“云计算和大数据”重点专项2018年度项目申报指南

2017-10-12 15:36:34 科技部　点击量：评论 (0)

为落实《国家中长期科学和技术发展规划纲要( 2006-2020年)》，以及国务院《关于促进云计算创新发展，培育信息产业新业态的意见》和《关于印发促进大数据发展行动纲要的通知》等提出的任务，国家重点研发计划启动

2.2 基于编程现场大数据的软件智能开发方法和环境 (共性关键技术类)

研究内容：研究跨地域软件开发现场的数据实时采集、清洗、组织、管理技术，基于机器学习的程序语义学习及自动生成方法与技术;研究面向代码质量实时动态检测与质量提升的智能编程技术;研究面向代码风格与编程规范实时检测与改进的智能人机交互方法与技术、上下文感知的编程接口与代码推荐方法;构建跨地域的软件开发现场数据库和规范源码样例库，研制基于智能化人机交互协作的软件开发云平台，在不同规模的软件企业中进行示范应用。

考核指标：研制的平台支持 1000 人以上的软件开发现场，人机交互协作系统响应时间低于 2 秒;规范源码样例库覆盖 100个项目上亿行代码;在 3 个以上不同规模软件企业进行示范应用，最大开发人员规模超过 1000 人，支持 100 个软件开发项目，每个项目代码量不低于 10 万行，智能化人机交互协作覆盖代码行超过70%，接口与代码推荐平均准确率超过 70%，自动生成代码量超过 50%;发表一批高水平学术论文，申请系列知识产权。

2.3 面向智能制造的供应链流程管控软件平台(应用示范类)

研究内容：面向智能制造中供应链管理与优化及其涉及的企业研发设计、生产制造、经营管理、销售服务和客户服务等制造领域流程相关的核心问题，研究企业内外部系统异构数据获取和智能治理，面向制造领域关键流程的知识建模、数据分析和优化、深度网络挖掘和决策，以及不同规模的企业和供应商之间的供应链协同等基于云模式和大数据的新型软件应用关键技术，研制面向智能制造的供应链流程管控软件平台，并进行示范应用。

考核指标：异构数据治理软件系统支持 30 种以上企业资源管理系统( ERP)、制造执行系统( MES)、产品生命周期管理系统( PLM)、供应链管理系统( SCM)等制造领域国产和进口控制和管理软件系统 90%基础数据的获取，提供实证的 10PB 级制造领域数据存储和计算能力;智能制造领域知识分析和优化平台支持供应链优化、质量改进、生产性故障预防、设备健康度评估等 50 个以上典型场景，支持多个供应链流程的组合式分析和优化;流程管控软件平台国产化率达到 80%，在 10 个以上中国制造 500 强企业部署和应用;申请系列知识产权。

2.4 私有云环境下服务化智能办公系统平台(应用示范类)

研究内容：研究基于私有云环境构建办公系统(如政务办公等)的典型需求;提出适用于私有办公云建设的基础架构、技术体系与规范，提出基于国产基础软硬件系统的云-端配置解决方案;突破面向不同办公应用、场景、规模等个性化需求的国产软硬件的云化集成、适配与定制化管理关键技术;完成常见办公软件和文档工具等应用资源的服务化封装;研究数据驱动的办公流程优化、用户行为分析、智能化服务等应用技术;研制私有云环境下流程可定制的服务化智能办公系统平台，并提供支持二次开发的应用编程接口;开展平台的示范应用。

考核指标：研制的办公系统平台支持 10 种以上的智能办公场景，在典型的政务部门办公规模下的系统伸缩性、资源利用率、整体性价比和能效比均达到同期国际主流水平，软件平台自身国产化率超 80%，示范应用的软硬件国产化率超 80%，在 3-5 个重要的部门开展示范应用。申请系列知识产权，并制定若干行业、国家标准(送审稿)。

2.5 云计算和大数据开源社区生态系统(应用示范类，含前期成果集成展示)

研究内容：研究开源社区的运作模式和商业模式，构建安全可控的中文开源项目和社区支撑平台，建立国内外开源项目和社区的按需同步机制，支持企业主导创建开源软硬件项目并建设相应的生态系统;建立软件开发知识库和软件工程云，支持大规模软件众包活动;汇聚一批云计算与大数据重点研发计划的前期软件成果，通过集成、优化、完善、增补，形成较全谱系的云计算与大数据开源软件体系;建设有较大影响力的云计算和大数据开源社区，汇聚成规模的云计算和大数据的技术人员;培养一批高素质的开源软件人才队伍。

考核指标：建成由中国主导的云计算和大数据开源社区，形成一支 100 人以上的开源项目和社区维护技术队伍，吸引 100 家以上云计算和大数据相关企业参与，注册用户超 10 万人，月活跃用户超1万人;汇聚1000项以上云计算和大数据相关开源软件(中国主导的开源项目不低于 20%)，合计每月更新超 10 万次、下载超 100 万次。

3. 大数据分析应用与类人智能

3.1 大数据分析的基础理论和技术方法(基础研究+共性关键技术类)

研究内容：研究大数据环境下机器学习的创新理论和方法，面向流数据和复杂高维数据的新型分析技术，以及在特定约束条件(例如安全性、隐私性、实时性)下的大数据分析技术;研究大数据的可视化展现和分析技术，开发面向领域的可视化工具库;研究多源异构、先验知识缺乏、不确定条件下的大数据挖掘技术，以及符合人类认知不确定性特点的分析方法;研究知识的自动抽取、知识发现、知识推理、问题分析与求解的理论与方法，构建面向领域的知识图谱;研制开放共享的大数据分析平台，制定大数据分析平台通用要求相关标准，并提供大数据分析、挖掘和可视化的基准测试。

考核指标：建立比较系统的大数据分析基础理论和技术方法，在机器学习理论与方法上取得创新突破，形成国际影响。研制大数据分析、挖掘与可视化的算法与工具库，不少于 20 个独立的系统或工具，并在中国开源社区开放。发表一批高水平学术论文，撰写专著若干部。在关键技术上申请系列专利，形成专利群。

在大数据分析平台通用要求上形成若干国家标准(送审稿)。

3.2 高时效、可扩展的大数据计算模型、优化技术与系统(共性关键技术类)

研究内容：研究对不同计算模式和不同任务负载可进行自适应优化和可伸缩调整的新型分布式数据存储系统;研究多种计算模型融合并存、执行过程可优化、分布式可扩展的大数据计算系统;研究各类经典大数据机器学习算法的高效并行化方法，设计通用的编程模型和接口，研制高效、可扩展、可兼容的大数据机器学习系统;研究智能式交互向导的大数据分析意图理解以及分析途径推荐技术;开展流数据大规模在线数据分析的综合示范应用。

考核指标：在混合负载下，新型存储系统的性能要比开源系统提高 50%以上;大数据计算系统要支持批计算、流计算等多种计算模型;形成智能交互向导的反应时间小于 1 秒，推荐数据分析途径的用户满意度超过 80%，有向导数据分析执行时效比无向导提高 5 倍以上;深度学习模型要实现百亿级参数的学习能力;示范应用的数据规模要达到 PB 级;主要系统在中国开源社区开放，发表一批高水平学术论文，关键技术申请系列发明专利。