检索结果-内蒙古大学图书馆

计算机研究与发展 2024年第3期61卷 557-570页

作者：王紫芮蒋德钧中国科学院计算技术研究所先进计算机系统研究中心北京100190 处理器芯片全国重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学计算机科学与技术学院北京100049

随着内存密集型应用的快速发展,应用对单机内存容量的需求日益增大.然而,受到颗粒密度的限制,内存容量的扩展度较低.页交换机制是进行内存扩展的经典技术,该机制通过将较少使用的内存页面暂存在存储设备,以达到扩展内存的目的.过去页交... 详细信息

随着内存密集型应用的快速发展,应用对单机内存容量的需求日益增大.然而,受到颗粒密度的限制,内存容量的扩展度较低.页交换机制是进行内存扩展的经典技术,该机制通过将较少使用的内存页面暂存在存储设备,以达到扩展内存的目的.过去页交换机制由于慢速磁盘的读写速度限制,无法被广泛应用.近年来,得益于超低延迟固态硬盘(solid state drive,SSD)的快速发展,页交换机制可以利用其低延迟的读写特性,提升页交换效率.然而,在低I/O延迟的情况下,传统页交换机制的I/O栈存在巨大的软件开销.首先对使用超低延迟SSD的Linux页交换机制进行测试与分析,发现现有页交换机制的主要瓶颈在于发送请求时存在队头阻塞问题、I/O合并和调度开销,以及内核返回路径上的中断处理和直接内存回收开销.基于分析结果,提出基于超低延迟SSD的页交换机制***在Linux I/O栈的基础上增加对轮询请求的处理,并降低I/O合并与调度开销,实现轻量级的I/O栈.基于Ultraswap的I/O栈,对内核页交换机制的换入与换出路径进一步优化.通过优化对缺页、直接内存回收的处理,降低页交换机制关键路径上的时间开销.实验结果表明Ultraswap在应用测试场景下相比Linux页交换机制能够提升19%的平均性能;在可使用内存比例为20%的情况下,Ultraswap可达到33%的性能提升.

关键词：页交换 I/O栈超低延迟SSD 轮询 NVMe SSD

来源：评论

学校读者我要写书评

暂无评论

基于超低延迟SSD的页交换关键技术

引用

计算机研究与发展 2024年

作者：王紫芮 * 蒋德钧处理器芯片全国重点实验室(中国科学院计算技术研究所) 先进计算机系统研究中心(中国科学院计算技术研究所) 中国科学院大学

随着内存密集型应用的快速发展，应用对单机内存容量的需求日益增大.然而，受到颗粒密度的限制，内存容量的扩展度较低.页交换机制是进行内存扩展的经典技术，该机制通过将较少使用的内存页面暂存在存储设备，以达到扩展内存的目的.过... 详细信息

随着内存密集型应用的快速发展，应用对单机内存容量的需求日益增大.然而，受到颗粒密度的限制，内存容量的扩展度较低.页交换机制是进行内存扩展的经典技术，该机制通过将较少使用的内存页面暂存在存储设备，以达到扩展内存的目的.过去页交换机制由于慢速磁盘的读写速度限制，无法被广泛应用.近年来，得益于超低延迟固态硬盘（solid state drive, SSD）的快速发展，页交换机制可以利用其低延迟的读写特性，提升页交换效率.然而，在低I/O延迟的情况下，传统页交换机制的I/O栈存在巨大的软件开销.首先对使用超低延迟SSD的Linux页交换机制进行测试与分析，发现现有页交换机制的主要瓶颈在于发送请求时存在队头阻塞问题、I/O合并和调度开销，以及内核返回路径上的中断处理和直接内存回收开销.基于分析结果，提出基于超低延迟SSD的页交换机制***在Linux I/O栈的基础上增加对轮询请求的处理，并降低I/O合并与调度开销，实现轻量级的I/O栈.基于Ultraswap的I/O栈，对内核页交换机制的换入与换出路径进一步优化.通过优化对缺页、直接内存回收的处理，降低页交换机制关键路径上的时间开销.实验结果表明Ultraswap在应用测试场景下相比Linux页交换机制能够提升19%的平均性能；在可使用内存比例为20%的情况下，Ultraswap可达到33%的性能提升.

