大型制造企业核心工艺图纸纳入AI知识库的知识产权保护白皮书

第一章：工业大模型时代的资产重构与合规挑战

在第四次工业革命与第五次工业革命交汇的浪潮中，大型制造企业正在经历从“数字化”向“智能化”的范式跃迁。以大型语言模型（LLMs）、检索增强生成（RAG）以及工业基础模型（Industrial Foundation Models, IFMs）为核心的人工智能技术，正前所未有地重塑制造业的知识管理与生产流程体系。在这一历史进程中，核心工艺图纸（CAD、DWG、STEP等格式文件）、产品制造信息（PMI）、标准操作程序（SOP）以及历经数十年沉淀的“隐性经验（Tribal Knowledge）”，共同构成了制造企业在数字经济时代最核心的战略资产。将这些高价值的沉淀资产结构化，并将其纳入企业级多模态AI知识库，是实现生成式设计、智能质检、数字孪生以及预测性维护等新质生产力的必由之路。

然而，当高度结构化的核心工艺图纸从传统的物理隔离网络或基于防火墙边界的安全IT环境，转化为AI知识库和向量数据库（Vector Databases）中的高维语义向量（Embeddings）时，其知识产权（Intellectual Property, IP）保护的底层逻辑发生了根本性颠覆。传统的防御体系在面对“模型窃取（Model Stealing）”、“嵌入反转攻击（Embedding Inversion）”以及隐蔽的“影子AI（Shadow AI）”等新型威胁时，已显露出系统性的脆弱。

同时，全球及中国的法治环境正在经历深刻变革。随着2026年6月1日《商业秘密保护规定》的正式施行，以及《工业和信息化领域人工智能安全治理标准体系建设指南（2025版）》等新规的出台，中国在数字经济与AI合规领域的法治架构提出了更加前置化、精细化的合规要求。本白皮书立足于最新的宏观政策、司法实践与前沿人工智能安全技术，系统性剖析工业大模型环境下CAD图纸及核心技术数据所面临的知识产权挑战。通过深度融合技术防御与法律合规机制，为大型制造企业提供一套可落地、全链路的知识产权保护战略指南。

第二章：核心工艺图纸向AI知识库转型的技术机理与资产属性

2.1 CAD与图纸数据的语义化重构：从离散像素到图结构

在以检索增强生成（RAG）为核心的知识库架构中，制造企业的核心知识不仅限于纯文本，更涵盖了高度结构化和空间化的CAD图纸、物料清单（BOM）以及ERP系统记录。传统的AI图像识别模型（如基于CNN的模型）往往将工程图纸视为二维像素图像，这种方法极难提取底层的机械结构意义和三维装配逻辑。

最新一代的工业向量化技术（如VectorGraphNet）通过技术突破，不再将图纸解析为图像，而是将其重构为由线条、坐标及顶点连接关系构成的“图结构（Graphs）”。这种技术使得工程图纸中的墙体、门窗、微观齿轮啮合关系以及基础厚度等元素，在极度复杂的蓝图中也能被精确识别和语义化。在此基础上，工程师能够通过自然语言接口，瞬间跨越企业成千上万份历史项目图纸，进行如“提取A型号建筑的基础厚度”等精准的语义检索，极大地缩短了研发周期并消除了“重新设计”的冗余成本。但正是这种将离散的物理几何信息转化为连续的高维语义向量的过程，使得图纸的拓扑结构、公差要求和材料配比等核心机密被高度提纯并浓缩于向量空间内，极大地改变了知识产权载体的物理形态。

2.2 工业基础模型（IFMs）的演进与知识提取体系

工业基础模型（Industrial Foundation Models, IFMs）是通用大模型技术在重资产、高复杂度制造业中的垂直化延伸。与仅仅依赖互联网公开语料训练的通用语言模型不同，工业基础模型的训练和微调依赖于多模态的工业专有数据，涵盖连续的流程操作日志、异构传感器网络数据以及复杂的物理化学动力学系统。系统架构通常包括基础设施层、基座模型层、交互层与应用层，能够针对工业场景中的多模态复杂性、时序数据生成及高置信度任务要求提供定制化输出。

