指出在泛在智算场景下，实时推理等业务对系统时延敏感，影响体验与收益，且随着AI技术发展，推理服务下沉为基础设施，时延稳定性决定上层应用可靠性。然而，传统观测工具难以兼顾精确性、完整性和低开销，导致生产环境时延问题难定位优化。分享了全景低侵扰系统时延观测技术的实践：构建轻量化、可部署的时延分析框架，覆盖CPU调度到网络IO的全栈追踪，为系统性降低非预期时延干扰提供观测依据。实践表明该方案在性能损耗可控前提下，显著提升运维效率，为泛在智算提供高稳定、低抖动的OS支撑。

分析了多核场景下Linux调度器的挑战与机遇：优化进程唤醒时随核数增加而递增的idle CPU搜索开销；改进默认时间片调度，使其感知进程工作集、线程数据共享等指标，推进同进程线程组在相同LLC domain唤醒以减少跨核缓存失效；探讨了内核调度器支持的用户态BPF自定义调度与AI结合的潜力，即AI预测进程需求辅助BPF生成智能调度策略。

探讨了具身智能系统，其核心在于构建紧密耦合的“感知-融合-决策-执行”闭环，使机器能实时理解并作用于物理世界。指出实现面临的主要挑战：需达成高实时性、强鲁棒性的多模态感知融合，并进行高效动态决策与控制。该演讲以智能机器人为核心示例，聚焦基于Ubuntu + ROS2构建的主流机器人操作系统生态，探讨了OS在具身智能中的关键角色及其面临的端到端确定性问题。

针对AI在医疗、金融等敏感领域应用带来的数据隐私与模型安全推理问题，介绍了基于机密计算技术的Confidential AI解决方案。解析了如何在机密计算环境中实现端到端安全推理，涵盖加密模型部署、端到端通信安全、系统数据落盘加密保护等关键技术，旨在为行业提供可复用的安全推理框架。

作为RISC-V架构的先行者与领导者，SiFive介绍了其覆盖从超低功耗到高性能计算需求的创新、高度可定制RISC-V处理器IP核解决方案。该议题探讨了RISC-V在高性能服务器领域的突破潜力及其对传统架构的挑战；聚焦了RISC-V与AI技术的深度融合，解析了其作为高效能AI加速器控制核心或定制化AI计算单元的优势，展望了其在智能化浪潮中的核心作用。

分析了AI产业面临的数据、算力与系统安全威胁（如勒索病毒、挖矿病毒）。提出了解决方案：基于eBPF-LSM技术结合勒索病毒行为分析，实现基于诱饵的防御，保障数据完整性与保密性；基于eBPF+kprobe技术结合挖矿病毒动静态特征，实现检测与防御，防止算力滥用；旨在为AI场景构建坚实可靠的安全防线。

探讨了AI技术应用于复杂任务时，传统大语言模型（LLM）在动作决策和多步推理上的局限性。构建具备自主规划与动态纠偏能力的智能体系统成为关键挑战。中兴通讯介绍了其Co-Sight框架，该框架通过多Agent协同架构（Plan-Actor-Memory）实现任务降维，结合实时上下文精炼消除冗余，并依托分层反思系统生成奖惩信号以动态优化DAG执行路径。其核心创新在于关注点分离与闭环反思机制。在GAIA评测中，Co-Sight以72.73%综合得分超越Google DeepMind与OpenAI，在复杂多步任务（L2级）中稳定性显著领先。

介绍了大模型推理架构Mooncake。该架构通过创新的KVCache中心设计，显著提升了Kimi智能助手的推理吞吐和成本效率，已引起业界广泛关注。近期，清华大学与阿里云等多家企业宣布共建Mooncake项目，旨在构建高性能推理框架的开源生态。阿里云与清华大学共同探索了大模型资源池化技术的工业应用，推动推理实例共享与缓存池化层标准化，实现高效分布式资源解耦，提升大模型长上下文推理性能。目前Mooncake已在vLLM/SGLang等多个推理框架集成，并在多家企业落地。

本次演讲重点介绍面向大规模数据中心的GPU RAS能力建设要求，包括大规模数据中心集成过程中遇到的痛点问题，GPU RAS功能及管理要求、GPU系统级故障注入、错误报告及调试转储等内容。

陈诗雁介绍了系统运维的现状和难点、智能对话机器人的发展、大模型在系统运维的应用、基于大模型智能体的诊断机器人设计，并演示了 SysOM 智能诊断机器人。智能机器人和运维平台是相辅相成的关系，运维平台的诊断能力成就了智能机器人解决实际问题的能力，智能机器人帮助运维平台更好地发挥和展示运维能力。

况明富提出了将调测工具打包到一个容器内，以容器的方式完成调试环境的"一键式"部署。 调试容器部署后，即可在调测容器内对业务容器或主机系统上的目标的调测，所有的调测活动都可以在此调测容器中进行，使用完后清理此调测容器即可，这样也可避免对主机环境产生污染。这种基于容器的调试方式和策略不仅提高了问题诊断的速度和效率，同时也减少了对生产环境的影响，体现了中兴通讯在容器技术和运维实践方面的先进理念和技术实力。

