基于模型诊断(MBD)方法在不同的环境中有越来越多的用途,包括软件故障定位、电子表格的调试、Web服务和硬件设计,以及生物系统的分析等.受这些不同用途的启发,近年来MBD算法改进成效显著.然而,对体系庞大、结构复杂的系统,需要对现有方法进一步改进.由于求解诊断解在计算上具有挑战性,因此相继提出了一些通过压缩模型的MBD算法来提高诊断效率,如基于统治的多观测压缩模型(dominated-based compacted model with multiple observations,D-CMMO)算法.对于给定多个观测值且注入1个以上错误需要大量时间的诊断问题,提出了一个新的诊断模型CCM(cardinality-constrained compacted model)来解决.基于基数约束的压缩模型算法使用2种方法对求解过程进行优化:首先,利用系统观测的故障输出和故障组件数量之间的约束关系来限制目标解的范围;其次,通过对假设集采用单次入队方法,进而有效提升MaxSAT(maximum satisfiability)求解器的性能.此外,在ISCAS85和ITC99基准测试用例上的实验结果表明,与目前最新的MBD求解方法D-CMMO相比,上述2种优化方法有效缩小了MBD问题的求解范围,降低MaxSAT求解器搜索目标解的难度,进而能在更短的时间内返回一个诊断解.在平均状况下,CCM方法相比D-CMMO方法求解效率分别提升64.5%和92.8%.
云原生数据库具有开箱即用、弹性伸缩、按需付费等优势,是目前学术界和工业界的研究热点.当前,云原生数据库仅支持“一写多读”,即读写事务集中在单一的读写节点,只读事务分散到多个只读节点.将读写事务集中在单一的读写节点,制约了系统的读写事务处理能力,难以满足读写密集型业务需求.为此,提出D3C(deterministic concurrency control cloud-native database)架构,通过设计基于确定性并发控制的云原生数据库事务处理机制来突破一写多读的限制,支持多个读写节点并发执行读写事务.D3C将事务分拆为子事务,并根据预先确定的全局顺序在各节点独立执行这些子事务,以满足多个读写节点上事务执行的可串行化.此外,提出基于多版本机制的异步批量数据持久化等机制以保证事务处理的性能,并提出基于一致性点的故障恢复机制以实现高可用.实验结果表明,D3C在满足云原生数据库关键需求的同时,在写密集场景下能够达到一写多读性能的5.1倍.
海量图像以流数据的形式实时涌入网络,使得在线图像检索需求越来越迫切。为了保证在线图像检索性能,研究人员利用在线哈希算法实时更新哈希函数,并重新学习新、旧数据集的哈希码。然而,随着旧数据集的日益积累,在线更新旧数据集的哈希码会严重影响在线检索效率。为此,提出非对称深度在线哈希(asymmetric deep online Hashing,ADOH),以非对称的方式深度学习在线哈希网络,并且仅生成新数据集的哈希码,无须更新旧数据集的哈希码,能够有效地提升在线检索效率。ADOH算法通过最小化哈希码内积与相似度矩阵之间的差异,保持样本对之间的语义相似性关系。另外,ADOH算法建立分类损失项和标签嵌入模块学习样本的语义信息,使生成的哈希码更具备语义鉴别性。在3个广泛使用的数据集cifar-10、mnist和Places205上设置在线近邻检索对比实验,结果表明ADOH算法的在线近邻检索性能优于目前8种较先进的在线哈希算法。
暂无评论