检索结果-内蒙古大学图书馆

计算机科学与探索 2022年第7期16卷 1570-1582页

作者：潘风蕊李涛邢立冬张好聪吴冠中西安邮电大学电子工程学院西安710121 西安邮电大学计算机学院西安710121

传统的可编程处理器虽然高度灵活,但其处理速度及性能不及专用集成电路(ASIC),而图像处理往往是多样、密集且重复的操作,因此处理器要兼顾速度、性能及灵活性。OpenVX是图像图形处理、图计算和深度学习等应用的预处理或者辅助处理开源标... 详细信息

传统的可编程处理器虽然高度灵活,但其处理速度及性能不及专用集成电路(ASIC),而图像处理往往是多样、密集且重复的操作,因此处理器要兼顾速度、性能及灵活性。OpenVX是图像图形处理、图计算和深度学习等应用的预处理或者辅助处理开源标准,基于最新的OpenVX 1.3标准中的核心图像处理函数库,设计并实现了一种可编程、可扩展的专用指令集处理器(ASIP)——OpenVX并行处理器。首先分析对比了各种互联网络的拓扑特性,选择了性能比较突出的层次交叉互联网络(HCCM+)作为系统主干,在网络节点处设置处理单元(PE)构成支持动态配置的4×4 PE阵列,结合高效的路由通信方式设计了并行处理器,实现可编程的图像处理。其次所提出的架构适合数据并行计算和新兴的图计算,两种计算模式可单独或混合配置使用,分别将核心视觉函数及图计算模型映射到并行处理器上对两种模式进行验证,对比PE数目不同的情况下图像处理的速度。实验结果表明,并行处理器能够完成对基本核心函数和高复杂度的图计算模型的映射,在数据并行计算和流水线处理两种模式下,可以对图像处理线性加速,调用16个PE对各类函数的平均加速比可达15.0375。验证环境采用20 nmXCVU440平台芯片,综合实现后频率为125 MHz。

关键词： OpenVX核心图像处理函数专用指令集处理器(ASIP) 并行处理器层次交叉互联网络(HCCM+) 图计算模型

来源：评论

学校读者我要写书评

暂无评论

图数据分析系统计算模型综述

引用

计算机应用研究 2017年第11期34卷 3204-3213页

作者：刘梦雅刘燕兵于静郭莉孙志刚中国科学院信息工程研究所北京100093 中国科学院大学北京100049 信息内容安全技术国家工程实验室北京100093 北京英孚泰克信息技术股份有限公司北京100089

为适应图数据规模巨大、耦合性强、动态变化等特点,实现大规模图数据的高效分析计算,对图计算系统计算模型的研究现状进行了调研和综述。介绍了图计算系统的产生和发展,然后将主流图计算系统中的计算模型按照计算对象分为节点中心计算... 详细信息

为适应图数据规模巨大、耦合性强、动态变化等特点,实现大规模图数据的高效分析计算,对图计算系统计算模型的研究现状进行了调研和综述。介绍了图计算系统的产生和发展,然后将主流图计算系统中的计算模型按照计算对象分为节点中心计算模型、边中心计算模型、路径中心计算模型和子图计算模型四类,重点介绍节点中心模型的应用和性能。最后对图计算模型的发展过程进行总结,并展望图计算模型未来的发展方向。

关键词：图算法图数据图计算系统图计算模型数据一致性

来源：评论

学校读者我要写书评

暂无评论

适用于自然语言处理应用的分布式大数据计算系统

适用于自然语言处理应用的分布式大数据计算系统

引用

作者：段荪宇北京大学

学位级别：硕士

利用离线大数据统计分析的方法进行自然语言处理任务的研究是目前非常有潜力的一种研究范式，尤其是Google，Twitter等大公司在这类应用上的成功经验，引领了目前大数据研究的浪潮。为进行离线大数据存储与计算，Google提出了一套计算... 详细信息