在模型应用层，通过构建覆盖建模、感知、决策、诊断全环节的多场景智能体（Agents），工业基础模型实现了对底层CAD图纸和核心软件体系的深度赋能。例如，AI系统能够通过跨模态对齐策略，不仅理解控制回路趋势图和核心工业软件界面，还能利用知识增强推理生成控制系统性能评估报告与自适应整定建议。这也意味着，工业知识库中的每一项输出，都深度依赖于其摄入的底层工业图纸和运行规则，这要求建立极高标准的知识产权保护底座。

2.3 知识产权资产化：专利与商业秘密的双轨并行机制

在智能制造领域，孤立的专利保护或商业秘密保护均已无法满足复杂的业态需求，必须采取“混合型（Hybrid）”分层策略。专利制度的核心在于以“公开换取保护”，这在面对动态迭代的AI训练数据集、黑盒化的大模型权重以及难以逆向工程的隐性制造工艺时，往往面临维权取证困难和客体不适格的挑战。

企业应当利用高级专利分析工具（如Technology Clusters）对专利资产进行细粒度切分，将基础物理机械结构、硬件通信协议等容易被拆解的技术申请发明或外观专利。同时，将支撑智能制造的核心软件算法逻辑、AI在海量试错后得出的最佳工艺路径（如电解电流的最优温度曲线），以及用于微调大模型的海量高质量历史图集，作为最高等级的商业秘密（Trade Secrets）予以雪藏。如西门子（Siemens）近年来提交的634项工业自动化与数字化专利中，重点围绕数字孪生、边缘AI等核心架构建立专利壁垒，而将驱动其工业AI代理产生50%生产力跃升的深层核心算法及训练数据作为机密严密保护，实现了技术壁垒的最大化。

第三章：大模型环境下的核心机密泄漏与新型安全威胁

将核心工艺图纸和研发日志纳入大模型知识库，彻底打破了传统IT的物理边界与防火墙防御体系，引入了一系列针对AI模型底层逻辑与数学表达的新型网络攻击手段。

3.1 向量嵌入反转攻击与语义重构（Embedding Inversion）

业界曾普遍存在一种严重的认知误区：认为将CAD文件或敏感技术文档转化为向量（Embeddings）等同于进行了单向的哈希加密，因此向量数据库本质上是绝对安全的。然而，前沿的安全研究彻底推翻了这一假设。嵌入反转攻击（Embedding Inversion Attacks）证明了攻击者无需接触企业的原始数据库，只需获取向量表征，就能利用代数还原、数值偏微分方程（PDE）、贝叶斯推理或训练代理解码器，逆向重构出原始的高维数据。

在自然语言和工业图纸混合的场景中，这种攻击能够以高达50%至70%的准确率恢复出原始句子或核心参数（F1分数达到0.5至0.7）。此外，属性推断攻击（Attribute Inference Attack）可从嵌入中提取未明示的源数据属性；而成员推断攻击（Membership Inference Attack）则可在黑盒条件下探测某项敏感工业数据是否被用于特定大模型的训练。这意味着，一旦制造企业的向量数据库（Vector DB）遭到内网渗透或通过开放API被非法查询，攻击者即可将看似无意义的浮点数矩阵逆向解析为近似的CAD设计公差、发动机涡轮配方或机密商业条款。向量数据库实质上已成为企业最敏感知识产权的“语义影子副本（Semantic Shadow Copy）”，其面临的安全风险与泄露底层数据本身无异。

3.2 模型窃取、提示词注入与影子AI（Shadow AI）

制造企业的另一大系统性风险来自于员工的非受控使用与恶意诱导机制。当缺乏合规引导的工程师为了提高绘图或编程效率，擅自将含有核心设计参数的CAD图纸、生产故障日志或敏感代码上传至缺乏隔离机制的云端生成式AI工具时，这些隐蔽的“影子AI（Shadow AI）”操作会将商业机密永久暴露给第三方大模型供应商。

大模型具有难以擦除的“记忆性（Memorization）”特征，不仅会导致商业秘密因丧失法定要求的“秘密性”而失去法律保护；更为致命的是，竞争对手可以通过精心构造的提示词注入（Prompt Injection）与温度调节（Temperature Tuning），在黑盒聊天界面中诱导模型吐出这些被记忆的敏感信息。更进一步的模型窃取攻击（Model Stealing Attacks）通过向目标模型发送大量API查询并收集其输入输出对，可以训练出一个模仿该模型行为的“代理模型”，从而在不接触物理服务器的情况下，兵不血刃地将耗资数千万训练的工业大模型的知识库精华复制窃走。

