至顶网服务器频道 06月01日 新闻消息: 浪潮旗舰双路服务器NF5280M4部署于国税总局北京数据中心和南海数据中心,打造数据管理云平台,整合全国税务数据资源,形成全覆盖、高质量的税务数据大集中环境,为国税总局进行深度数据分析、利用、监管提供基础支撑,强化数据治理能力。
随着税收征管改革力度的不断加大,税收信息化逐渐成为纳税人口中的热门词,它的发展涉及税收管理、征收、监控、服务等各领域,而以金税三期为标志的税务信息化是中国税收管理的一场深入革命,其核心内容是建立以增值税为主体的流转税制度。
金税三期的总体目标是建立"一个平台、两级处理、三个覆盖、四个系统"。一个平台指包含网络硬件和基础软件的统一的技术基础平台;两级处理指依托统一的技术基础平台,逐步实现数据信息在总局和省局集中处理;三个覆盖指应用内容逐步覆盖所有税种,覆盖所有工作环节,覆盖国地税并与相关部门联网;四个系统指通过业务重组、优化和规范,逐步形成一个以征管业务系统为主,包括行政管理、外部信息和决策支持在内的四个应用系统软件。
当税务遇上"互联网+"
随着金税三期工程的不断推进,当前阶段的建设目标是实现金税三期工程在税务系统的全覆盖,具体包括:完成征收管理、行政管理、决策支持和外部信息等四大类应用系统在全国的推广部署;实施总局数据集中及数据资源的建设与开发,完成2个国家级税务处理中心的扩容,包括计算存储资源、系统软件及备份系统建设等,以提高各单位的数据处理能力;以及按照国家在云计算、大数据、互联网+等方面的战略部署,适应国家财税体制改革及税制改革要求,适应税收管理现代化要求,在系统优化及全面推广工作中,进行相关的创新性研究及部署。
为此,国家税务总局决定开展数据资源建设项目,搭建数据管理云平台,通过增加国家级北京数据中心和南海数据中心的计算存储资源,实现对国税总局数据资源的集中管理和开发,同时也可以满足金税三期工程当前阶段推广所涉及的应用系统对数据库服务器和应用服务器的需求。数据管理云平台不仅面临着海量税务数据处理,同时承担着税务系统四大核心应用,这就要求支撑平台的服务器必须具备高性能、高可靠性和良好的扩展能力,从而科学发挥计算存储资源的利用效率和管理效能。
数据库服务器的理想选择
经过一系列严苛的测试和多方面考察后,国税总局最终选择了浪潮旗舰双路服务器NF5280M4作为数据管理云平台的基础。数百台NF5280M4部署于国税总局北京和南海数据中心,极大地扩展了其计算和存储资源,满足了总局数据集中及核心业务应用的部署要求。
NF5280M4搭载英特尔全新E5 v4处理器,采用全新智能计算加速技术,可根据用户应用需求进行智能优化调节,DDR4内存技术可为业务处理提供更好的性能。最大支持29块2.5英寸硬盘,为业界之最,可充分满足对海量数据的存储处理需求。同时,支持8个标准高速PCI-E 3.0扩展槽和1个专用PCI-E扩展槽,6个全长全高卡,支持极速网络I/O功能,用户能根据应用需求进行自由扩展,实现性能飞跃。

浪潮NF5280M4
此外,NF5280M4支持高级内存纠错、内存镜像、内存热备等多项高级RAS特性,关键部件冗余热插拔的设计和最新优化的系统环境动态感知和调控技术,配合先进的风冷系统可实现最佳工作环境,保障系统稳定运行。
税务数据大集中之后
依托浪潮双路服务器NF5280M4搭建的数据管理云平台,在整合全国税务资源的基础上,充分利用第三方、互联网等外部数据资源,形成了一个全覆盖、高质量的税务数据大集中环境,帮助国税总局将数据作为一种资产进行集中管控,为深度的数据分析、利用、监管提供了基础支撑,国税总局的数据治理能力进一步得到提升。
截至目前,NF5280M4凭借其高效稳定的特质已经广泛应用于海关总署、国家质检总局、深圳证券交易所、交通银行、人民银行等政府、金融行业,承担起客户关键业务应用。
经过持续的建设和投入,金税三期的功能更加强大,运行更加顺畅,内容更加完备,流程也更加合理,实现了国地税和其他部门数据资源的灵活调配和信息共享,提升了税收数据的运用质量,也给纳税人带来了办税流程的便利,缩短了纳税人的业务办理时间。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。