检索结果-内蒙古大学图书馆

中国科学：信息科学 2022年第1期52卷 111-128页

作者：赵进姜新宇张宇廖小飞金海刘海坤杨赟张吉王彪余婷华中科技大学大数据技术与系统国家地方联合工程研究中心武汉430074 华中科技大学服务计算技术与系统教育部重点实验室武汉430074 华中科技大学集群与网格计算湖北省重点实验室武汉430074 华中科技大学计算机科学与技术学院武汉430074 School of Sciences University of Southern Queensland Toowoomba 4350Australia 之江实验室杭州311121

随着现实世界中图计算需求的快速增长,同一平台上往往并发运行着大量迭代图分析任务.然而,现有的图计算系统主要是为了高效执行单个图分析任务而设计的.因此,当多个并发图分析任务同时在同一个底层图上并行执行时,现有图计算系统会面临... 详细信息

随着现实世界中图计算需求的快速增长,同一平台上往往并发运行着大量迭代图分析任务.然而,现有的图计算系统主要是为了高效执行单个图分析任务而设计的.因此,当多个并发图分析任务同时在同一个底层图上并行执行时,现有图计算系统会面临巨大的数据访问开销.为了提高并发图分析任务的吞吐量,现有的核外并发图处理方案通过共享图数据减少并发任务的数据存储与访问开销.但是,由于现实世界中图的图顶点度数幂律分布特性以及图分析任务之间的差异性,现有方案在访问数据时依旧存在着大量的不必要的冗余I/O开销.这是因为即使静态图分区中绝大部分顶点处于非活跃状态或者只被少数图分析任务共享,现有方法也依旧会将整个分区加载入内存供并发图分析任务处理.为解决上述问题,本文提出了一个面向并发图分析任务的高效存储系统GraphDP.它能够插入到现有核外图计算系统中来透明有效地减少现有图计算系统执行并发图分析任务时的存储消耗与数据访问开销,从而提高并发图分析任务的吞吐量.具体来说,GraphDP使用一种新颖的动态I/O调度策略,能够使系统以最优的I/O访问方式完成图数据的加载,并有效地减少加载到内存和cache的数据.同时,GraphDP通过高效的缓存机制在内存中优先缓存被频繁访问的图数据,从而进一步减少数据访问开销.为证明GraphDP的有效性,我们将GraphDP插入到目前流行的核外图计算系统中,包括GridGraph,GraphChi和X-Stream.实验结果表明,GraphDP分别将GridGraph,GraphChi和X-Stream的吞吐量提高了1.57~2.19倍,1.86~2.37倍和1.62~2.21倍.

关键词：迭代图处理并发任务存储系统 I/O开销吞吐量

来源：评论

学校读者我要写书评

暂无评论

边缘智能:现状与挑战

引用

武汉大学学报（理学版） 2023年第2期69卷 270-282页

作者：牛鑫吕现伟余辰大数据技术与系统国家地方联合工程研究中心服务计算技术与系统教育部重点实验室集群与网格计算湖北省重点实验室华中科技大学计算机科学与技术学院湖北武汉430074

作为一种新兴的计算范式,边缘计算将计算资源从云中心转移到网络边缘侧的服务器,为联网的终端设备提供计算支持。与此同时,以深度神经网络为代表的人工智能迅猛发展,在工业物联网、智慧城市、智能家居等领域得到了广泛地应用,为人们的... 详细信息

作为一种新兴的计算范式,边缘计算将计算资源从云中心转移到网络边缘侧的服务器,为联网的终端设备提供计算支持。与此同时,以深度神经网络为代表的人工智能迅猛发展,在工业物联网、智慧城市、智能家居等领域得到了广泛地应用,为人们的生产和生活带来了极大的便利。边缘计算和人工智能彼此之间相互赋能并催生了新的研究领域——边缘智能。在边缘智能中,边缘计算和人工智能二者相互受益,边缘计算利用人工智能对边端进行智能地维护和管理,人工智能在边缘计算平台上提供智能化的服务。本文从人工智能用于边缘的维护和管理、边缘人工智能两方面对边缘智能的发展现状进行阐述,总结了边缘智能发展过程中所面临的一系列挑战,对未来的发展做出展望。