3.3 跨界协作中的数字孪生确权难题与供应链风险

在现代制造业中，数字孪生（Digital Twins）与RAG知识库往往深度绑定。数字孪生模型通过传感器实时输入数据，不断自我演进并优化物理实体（如自动化产线或高端装备）的运行策略。然而，数字孪生系统的协作特性——数据输入、算法构建、模拟环境搭建通常由不同的供应商或利益相关方共同完成——导致了极其复杂的知识产权确权难题。

现行版权法对于缺乏直接人类作者身份的计算机生成作品，以及高度动态、实时更新的持续演进模型的保护边界仍然模糊不清。当制造企业需要将中立格式图纸（如STEP、DWG）通过数字孪生平台外发给供应商进行协同设计时，若缺乏工业级的数字版权控制，脱离了内网环境的三维图纸极易在供应链薄弱节点遭到非法窃取或篡改。

第四章：全球视野与中国法治演进：知识产权新规与司法实践

随着生成式人工智能技术的爆发，知识产权法治框架正以前所未有的速度迭代。中国正在快速建立一套既鼓励技术创新，又严守数据安全的复合型法律与标准体系。

4.1 《商业秘密保护规定》与“数据二十条”的底层逻辑

2026年6月1日正式施行的《商业秘密保护规定》（国家市场监督管理总局第126号令），为工业AI知识库的保护提供了最直接的行政与法律保障。新规从客体认定到惩戒力度均实现了质的飞跃：

• 客体数字化实质扩容：明确将“数据、算法、计算机程序、代码”以及“阶段性成果或者失败的实验数据”纳入商业秘密的技术信息范畴予以保护。这意味着，大模型训练过程中产生的废弃语料、模型微调所经历的数千次失败迭代参数，均具备法律保护价值，彻底摒弃了唯结果论的旧有标准。
• 保密措施的“实质有效性”标准：规定第九条强调企业采取的保密措施必须与商业信息的价值“相适应”。这标志着仅凭入职时的纸质保密协议已无法满足合规要求，企业必须部署防范电子侵入、数字化系统隔离、端点加密等实际技术手段，方可在被侵权时获得法律支持。
• 行政惩戒上限大幅提高：规定明确对于情节严重的侵犯商业秘密行为，最高可处以500万元人民币罚款，显著提升了行政执法的威慑力。

此外，“数据二十条”的深入落实，创造性地提出了建立数据资源持有权、数据加工使用权、数据产品经营权等分置的产权运行机制，为企业参与AI产业链上下游的数据要素流通确立了产权基石。

4.2 AIGC版权归属与参数侵权认定的司法前沿

在司法审判层面，中国各级法院近年来做出的多项标杆性判决，为AI时代的知识产权确权划定了清晰的红线：

• AI生成物独创性与版权确权：在北京互联网法院审理的全国首例AI生成图片（《春风送来了温柔》）侵权案中，法院通过原告使用Stable Diffusion大模型并不断调整提示词和参数的演示，判定该过程体现了人类的智力投入和个性化表达，首次从司法层面确认了AI生成内容在满足“独创性”条件下可受著作权保护。
• 模型参数与架构的商业秘密属性：在一起涉及“动漫转换特效”的不正当竞争纠纷中，北京知识产权法院明确指出：通过数据训练、优化和调参所形成的人工智能模型架构和参数，能够为经营者带来创新优势和商业利益。被告未经许可通过逆向或直接套用原告模型架构及参数的行为，被判定构成不正当竞争。这一被中国社会科学院评为“十大人工智能高质量司法案例”的判决，首次将受保护利益从可见的AI产品延伸至底层的参数与网络架构。
• 大模型训练数据的版权侵权争议：国内某头部视频平台在上海市徐汇区人民法院起诉另一大模型公司，指控其未经授权使用原告享有版权的视频素材进行模型训练；此案与海外《纽约时报》诉OpenAI案遥相呼应，共同探讨了大语言模型在抓取底层训练语料时的“合理使用（Fair Use）”边界。