关键词：页交换 I/O栈超低延迟SSD 轮询 NVMe SSD

来源：评论

学校读者我要写书评

暂无评论

基于超级参数调整的网络表示学习算法性能公平比较框架

引用

计算机学报 2022年第5期45卷 897-917页

作者：郭梦影孙振宇朱妤晴包云岗中国科学院计算技术研究所先进计算机系统研究中心北京100190 中国科学院大学北京100049 北京信息科学与技术国家研究中心(清华大学) 北京100084 大数据系统软件国家工程实验室北京100084

网络结构数据在现今生活中广泛存在,但由于数据结构稀疏、规模较大等特性,难以直接利用现有的机器学习算法对数据进行分析.网络表示学习算法的出现,通过将高维数据映射到低维向量空间,解决了上述问题.但是网络表示学习算法中存在大量超... 详细信息

网络结构数据在现今生活中广泛存在,但由于数据结构稀疏、规模较大等特性,难以直接利用现有的机器学习算法对数据进行分析.网络表示学习算法的出现,通过将高维数据映射到低维向量空间,解决了上述问题.但是网络表示学习算法中存在大量超级参数,参数的选择与数据分析任务密切相关且对算法性能有明显影响,如何针对数据分析任务,通用地对多种网络表示学习算法进行超级参数调整,以获取不同算法的最优性能,实现算法间性能的公平比较,从而选择出最优者对数据进行分析,是一个亟待解决的问题.此外,对算法进行超级参数调整通常需要花费较长时间,且由于网络结构数据规模通常较大,还会有内存占用过高问题的存在,因此如何能够在有资源限制(时间、内存占用)的条件下进行超级参数调整,是面临的另一个问题.基于上述两个问题,本文提出了基于超级参数调整的网络表示学习算法性能公平比较框架JITNREv,能够在有资源限制的条件下通用对多种网络表示学习算法进行超级参数调整,通过获取不同算法针对相同数据分析任务的性能最优值,实现算法之间的性能公平比较.该框架具有4个松耦合且可扩展的组件,组件间仅通过数据流进行交互,并在闭环结构中完成样本的测试优化,满足了框架的通用性.JITNREv基于拉丁超立方采样对超级参数进行采样;根据“当前最优值附近,有更大概率出现更优值”的假设对采样范围进行剪枝;针对超大规模数据集,提出了图粗化方式在保留数据结构的基础上压缩数据规模,满足了资源限制条件下对超级参数进行调整的要求.框架还融合了网络表示学习算法常用的评测数据集、评测指标和数据分析应用,实现了框架的易用性.实验证明JITNREv框架能够在资源限制条件下稳定提高算法性能,例如,针对GCN算法的节点分类任务相比默认参数设置,JITNREv框架能够将性能提升31%.

关键词：网络表示学习网络嵌入图卷积网络自动化机器学习超级参数调整

来源：评论

学校读者我要写书评

暂无评论

外部高速缓存与非易失内存结合的混合内存体系结构特性评测

引用

高技术通讯 2021年第5期31卷 464-478页

作者：潘海洋刘宇航卢天越陈明宇中国科学院计算技术研究所先进计算机系统研究中心北京100190 中国科学院大学北京100049 鹏城实验室深圳518055

以非易失性存储器(NVM)作为主存且以动态随机存取存储器(DRAM)作为片外高速缓存(EC),是一种可以满足大数据应用内存容量需求的新型混合内存结构(ECNVM)。该结构同时具有NVM的大存储容量和DRAM的低存取延迟的优点。传统的结构是以片内SRA... 详细信息