利用离线大数据统计分析的方法进行自然语言处理任务的研究是目前非常有潜力的一种研究范式，尤其是Google，Twitter等大公司在这类应用上的成功经验，引领了目前大数据研究的浪潮。为进行离线大数据存储与计算，Google提出了一套计算框架，包括分布式存储GFS，计算调度系统Omega，MapReduce计算模型，Pregel计算模型等。这些模型利用成千上万的普通服务器集群搭建起强大的数据处理系统，每天离线的统计分析全球的网页数据与用户行为。\n 在当前的主流研究环境中，大多数实验室仅仅拥有一个中小规模的服务器集群，系统故障率远远低于超大规模集群，对可扩展性以及可靠性的要求较低，系统的焦点在于充分利用系统的性能进行更大规模的数据分析。本文针对自然语言处理研究的任务环境，以提高系统性能为目标，搭建了一个高性能离线大数据计算系统。\n 本文首先以提高单节点的处理性能出发，通过分析自然语言处理任务对于IO以及CPU的使用情况，以及原有模型的缺陷，提出了基于非对称多线程的FIOS模型，有效提高了IO密集型任务的IO使用率以及CPU使用率，在实验中，FIOS模型针对CPU密集型任务和IO密集型任务都显示出了良好的性能。\n 本文接着将FIOS模型作为处理核心，在FIOS模型的基础上，利用高并发服务器搭建起分布式通信基础，构建了一套分布式模型基础架构CCMI，利用CCMI可以搭建各种类型的分布式计算模型。本文以工作流和BSP图计算模型为例，说明了如何利用CCMI接口搭建起分布式计算模型。在实验中，以CCMI为基础的工作流模型和BSP图计算模型都显示出了良好的性能。在以Pagerank为例的实验中，BSP图计算模型达到了同类模型利用超大规模集群达到的计算速度。\n 通过本文的模型以及实验说明了在自然语言处理的研究中，利用中小集群进行超大规模数据统计分析的研究是可行的。

关键词：自然语言处理分布式系统大数据处理图计算模型分布式计算模型工作流模型

来源：评论

学校读者我要写书评

暂无评论

基于图计算的用户异常行为检测研究

基于图计算的用户异常行为检测研究

引用

作者：孙先亮沈阳理工大学

学位级别：硕士

随着互联网的高速发展,世界逐渐走向信息时代。互联网技术在政治、经济、民生等方面得到充分应用的同时也产生了一定的网络安全隐患。一些恶意用户为了获取利益使用攻击手段对网络用户造成威胁和损失。随着攻击手段的不断更新升级给用... 详细信息

随着互联网的高速发展,世界逐渐走向信息时代。互联网技术在政治、经济、民生等方面得到充分应用的同时也产生了一定的网络安全隐患。一些恶意用户为了获取利益使用攻击手段对网络用户造成威胁和损失。随着攻击手段的不断更新升级给用户造成的损失也越来越大,从而使当前的网络安全形势也越来越严峻。因此如何解决用户的网络安全问题,使用户网络免受不法分子的入侵和伤害成为众多学者研究的热点。基于统计分析、特征邻近、张量分解等传统方法在解决用户的网络安全问题时,存在检测局限性、检测准确率低等问题。基于图计算的异常用户行为检测方法具有表示动态网络特征变化的强大能力,有助于在异常检测中对复杂网络数据的特征提取和特征学习,因此成为近年来异常行为检测的研究热点。本文针对图模型理论和深度学习方法进行学习,重点对基于图计算的异常行为检测方法展开研究,主要工作内容如下:首先,本文研究异常行为检测的基本原理和方法,学习涉及到的深度学习网络模型和相关的异常行为检测方法。同时,对数据集展开研究寻找应用广泛具有权威性的数据集,确定对异常行为检测方法的相关评价指标。其次,本文提出一种基于DPADS-Egonet-LSTM的异常行为检测方法更有效的检测动态网络中的异常行为。该方法首先对DPADS算法进行改进使其能够应用在动态网络中,通过计算图结构之间的差异度来反映网络变化趋势。同时,使用最小描述长度原理来描述图结构信息减少计算量,提高效率。然后根据Egonet网络特性分析动态网络结构变化,总结出图距离特征表示动态网络变化趋势,使用参数优化后的长短时记忆网络算法进行训练完成异常行为检测。在IDS2018数据集上进行实验,并与当前典型的异常行为检测方法对比,实验结果表明基于DPADS-Egonet-LSTM的异常行为检测方法的准确率高于其它方法,总体性能也更好,验证了本方法的有效性。最后,在基于DPADS-Egonet-LSTM的异常行为检测方法启发下进一步研究图计算的异常行为检测模型,提出基于GCN-Bi LSTM的异常行为检测方法。该方法首先将图结构、属性以及可以整个网络变化的信息引入到图神经网络模型中,使用图卷积神经网络作为特征提取器来提取网络中有用的图结构信息作为整个图的表示向量,同时对双向长短时记忆网络进行改进,融合了注意力机制来提高异常行为检测准确度,使用改进后的双向长短时记忆网络方法进行训练并结合提取到的特征信息完成异常行为检测。在IDS2017数据集上进行实验,并与当前典型的异常行为检测方法对比,实验结果表明基于GCN-Bi LSTM的异常行为检测方法的准确率有了进一步的提升,总体性能也更好,验证了本方法的有效性。

关键词：异常检测图计算模型机器学习图神经网络长短时记忆网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：