宽利用率，间接降低企业用算成本。
从行业应用来看，这项技术方案已展现出广泛适配性。在金融领域，可支撑智能投顾、信贷风控等场景的安全训推，保护用户财务数据；政府场景下，能保障公文写作、城市治理等业务的数据合规；医疗行业中，可实现病毒筛选、辅助诊断等数据的本地闭环，规避患者隐私泄露风险；制造、能源、交通等领域也能借助该方案，在降低算力成本的同时，保障生产数据安全。
目前，该技术方案已在实验室环境下完成多轮验证，后续将进一步扩大场景覆盖，在医疗、金融、政务等敏感行业开展试点落地，形成可复制的应用案例。同时，相关机构还将推进技术标准化工作，联合产业链各方制定统一规范，提升技术兼容性，构建健康的AI用算生态。随着智能IP广域网技术的不断成熟，企业在AI时代的安全用算需求将得到更好满足，为各行业智能化转型注入新动能。
以下为报告节选内容
报告共计： 29页
中小未来圈，你需要的资料，我这里都有！