以非易失性存储器(NVM)作为主存且以动态随机存取存储器(DRAM)作为片外高速缓存(EC),是一种可以满足大数据应用内存容量需求的新型混合内存结构(ECNVM)。该结构同时具有NVM的大存储容量和DRAM的低存取延迟的优点。传统的结构是以片内SRAM作为片内高速缓存(IC)且以DRAM作为主存(IC-DRAM)。与ICDRAM相比,EC-NVM在容量比、延迟比方面均有显著不同,导致在IC-DRAM场景下的设计方法和优化策略直接迁移到EC-NVM上未必有良好的效果。本文评测了 EC-NVM的体系结构特性(包括高速缓存粒度、关联度、替换算法、预取算法等),获得了指导ECNVM结构的设计和优化的一系列发现。

关键词：非易失内存(NVM) 动态随机存取存储器(DRAM)高速缓存大数据应用

来源：评论

学校读者我要写书评

暂无评论

基于静态调度的多线程程序分析方法

引用

高技术通讯 2018年第7期28卷 575-582页

作者：周卿李炼冯晓兵中国科学院计算技术研究所计算机系统结构国家重点实验室北京100190 中国科学院大学北京100190

静态多线程程序分析是一种在编译时刻分析多线程程序的执行行为和特征的有效方法。本文通过分析多线程程序实际执行的特点,提出了一种基于静态调度的多线程分析方法。该方法通过模拟多线程程序的动态执行方式,从而在不运行程序的情况下... 详细信息

静态多线程程序分析是一种在编译时刻分析多线程程序的执行行为和特征的有效方法。本文通过分析多线程程序实际执行的特点,提出了一种基于静态调度的多线程分析方法。该方法通过模拟多线程程序的动态执行方式,从而在不运行程序的情况下也能较准确地获得多线程的行为特征。实验表明,该分析方法可以有效地提高多线程程序中同步关系的识别和匹配精度,为分析和检测多线程性能瓶颈以及程序错误等信息奠定了基础。

关键词：静态多线程程序分析多线程控制流图调度同步关系可能并行分析

来源：评论

学校读者我要写书评

暂无评论

信息技术　计算机视觉　术语

信息技术　计算机视觉　术语

引用

作者：陈熙霖毋立芳马珊珊王亮王涛王聪马伟简萌卢汉清邓亚峰刘俊晖李实英黄严张晓垒索津莉刘烨斌杨巨峰程明明柴森春周全赵铁松牛玉贞殷绪成马占宇乔宇赵振兵翟永杰韦世奎金鑫王上飞姬艳丽谢玉凤欧阳建权钱晨蒋慧刘向增韩军伟刘海波苗启广葛仕明沈晶刘伟锋徐明亮吴月升刘文予冯镔黄小明曹刚王海棠马玉琨任桐炜杨丽芳李策马丙鹏李晖王少帆张文利李如玮王卓峥段立娟贾熹滨齐娜杨新武王瑾朱青付利华刘兆英虞晶怡何晖光谢凌曦文石磊乔利稳邓成王瑞平黄祥林肖长诗高永超张婷薛云志孟令中张媛许源蒲江波赵春昊任文奇浦世亮赵群徐圣普王珏韩霄朱亚军吴涛邹博傅建龙蒲亚坤资鑫斌王一鹤冯小雪曹晓琦张伊祎那崇宁魏晓明李军马彬田永会刘军丁雨罗家赛宋方方单海军宁皓欧阳马生朱贵波王金桥刘亦珩张磊杨春林张栋栋王长虎中国电子技术标准化研究院中国科学院计算技术研究所北京工业大学中国科学院自动化研究所北京爱奇艺科技有限公司中国工业互联网研究院上海科技大学北京格灵深瞳信息技术有限公司清华大学南开大学北京理工大学南京邮电大学福州大学北京科技大学北京邮电大学中国科学院深圳先进技术研究院华北电力大学北京交通大学北京电子科技学院中国科学技术大学电子科技大学深圳市商汤科技有限公司湘潭大学西北工业大学西安电子科技大学哈尔滨工程大学中国科学院信息工程研究所中国石油大学(华东) 郑州大学北京百度网讯科技有限公司华中科技大学北京信息科技大学中国传媒大学河南科技学院南京大学兰州理工大学中国科学院大学中科南京软件技术研究院中国科学院软件研究所武汉理工大学中国医学科学院生物医学工程研究所山东省计算中心(国家超级计算济南中心) 上海依图网络科技有限公司杭州海康威视数字技术股份有限公司小米通讯技术有限公司北京电信规划设计院有限公司深圳云天励飞技术股份有限公司哈工大机器人(合肥)国际创新研究院第四范式(北京)技术有限公司华为技术有限公司矩阵元技术(深圳)有限公司北京三快在线科技有限公司(美团) 北京佰才邦技术有限公司华夏芯(北京)通用处理器技术有限公司云从科技集团股份有限公司重庆邮电大学北京眼神科技有限公司之江实验室苏州中德宏泰电子科技股份有限公司曙光信息产业股份有限公司北京字节跳动网络技术有限公司郑州金惠计算机系统工程有限公司