4.3 行业标准与规范指南落地体系

为填补法律与工程实践之间的空白，各类团体标准与行业指南相继发布。2025年10月，中国电子商会在北京市海淀区正式发布了国内首部聚焦生成式AI知识产权的团体标准——《生成式人工智能知识产权指南》（T/CECC 42-2025）。该指南围绕著作权、专利、标识和商业秘密四大核心领域，为中小微企业构建了涵盖知识产权获取、应用与风险管理的操作框架，有效消解了企业在研发投入与服务落地时的合规顾虑。

同时，《工业和信息化领域人工智能安全治理标准体系建设指南（2025版）》则系统规划了涵盖算法安全、大模型内生安全、数据接口规范以及工业智能体行为溯源的技术标准路线图，指导企业在技术创新与安全底线之间寻找最优解。

第五章：知识库防护的深度防御体系：技术架构与工程实现

鉴于新规要求保密措施必须具备“实质有效性”，制造企业必须构建从数据入库预处理、模型嵌入计算，直到端点侧消费展示的全链路“深度防御（Defense-in-Depth）”技术体系，以匹配其核心知识的商业价值。

5.1 3D/2D图纸的数字水印与大模型确权溯源

数字水印（Digital Watermarking）是追踪图纸流转和确权验证的核心防线。在精密制造场景中，其技术复杂性远超常规的文本或2D图像水印：

• 深层次的拓扑嵌入策略：针对3D CAD模型，水印不能仅停留在文件头，而必须嵌入到三维网格（3D Meshes）深处。前沿算法通过微调底层矢量数据（如修改特定Line线段的极微小长度比例、Arc圆弧的曲率，或3DFACE组件两边的长度比），在不改变物理加工精度（严格控制在公差范围内）的前提下，写入隐蔽的二进制知识产权编码。
• 抗几何攻击的强鲁棒性：工业级水印必须具备抵抗日常工程操作带来的“几何攻击”能力。即使竞争对手对图纸进行了格式转换（如将DWG转换为DXF或DWT）、部件裁剪（Component Cropping）、非等比例缩放或层级删除，解码算法依然能够依靠多重凸集投影（Convex Sets）和纠错编码技术，准确提取出原始的版权标识信息。
• 面向AIGC的生成内嵌水印（In-generation Watermarking）：对于由工业基础模型（IFMs）生成的改进设计方案，可利用扩散模型（如DDPM）中的去噪机制，在图像或三维结构生成的瞬时环节内源性地注入密码学标识，确保AI新生成的工艺衍生品自带可核查的数据血统证明。

5.2 企业数字版权管理（EDRM）与持续加密机制

在跨国协作和漫长的供应链条中，中立格式的工艺图纸不可避免地要脱离企业防火墙的庇护。企业级数字版权管理（EDRM）能够将安全策略如同DNA一般死死绑定在文件本身上。

• PLM系统底层集成：以SECUDE HALOCAD为例，此类工具能够无缝内嵌于西门子Teamcenter、PTC Windchill等核心生命周期管理软件（PLM）中。当含有核心机密的三维数模从这些系统检出，或准备送入AI知识库进行训练时，系统会自动对其应用如微软信息保护（MIP）级别的强制加密和敏感度标签。
• 去边界化的持续控制：一旦图纸被加密，无论其随后被存储在U盘、第三方云盘还是供应商的私人电脑中，其保护策略始终如影随形。未经授权的用户即使通过非正规手段获取了文件扩展名（如.dwg），打开后也只会显示为乱码或被系统直接阻断访问。而授权用户也仅仅拥有动态的查看权限，系统的防拷贝组件会从操作系统底层拦截任何形式的“复制-粘贴”、本地另存为或屏幕截图操作，从根本上封死数据流出的“出口门”。

5.3 数据血缘追踪、元数据管理与知识检索治理

RAG系统的高效性与抗风险能力，最终取决于底层数据的治理精度。建立完整的数据血缘（Data Lineage）追踪体系是应对模型幻觉及合规审计的关键。

• 元数据强化与检索可解释性：在向量数据库的构建阶段，每一个文档分块（Chunk）不仅要进行语义编码，还必须强制附加多维元数据，包括：数据分类密级、来源文件ID（Source ID）、版本迭代时间戳、原作者及更新策略。当AI生成关于复杂工艺故障排查的响应时，系统必须引用这些元数据生成直接的出处链接，实现“每条建议必有验证源（Grounded Generation）”，从而满足航空航天等严苛行业对技术指令可审计性的要求。
• 针对向量化检索的动态访问控制（RBAC/PBAC）：大模型的权限控制必须实现颗粒化。结合企业身份认证系统，RAG检索器在处理查询时，应通过基于角色（RBAC）和基于策略（PBAC）的双重鉴权机制，实时评估提问者的权限等级及当前的上下文环境。例如，核心算法工程师能够通过RAG系统检索并计算底盘控制器的深层参数，而一般装配线工人查询类似问题时，系统将自动隔离高敏数据，仅返回公用的操作规范和基础排障指南。