随着数据中心设备量的不断增大，传统基于带外通道的监控方式面临诸多挑战。为此，他介绍了一种创新的系统架构，即多采集器、多分析器及微服务分布式架构。该架构以资源为作业单位，根据不同类型的作业实施差异化的数据采集与监控周期，从而显著提升了采集效率，降低了系统负载，并有效减少了数据延时。这一创新方案为数据中心的运维管理提供了更加全面、细致的数据支持，充分展现了浪潮电子信息产业股份有限公司在大规模带外监控技术领域的创新实力与丰富经验，也为行业提供了新的发展思路和实践路径。

Livetrace 作为一种先进的操作系统级性能分析方法，能够通过不断地监测操作系统、容器运行环境以及应用程序等多个层次的性能指标，深入揭示整体性能瓶颈。借助 Livetrace，软件的性能管理更加稳健，性能表现的可预测性得到显著提升。

tree是一款强大的Linux命令行工具，用于以树状结构递归展示目录和文件，直观呈现层级关系。支持多种功能，如过滤、排序、权限显示及格式化输出等。安装方法因系统而异常用场景包括：基础用法（显示当前或指定目录结构）、核心参数应用（如层级控制-L、隐藏文件显示-a、完整路径输出-f）以及进阶操作（如磁盘空间分析--du、结合grep过滤内容、生成JSON格式列表-J等）。此外，还可生成网站目录结构图并导出为HTML文件。注意事项：使用Tab键补全路径避免错误；超大目录建议限制遍历层数；脚本中推荐禁用统计信息以优化性能。更多详情可查阅手册mantree。

乘云数字提出了构建可观测性数据底座的理念，以实现数据融合和自由开发应用。通过统一数据模型和统一组织构建的思路进行设计指导，全面拥抱 OpenTelemetry，确保了与业界生态的紧密接轨。

从以 GPT 为代表的大模型出现之后，用 AI 实现 Ops 解决运维困境的梦想看起来实现近在咫尺，但 AIOps 发展的核心瓶颈是数据。现阶段的运维体系存在大量的数据盲区、数据孤岛、数据关联等问题，运维诊断更多的是依靠经验、猜测、直觉和灵感，而不是依靠数据。

越来越多的场景对可靠性有更高的要求，如基站、卫星、工业网关、智能汽车等，而当前 Linux 聚焦资源管理机制的实现，不重点关注资源使用策略导致的异常，其主要提供了硬件的可靠性处理，整体上没有体系化的管理手段。同时对于操作系统而言，可组装的定制功能将能在不同的场景下最大化功能价值。面对可靠性增强的需求和挑战，中兴通讯进行了组装式 OS 可靠性增强组件实践，充分覆盖系统各类亚健康事件，并进行对应策略处理，尽可能保障系统的可靠运行，同时提供必要的维测信息，方便后续故障定位。设计上采用可组装思路，利用 ftrace、kprobes 及 eBPF 技术进行功能解耦，可以很好地满足多场景下 OS 可靠性增强需求。

她详细阐述了容器环境下应用性能影响的第一性原理，并分析了 CPU、IO、内存在容器环境中对应用性能的影响。

作为本次大会的承办单位，中兴通讯持续为联盟的运作提供了资金、服务和技术的支持，在操作系统运维领域积极参与共建，为联盟成员做好服务，助力联盟健康发展。同时，中兴通讯也是龙蜥社区副理事长单位，秉承开发合作，共创共赢的理念积极参与社区建设，力争打造国内社区生态底座，促进社区繁荣发展。

龙蜥社区系统运维联盟主席冯富秋表示龙蜥社区系统运维联盟作为运维技术创新的前沿阵地，承载着双重使命：第一通过强化联盟与各成员单位间的协同合作，打造出运维能力跃升新引擎；第二，致力于制定并推广运维产业标准，为用户提供一盏明灯，让他们清晰洞悉市场运维水准的现状与未来趋势。同时，他也详细介绍了联盟当前的工作进展，强调通过联盟，牵引国内系统运维健康、有序、领先的发展。

本文介绍了切换系统默认运行级别的方法，包括临时和永久配置。通过调整运行级别，可将系统从图形界面切换至文本界面，优化资源占用或进行远程管理。同时，文章强调了制作系统快照的重要性，以确保在异常情况下快速恢复环境，并提供了创建与恢复快照的操作建议及策略。适用于服务器管理和虚拟化环境的风险控制场景。

本教程详细介绍了在Windows系统上使用VMware Workstation 17.5 Pro安装RHEL 9.x的完整流程。首先准备所需设备和软件，包括Windows计算机、RHEL 9 ISO映像文件、VMware软件及相关下载链接。接着，通过创建虚拟机、配置硬件参数完成VMware的基本设置。随后进入RHEL 9.x安装环节，涵盖语言选择、软件配置、网络和主机名设置、时区调整、磁盘分区规划（如/boot、/、swap、/boot/efi等分区）以及用户和密码的创建。最后，启动安装程序并监控进度，直至系统重启进入图形化登录界面。整个过程配有详细步骤说明和截图，便于用户操作和理解。

介绍浪潮信息操作系统团队在人工智能浪潮中面向AI做的一些高效的AI解决方案。