关键词：边缘服务器终端设备边缘计算人工智能边缘智能

来源：评论

学校读者我要写书评

暂无评论

面向高性能图计算的高效高层次综合方法

引用

计算机研究与发展 2021年第3期58卷 467-478页

作者：汤嘉武郑龙廖小飞金海华中科技大学计算机科学与技术学院武汉430074 大数据技术与系统国家地方联合工程研究中心(华中科技大学) 武汉430074 服务计算技术与系统教育部重点实验室(华中科技大学) 武汉430074 集群与网格计算湖北省重点实验室(华中科技大学) 武汉430074

图计算已成为大数据处理领域的主流应用,采用特定硬件加速可以显著提高图计算的性能和能效.众所周知,硬件代码的编写和验证十分耗时,尽管通用高层次综合(high level synthesis,HLS)系统允许用户使用高级语言(如C语言)特性自动生成硬件结... 详细信息

图计算已成为大数据处理领域的主流应用,采用特定硬件加速可以显著提高图计算的性能和能效.众所周知,硬件代码的编写和验证十分耗时,尽管通用高层次综合(high level synthesis,HLS)系统允许用户使用高级语言(如C语言)特性自动生成硬件结构,但是对于图计算这种不规则算法,其仍缺乏有效的并行性和访存技术支撑,存在综合效果不理想、效率不高等突出问题.提出一种面向图计算的高效HLS方法,结合图算法嵌套循环、随机访存、数据冲突以及幂律分布等特性,采用数据流架构实现高效的并行流水线,保证处理单元的负载均衡.通过提供的编程原语,提出的方法可将通用图算法转化为模块化的数据流中间表示形式,进而映射到参数化的硬件模板.在Xilinx Virtex UltraScale+XCVU9P的实现验证了方法的正确性,不同类型的图算法在多个数据集上的实验结果表明,相比国际上通用的Spatial HLS系统,提出的方法可达到7.9~30.6倍的性能提升.

关键词：图计算高层次综合数据流架构中间表示 FPGA

来源：评论

学校读者我要写书评

暂无评论

分割学习数据隐私研究综述

引用

网络与信息安全学报 2024年第3期10卷 20-37页

作者：秦轶群马晓静付佳韵胡平一徐鹏金海大数据技术与系统国家地方联合工程研究中心服务计算技术与系统教育部重点实验室湖北武汉430074 华中科技大学网络空间安全学院湖北武汉430074 华中科技大学计算机科学与技术学院湖北武汉430074

随着机器学习的快速发展,以其为核心的人工智能技术已经应用于生活的各个领域,但人们也日益担忧机器学习会泄露隐私信息。为了保护国家和公民的信息安全,我国颁布了《中华人民共和国个人信息保护法》来规范隐私信息的收集、使用和传输... 详细信息

随着机器学习的快速发展,以其为核心的人工智能技术已经应用于生活的各个领域,但人们也日益担忧机器学习会泄露隐私信息。为了保护国家和公民的信息安全,我国颁布了《中华人民共和国个人信息保护法》来规范隐私信息的收集、使用和传输。然而机器学习需要使用大量数据,因此需要隐私保护技术在合法合规的情况下完成数据的收集和处理。分割学习可以在不共享原始数据的情况下在多个参与方之间训练分布式模型,成为机器学习隐私保护领域的研究热点。分割学习面临着数据隐私遭受攻击的风险,目前已有多种不同的攻击方法和对应的防御方法被提出,但已有的综述未对分割学习训练阶段数据隐私的研究内容进行讨论和总结。因此对分割学习训练阶段的数据隐私攻防技术进行综述。归纳了分割学习定义,给出了其原理和分类;介绍了分割学习中两类常见的攻击方法,原始数据重建攻击和标签推断攻击,分析了分割学习训练阶段数据隐私受到数据隐私攻击的原因,并总结了相应的防御方法;最后,讨论了分割学习数据隐私研究的未来发展方向。