第六章：核心工艺与工业数据的治理策略与合规矩阵

在完善技术底座的同时，制造企业必须自上而下推行制度化合规战略，将知识产权保护内化为企业的日常运营流程。

6.1 商业秘密的分级分类管理实践

依据国家市场监管总局等部门联合推进的《商业秘密保护能力提升三年行动计划（2026-2028）》，年营收逾5000万元的企业建立商业秘密分级目录将成为合规审查的必选项。制造企业应参考以下体系对AI知识库数据进行分类，并实施差异化保护：

通过建立清晰的数据标签（Labels）与分类政策，企业可以在大模型的研发、清洗、标注等流程中执行自动化过滤，不仅能够最优化算力资源的分配，更能在面对司法审判或行政执法时，向监管机构充分证明企业已履行了最高标准的“合理保密义务”，确立了反诉侵权的法理基础。

6.2 AI供应商与供应链的合同重构及附加条款

在传统制造外包合同中，仅包含标准的保密协议（NDAs）已无法应对大模型环境下的合规要求。企业在采购云端大模型服务（SaaS）、数据清洗服务或向第三方交付图纸前，必须在主服务协议中嵌套针对性极强的《人工智能保密及数据使用附加协议（AI Addendum）》。

• 模型训练绝对禁止原则（Model Training Restrictions）：合同中必须使用毫无歧义的条款，明确禁止供应商将其处理的任何客户数据（包括CAD原件、系统日志、API查询提示词Prompt及其返回的输出结果）用于训练、微调（Fine-tuning）或改进供应商自身及其任何关联第三方的AI模型。明确规定，由AI分析发包方制造过程所产生的任何“衍生洞察（Derivative Intelligence）”或规律总结，其完整的知识产权皆独家归属于发包方所有。
• 模型隔离与销毁审计权（Model Destruction & Isolation）：当双方合作协议终止后，对于曾在企业专有数据上进行过微调的模型副本或生成的特定知识库向量集（Vector Indexes），发包方必须拥有强制销毁权。供应商需出具经第三方认证的物理及逻辑数据销毁证明，杜绝模型在后续服务中发生“数据记忆溢出”。
• 侵权兜底与全额赔偿条款（Comprehensive Indemnity）：若因供应商使用的底层基础大模型包含未授权的第三方受版权保护物，导致原告遭受知识产权侵权索赔；或因供应商未能妥善隔离大模型数据，致使核心工艺参数被其他客户抽取，供应商必须承担无上限的违约责任并全额赔偿原告的所有直接及间接商业损失。
• 防范“AI知识污染（AI Contamination）”：严禁供应商在为发包方开发享有专有知识产权的商业化产品或核心算法逻辑时使用生成式AI工具生成源代码或底层核心设计，防止因引入AI生成物而导致该项成果的“专利适格性（Patentability）”或著作权属性遭到法律挑战甚至无效判决。

6.3 产业集群共享共建环境下的联邦信任机制

在大型工业园区或产业链联盟（如新能源汽车供应链集群）中，多方协作与知识共享是必然趋势。利用如CSGHub等企业级平台，园区可以通过构建统一的模型管理中枢，实施细粒度的命名空间（Namespaces）和权限域控制。企业A贡献特定的行业文本语料，企业B共享包装视觉质检图集，双方在联邦学习（Federated Learning）和隐私集合交集（PSI）等隐私计算技术的加持下，实现“数据可用不可见”的联合训练模型，在确保各自商业秘密绝对安全的前提下，共同收割大模型涌现出的全局优化能力。