标准类型：国家标准

来源：评论

学校读者我要写书评

暂无评论

污点分析技术的原理和实践应用

引用

软件学报 2017年第4期28卷 860-882页

作者：王蕾李丰李炼冯晓兵计算机系统结构国家重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学北京100190

信息流分析可以有效保证计算机系统中信息的保密性和完整性,污点分析作为其实践,被广泛用于软件系统的安全保障技术领域.对近些年来面向解决应用程序安全问题的污点分析技术进行综述:首先,总结了污点分析的基本原理以及在应用中的通用技... 详细信息

信息流分析可以有效保证计算机系统中信息的保密性和完整性,污点分析作为其实践,被广泛用于软件系统的安全保障技术领域.对近些年来面向解决应用程序安全问题的污点分析技术进行综述:首先,总结了污点分析的基本原理以及在应用中的通用技术,即,使用动态和静态的方法解决污点传播;随后,分析该技术在移动终端、互联网平台上的应用过程中遇到的问题和解决方案,包括解决Android应用隐私泄露与检测Web系统安全漏洞的污点分析技术;最后,展望该技术的研究前景和发展趋势.

关键词：污点分析信息流分析软件安全静态分析与动态分析 Android Web

来源：评论

学校读者我要写书评

暂无评论

低熵云计算系统

引用

中国科学：信息科学 2017年第9期47卷 1149-1163页

作者：徐志伟李春典中国科学院计算技术研究所计算机系统结构国家重点实验室北京100190 中国科学院大学北京100049

当前的云计算系统,不论是虚拟化云还是分区云,难以同时满足用户体验和系统效率需求,产业界和学术界都开始研究下一代云计算系统以应对这个难题.本文指出,这个难题的一个重要原因是计算系统熵(无序、干扰和不确定性)居高不下,并归纳了云... 详细信息

当前的云计算系统,不论是虚拟化云还是分区云,难以同时满足用户体验和系统效率需求,产业界和学术界都开始研究下一代云计算系统以应对这个难题.本文指出,这个难题的一个重要原因是计算系统熵(无序、干扰和不确定性)居高不下,并归纳了云计算系统中存在的4类无序现象.本文提出了低熵云计算系统的学术概念,刻画了其主要特点,比较了低熵云计算系统与虚拟化云和分区云在用户体验、开发效率、运行效率、资源适配方面的区别,并讨论了低熵云的新概念和新技术:(1)不同于图灵可计算性和算法可计算性的实用可计算性概念,形式化地刻画了云计算行业的"用户体验差的功能是不存在的功能"的实践经验;(2)刻画云计算系统能够实现实用可计算性的充分必要条件,即DIP猜想;(3)支持DIP猜想,即能够区分、隔离、优先化计算任务相空间,从而降低干扰,有潜力同时满足用户体验和系统效率需求的标签化von Neumann体系结构;(4)适配深度学习负载与神经网络处理器的云计算协同设计技术.