关键词：隐私保护人工智能安全分布式机器学习分割学习

来源：评论

学校读者我要写书评

暂无评论

进化内核模糊测试研究综述

引用

网络与信息安全学报 2024年第1期10卷 1-21页

作者：侍言羌卫中邹德清金海大数据技术与系统国家地方联合工程研究中心服务计算技术与系统教育部重点实验室湖北武汉430074 分布式系统安全湖北省重点实验室湖北武汉430074 华中科技大学网络空间安全学院湖北武汉430074 华中科技大学计算机科学与技术学院湖北武汉430074

模糊测试是一种通过生成随机、异常或无效的测试样例来检测软件或系统中潜在漏洞和错误的技术方法。内核作为一种高度复杂的软件系统,由众多互相关联的模块、子系统和驱动程序所构成,相比用户态应用程序,将模糊测试应用于内核面临着代... 详细信息

模糊测试是一种通过生成随机、异常或无效的测试样例来检测软件或系统中潜在漏洞和错误的技术方法。内核作为一种高度复杂的软件系统,由众多互相关联的模块、子系统和驱动程序所构成,相比用户态应用程序,将模糊测试应用于内核面临着代码庞大、接口复杂、运行时不确定等具有挑战性的问题。传统的模糊测试方法生成的输入只能简单地满足接口规范和显式调用依赖,难以深入探索内核。进化内核模糊测试借助于启发式的进化策略,在反馈机制的引导下动态地调整测试样例的生成和选择,从而迭代式地生成质量更高的测试用例。对现有的进化内核模糊测试工作开展研究,阐述了进化内核模糊测试的概念并总结了进化内核模糊测试的通用框架,根据反馈机制类型对进化内核模糊测试工作进行分类和对比,从反馈机制在运行时信息的收集、分析和利用等方面剖析反馈机制引导进化的原理,对进化内核模糊测试的发展方向进行展望。

关键词：内核模糊测试进化反馈

来源：评论

学校读者我要写书评

暂无评论

FJoin:一种基于FPGA的流连接并行加速器

引用

中国科学：信息科学 2022年第2期52卷 314-333页

作者：林力韬陈汉华金海华中科技大学计算机科学与技术学院大数据技术与系统国家地方联合工程研究中心服务计算技术与系统教育部重点实验室集群与网格计算湖北省重点实验室武汉430074

流连接广泛应用于提取多源流数据之间的关键信息,是大数据处理的重要支撑技术.但连接两条大数据流时大规模的连接谓词计算,使其易成为性能瓶颈.为提高处理性能,流连接系统常采用并行和分布式两种方式扩展.然而,采用多核并行的流连接系... 详细信息

流连接广泛应用于提取多源流数据之间的关键信息,是大数据处理的重要支撑技术.但连接两条大数据流时大规模的连接谓词计算,使其易成为性能瓶颈.为提高处理性能,流连接系统常采用并行和分布式两种方式扩展.然而,采用多核并行的流连接系统的扩展性受到CPU核数限制,无法应对大规模数据流.采用分布式扩展的流连接系统由于引入分布式框架运行的开销,导致硬件处理效率严重下降.为实现高效大规模扩展,本文提出一种利用FPGA加速器外设向上扩展的流连接系统FJoin.加速器可进行高并行的流动连接,载入多个流元组后,连接窗口中的数据流经一次即可完成所有连接计算.对于逻辑容易在FPGA实现的连接谓词,通过大量基本连接单元串联构成深度连接流水线,实现大规模并行.通过主机CPU和FPGA设备协同进行连接控制,将连续的流连接计算划分为独立的小批量任务,高效地保证并行化流连接的完整性.在装备FPGA加速卡的平台实现了FJoin,基于大规模真实数据集的测试结果表明,对比部署在40个节点集群上的目前最好的分布式流连接系统,本文提出的流连接加速器FJoin可在单一FPGA加速卡上将连接计算速度提升16倍,达到5倍的系统吞吐,且时延满足实时流处理要求.