第七章：行业标杆与最佳实践案例解析

7.1 西门子（Siemens）：精益知识产权（Lean-IP）与本地化闭环赋能

作为工业4.0及智能制造的全球领航者，西门子的知识产权战略远超简单的防御范畴，将其转化为驱动商业价值的核心引擎，即“精益知识产权（Lean-IP）”战略。在2010年至2026年期间，西门子不仅在传统PLC（可编程逻辑控制器）、HMI（人机界面）等领域积累了大量专利，更是在数字孪生、边缘AI以及工业AI代理（AI Agents）等数字化前沿技术上快速布局了超过270项核心专利，通过分层专利网封锁了竞争对手在高速增长的工业互联网领域的跟进路径。

在其推出的工业基础模型（Industrial Foundation Models）战略中，西门子深刻理解重工行业对于数据隐私的极端敏感性。为了让大模型学习工厂内海量沉淀的2D图纸、3D CAD数模以及PMI数据并理解深度的工程语义逻辑，西门子坚决捍卫“数据主权（Data Sovereignty）”。其开发的生成式AI质检和代码辅助工具均支持在企业内部服务器甚至生产线边缘节点进行私有化部署（On-premises）。这一物理级别的隔离架构，不仅使得企业的“隐性经验（Tribal Knowledge）”得到了安全的数字化传承，更彻底杜绝了机密制造参数通过云端API泄露到公共模型体系中的可能，完美兼顾了技术创新与知识产权的绝对安全。

7.2 中国中车（CRRC）与三一重工（SANY）：大模型赋能与混合型保护机制

国内重型装备制造巨头亦在大模型应用与IP保护上走在世界前列。中国中车近期牵头发起的“斫轮”三大轨道交通核心大模型（轩构、轩知、轩鉴），彻底重塑了“创意设计-安全监测-健康运维”的工业全生命周期。特别是在“斫轮·轩构”大模型中，设计师只需输入简单的自然语言指令，系统便能在极短的8秒内完成多图融合与3D模型渲染辅助，一键生成高清车辆外观设计方案，将整体设计效率飙升了40%，创新度提升60%。中车通过部署本地化、强隔离的大模型基础设施，确保了其百万级的高质量行业训练语料以及首创的多图融合生成算法不被窃取，稳固了在全球轨道交通领域的降维打击优势。

三一重工（SANY）在通过智能制造实现全球化逆势扩张的过程中，深刻诠释了混合型知识产权战略。通过全面部署工业物联网（IIoT）、视觉感知大模型与数字孪生技术，三一重工将其长沙18号灯塔工厂的产能提升了123%，单件制造成本削减了29%。在此期间，三一重工累计申请了超过10,613项专利，对其重型装备的物理机械创新进行了全方位的垄断性保护。与此同时，支撑其47座灯塔工厂高效运转的海量运行数据集、深层控制算法以及通过强化学习调优后的智能化排产调度模型，则被置于高度严密的内部信息安全管控架构下，作为核心商业秘密进行动态维护，确保了其核心竞争力的长期不可复制性。

结论与未来展望

大型制造企业将核心工艺图纸及海量生产数据纳入大语言模型与多模态AI知识库，是一场势不可挡的生产力革命，更是一场深刻的知识产权确权与网络安全攻坚战。在模型嵌入反转攻击、提示词诱导泄密以及跨国数字孪生确权纠纷等立体化威胁下，单纯依赖传统IT部门的外围防火墙建设，或是仅靠法务部门拟定单薄的保密协议，已远远无法满足智能时代的安全诉求。

面对严苛的技术挑战与2026年不断收紧的全球数字经济合规体系，制造企业的决策层必须将AI合规与数据治理上升至公司战略层面：首先，必须在向量知识库底座中深植数据血缘追踪、数字水印溯源以及EDRM持续加密等“硬核”安全技术，确保数据在多模态流转与生成环节始终做到“可用不可见、可算不可偷”。其次，应立即启动覆盖全企业数据资产的分级分类审计，按照最新商业秘密保护法规的要求，制定匹配商业价值的阶梯式防御策略。最后，通过重构与上下游供应商的AI服务条款，全面封堵模型非法训练与数据衍生的法律漏洞。

只有将精深的科技防护底座与严密的现代法律治理体系深度熔合，大型制造企业方能在波澜壮阔的人工智能浪潮中，彻底释放尘封在海量图纸中的数据要素潜能，在全球智能制造的激烈角逐中筑起坚不可摧的护城河。