关键词：云计算用户体验系统效率计算系统熵分布式系统计算机体系结构

来源：评论

学校读者我要写书评

暂无评论

pDeep:基于深度学习的肽段串联谱图预测方法

pDeep:基于深度学习的肽段串联谱图预测方法

引用

第三届全国质谱分析学术报告会

作者：曾文锋周撷璇迟浩贺思敏詹剑锋张知非中国科学院智能信息处理重点实验室中国科学院计算技术研究所先进计算机系统研究中心中国科学院计算技术研究所首都医科大学

蛋白质组学主要使用串联质谱技术进行肽段鉴定。其中数据库搜索是最常用的串联质谱鉴定策略之一。该方法先将肽段进行理论碎裂得到理论串联谱图,之后将理论串联谱图与实验串联谱图进行匹配,从而确定实验谱图对应的肽序列。因此,如果理... 详细信息

蛋白质组学主要使用串联质谱技术进行肽段鉴定。其中数据库搜索是最常用的串联质谱鉴定策略之一。该方法先将肽段进行理论碎裂得到理论串联谱图,之后将理论串联谱图与实验串联谱图进行匹配,从而确定实验谱图对应的肽序列。因此,如果理论谱图预测准确,那么得到匹配结果的可靠性自然也会提高。然而肽段碎裂是一个非常复杂的物理化学过程,当前我们对碎裂过程的物理规律还未完全了解。传统的机器学习算法在处理这种高度复杂的肽段与谱图之间的函数关系时,无法进一步考虑近/远端氨基酸对某处肽键碎裂的影响。为了更准确预测理论串联谱图,我们将深度学习常用算法之一,长短时记忆(long short-term memory,LSTM [1]),用于构建谱图预测模型,该算法能够考虑输入之间的相关关系,所以自然能够考虑近/远端氨基酸对碎裂的影响。在通过大规模可靠的小鼠HCD谱图,我们训练得到了理论谱图预测模型p Deep。我们将pDeep与其他同类软件,PeptideART、MS-Simulator和MassAnalyzer,进行了对比,结果显示p Deep较它们有较大提升(如图1a所示)。接着我们在两种不同数据集:跨实验室数据集[2]和合成肽段数据集ProteomeTools[3]上测试了p Deep,其预测谱图与实验谱图的相似度的中值都达到了0.94以上(图1b和1c)。

关键词：理论谱图预测深度学习

来源：评论

学校读者我要写书评

暂无评论

基于软硬件协同设计的解释器指令分派方法

引用

高技术通讯 2016年第3期26卷 226-234页

作者：傅杰靳国杰章隆兵王剑中国科学院大学北京100049 计算机系统结构国家重点实验室北京100190 中国科学院计算技术研究所北京100190 龙芯中科技术有限公司北京100095

为了降低指令分派造成的运行开销以提高解释器的性能,提出了一种采用软硬件协同设计的解释器指令分派方法。其核心思想是在软件层面通过对指令分派表进行优化以消除了代价较高的地址常量加载操作,在硬件层面通过扩展处理器的访存指令进... 详细信息

为了降低指令分派造成的运行开销以提高解释器的性能,提出了一种采用软硬件协同设计的解释器指令分派方法。其核心思想是在软件层面通过对指令分派表进行优化以消除了代价较高的地址常量加载操作,在硬件层面通过扩展处理器的访存指令进一步实现基于硬件支持的访存加速。软硬件协同设计可以最大限度地降低由指令分派引入的运行时开销,从而提升解释执行的效率。试验结果表明,该方法能够显著提升解释器的性能。对于SPECjvm98和Da Capo测试集,解释器总体性能提升了11.5%,且单项性能的最大提升幅度高达15.4%。该方法通用性强,实现代价低,适用于现代主流处理器平台上高性能解释器的设计和优化。

关键词：解释器指令分派软硬件协同设计虚拟机优化

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：