关键词：流连接 FPGA 流处理硬件加速并行计算

来源：评论

学校读者我要写书评

暂无评论

嵌入式设备固件仿真器综述

引用

计算机研究与发展 2023年第10期60卷 2255-2270页

作者：张浩申珊靛刘鹏杨泽霖周威张玉清西安电子科技大学网络与信息安全学院西安710071 中国科学院大学国家计算机网络入侵防范中心北京101408 华中科技大学网络空间安全学院武汉430074 分布式系统安全湖北省重点实验室(湖北省大数据安全工程技术研究中心) 武汉430074 海南大学计算机与网络空间安全学院海口570228

随着物联网(IoT)技术的发展,嵌入式设备面临更加严峻的安全威胁,特别是嵌入式设备漏洞严重影响物联网产业的安全发展.但受限于嵌入式设备自身硬件资源的限制,通用计算机系统常用的动态漏洞检测技术,例如模糊测试难以直接应用到嵌入式设... 详细信息

随着物联网(IoT)技术的发展,嵌入式设备面临更加严峻的安全威胁,特别是嵌入式设备漏洞严重影响物联网产业的安全发展.但受限于嵌入式设备自身硬件资源的限制,通用计算机系统常用的动态漏洞检测技术,例如模糊测试难以直接应用到嵌入式设备上.因此,近年来嵌入式设备固件仿真技术成为学术界的研究热点,通过对嵌入式设备硬件依赖的仿真或替换,可以将模糊测试、符号执行等通用高效漏洞检测技术应用于嵌入式设备.围绕最新嵌入式设备仿真技术,搜集整理近年来国际顶级学术论文,对相关研究成果进行归纳、总结.基于采用的仿真技术和衍生关系进行分类介绍,然后对这些固件仿真器进行评估和细化比较,为使用者选择固件仿真器提供技术参考.最后,根据当前嵌入式设备固件仿真器的现状,提出固件仿真器的挑战和机遇,对固件仿真器的研究进行了展望.

关键词：嵌入式设备固件动态分析固件仿真模糊测试

来源：评论

学校读者我要写书评

暂无评论

融合多层感知注意力的电极微观图像分割方法

引用

计算机工程 2024年第1期50卷 329-338页

作者：徐威付晓薇李曦汪尧坤武汉科技大学计算机科学与技术学院湖北武汉430065 智能信息处理与实时工业系统湖北省重点实验室湖北武汉430065 华中科技大学人工智能与自动化学院湖北武汉430074

针对氮氧传感器电极微观图像存在的物质边缘模糊、伪影、灰度不均等问题,将U-Net作为基础模型,提出融合多层感知注意力的电极微观图像语义分割方法。首先对U-Net编码层的不同尺度输出特征图使用3×3卷积进行降维,利用双线性插值统... 详细信息

针对氮氧传感器电极微观图像存在的物质边缘模糊、伪影、灰度不均等问题,将U-Net作为基础模型,提出融合多层感知注意力的电极微观图像语义分割方法。首先对U-Net编码层的不同尺度输出特征图使用3×3卷积进行降维,利用双线性插值统一特征尺度,以实现多尺度特征融合,增强特征信息提取能力并补偿编码下采样中的特征损失;其次通过加入空间金字塔池化来提取多尺度信息并通过1×1卷积减小计算量,同时提出多层感知注意力模块,以捕获主干特征图和增强语义信息特征图的空间位置与通道依赖关系;最后计算不同语义信息特征图的相似度关系,结合交叉熵损失提出具有捕获空间相似性能力的损失函数,在训练过程中对关键信息进行监督,辅助主干特征图学习空间位置信息,增强分割性能。实验结果表明,该方法的类别平均像素准确率为96.75%,平均交并比为94.04%,微观F1分数为96.92%,浮点运算次数为7.78×10~9,网络所含参数量为8.08×10~6。相对U-Net、Seg Net等模型,该方法在提高少量模型复杂度的情况下,能有效改善边缘模糊及物质伪影问题,捕获空间位置与通道信息,保留图像细节特征,提高分割准确率。

关键词：电极微观图像氮氧传感器语义分割感知注意力

来源：评论

学校读者我要写书评

暂无评论

图数据中极大团枚举问题的求解:研究现状与挑战

引用

中国科学：信息科学 2022年第5期52卷 784-803页

作者：许绍显廖小飞邵志远华强胜金海华中科技大学计算机科学与技术学院武汉430074 大数据技术与系统国家地方联合工程研究中心武汉430074 服务计算技术与系统教育部重点实验室武汉430074 集群与网格计算湖北省重点实验室武汉430074

随着大数据时代的到来,图数据挖掘成为了一个热门的研究方向.极大团枚举(maximal clique enumeration,MCE)作为图论中的一个基本问题,在很多领域都有着广泛的应用.然而,鉴于极大团枚举问题本身的复杂性以及现实图数据规模的飞速增长,在... 详细信息

随着大数据时代的到来,图数据挖掘成为了一个热门的研究方向.极大团枚举(maximal clique enumeration,MCE)作为图论中的一个基本问题,在很多领域都有着广泛的应用.然而,鉴于极大团枚举问题本身的复杂性以及现实图数据规模的飞速增长,在现实图数据上进行极大团枚举是很耗时的.目前已经有大量的工作对该问题的求解算法进行改进,或采用各种计算优化方法减少算法的运行时间.本文就极大团枚举问题做了如下工作:对现有的极大团枚举问题的研究工作进行了分类归纳;对极大团枚举问题的研究现状进行了详细介绍;对该问题进一步发展所面临的挑战和发展方向进行了讨论和展望.

关键词：极大团枚举图论图数据挖掘图划分并行计算

来源：评论

学校读者我要写书评

暂无评论

基于Q学习的无线传感网自适应容侵覆盖优化方法

引用

华中科技大学学报（自然科学版） 2023年第2期51卷 25-31页

作者：夏云芝王书林范晓萱耿艺璇唐潇邓贤君华中科技大学网络空间安全学院分布式系统安全湖北省重点实验室湖北省大数据安全工程技术研究中心湖北武汉430074 华中科技大学计算机科学与技术学院湖北武汉430074 武汉邮电科学研究院湖北武汉430073 南华大学机械工程学院湖南衡阳421001

针对无线传感器节点易受干扰和入侵的特点,为保障网络覆盖和安全性,基于信任管理和Q学习提出了一种新的自适应容侵覆盖优化方法.利用信任管理机制从节点的历史通信行为、能量、信息权重等方面评估节点的信任值,并根据节点信任值对受干... 详细信息

针对无线传感器节点易受干扰和入侵的特点,为保障网络覆盖和安全性,基于信任管理和Q学习提出了一种新的自适应容侵覆盖优化方法.利用信任管理机制从节点的历史通信行为、能量、信息权重等方面评估节点的信任值,并根据节点信任值对受干扰或恶意节点的通信半径和感知半径进行调整,降低网络安全风险;同时,采用Q学习对网络覆盖进行优化,对节点进行训练,满足网络覆盖要求.所提方法具有较好的自适应能力,可有效地识别受干扰或恶意节点,提升网络覆盖率,且可快速收敛达到纳什均衡.

关键词：无线传感器网络(WSNs) 信任管理 Q学习覆盖优化容侵

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：