亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

持久性內存存儲系統關鍵技術研究

存儲系統作為數據的載體，在應對爆炸式增長的數據時面臨嚴峻的挑戰；同 時，人工智能等新型應用還對存儲系統的吞吐率、延遲、擴展性等性能指標提出 了極為嚴苛的要求。新型持久性內存具有字節可尋址、數據掉電不丟失、性能高 等硬件特性，這為構建高性能存儲系統帶來了新的機遇。然而，持久性內存具有 極低的訪問延遲，這使得傳統存儲系統的軟件開銷占比日益凸顯；并且，持久性內 存特殊的硬件屬性難以被存儲系統軟件感知，從而導致其性能優勢難以被充分發 揮。為此，本文重新思考了基于持久性內存的存儲系統架構方式，并在操作系統、 網絡系統、存儲軟件等不同層次展開了研究：

? 針對文件系統軟件開銷高和系統難擴展的問題，提出了用戶態與內核態協同 的持久性內存文件系統架構 Kuco。Kuco 將存儲棧從內核態擴展到用戶態， 并利用內核線程管理文件系統元數據及權限。為防止內核線程成為系統瓶 頸，Kuco 引入了協同索引、兩級鎖協議、版本讀等內核態與用戶態的協同處 理邏輯。實驗表明，Kuco 提升元數據吞吐率最高達 16 倍。

? 針對 RDMA 在可靠模式下難擴展的問題，提出了基于連接分組的分布式內 存通信原語 ScaleRPC。該原語將網絡連接劃分到不同組，并以時間片輪詢的 方式服務各組，從而避免出現網卡緩存爭用；同時，引入了虛擬映射機制使 多組網絡連接共用同一物理消息池，從而降低 CPU 緩存缺失率。實驗表明， ScaleRPC 可以實現與不可靠模式相近的擴展性。

? 針對事務系統在負載沖突時尾延遲高的問題，提出了一種融合悲觀鎖和樂觀 讀的新型并發控制協議 Plor。Plor 要求事務在執行過程中首先對數據項加鎖， 然后再讀取對應數據項。在遇到鎖沖突時，事務可以繼續執行，而僅在事務 提交階段再進行沖突檢測，保證事務按序提交。實驗表明，Plor 的吞吐率可 達到樂觀并發控制協議的水平，并將 99.9% 尾延遲降低 12 倍。

? 針對持久性內存更新粒度與訪問粒度不匹配帶來的低效性問題，設計了一種 基于日志結構的持久性內存鍵值存儲引擎 FlatStore。FlatStore 通過多核流水 線調度的批量處理機制將小寫請求合并處理，從而降低對持久性內存的寫入 次數，并在提升帶寬的同時降低響應延遲。實驗表明，FlatStore 相比現有系 統性能提升最高達 6.3 倍。。

區塊鏈是由一系列網絡節點構建的一種分布式賬本，本身具有不可篡改性、去中心化、去信任化、密碼算法安全性和不可否認性等安全屬性，本文對基于區塊鏈實現的安全服務進行了綜述，這些安全服務包括數據機密性、數據完整性、身份認證、數據隱私、數據可信刪除.首先介紹了區塊鏈和公鑰密碼學的基礎知識，并圍繞上述五種安全服務，給出了用戶真實場景中面臨的安全問題以及傳統的解決方案，并討論了這些傳統實現方案所面臨的問題，之后介紹了使用區塊鏈技術解決相關問題的實現方案，最后討論了區塊鏈的價值以及面臨的問題.

目前，以5G系統為代表的電信網絡已經實現“萬物互聯”，并將朝著“萬物智聯”的目標發展。電信網絡利用先進的人工智能技術通過及時有效地收集、傳輸、并隨時隨地學習數據，用于大量創新應用和智能服務。然而，基于中央服務器與數據中心的機器學習框架正遭受越來越多的數據隱私和安全挑戰，面臨巨大的通信開銷與算力浪費。

聯邦學習作為新興的分布式機器學習框架，能夠在保護數據隱私、滿足合法合規的前提下，可使多個數據擁有方協同建立共享模型，達到模型訓練與隱私保護雙贏的目的，有望在電信領域中發揮巨大潛能。

在此背景下，該白皮書對聯邦學習應用于電信行業的技術潛力與應用前景進行了分析，并介紹了電信聯邦學習技術架構、技術分類、部署框架與關鍵優化技術等內容。此外，白皮書涵蓋了中國移動通信有限公司研究院、聯通數字科技有限公司與華為有限公司目前在電信領域應用聯邦學習技術的多個典型use case，包括基于橫向聯邦學習的ONT精準識別應用、基于橫向聯邦學習的防未知網站注入攻擊檢測、基于縱向聯邦學習的消費金融應用、基于縱向聯邦學習的5G網絡QoE評估和預測、基于聯邦遷移學習的數據中心PUE控制等。

電信領域聯邦學習的發展與落地應用尚處于發展初期，白皮書針對性提出，通過需求牽引提升關鍵技術，強化電信聯邦學習標準與測評工作，加快電信聯邦學習落地應用與產業發展，實現電信領域聯邦學習關鍵技術突破，推動電信網絡內在智能發展。

聯邦學習在電信領域的應用將會加速人工智能技術的創新發展，催生以運營商為中心的跨領域生態合作。可以預見，聯邦學習在未來的自動駕駛網絡、邊緣計算、物聯網、車聯網、用戶體驗提升以及垂直行業等領域具備廣闊的應用前景。

//aiiaorg.cn/uploadfile/2021/0930/202641.pdf

本報告聚焦于企業級存儲系統，從數據存儲技術面臨的挑戰切入，詳細梳理了下一代數據存儲技術，跟蹤重點行業的應用動態，并展望了存儲產業發展趨勢。力圖展現下一代數據存儲技術路徑及其發展前景。

//www.caict.ac.cn/kxyj/qwfb/ztbg/202107/t20210709_380207.htm

存儲產業呈現出兩大特點：一是數據量爆發式增長，現有傳統存儲系統面臨容量和性能的雙重挑戰。二是現代業務平臺的負載是非線性的、動態變化的，傳統存儲難以滿足動態變化的業務需求。

存儲產業存在以下四個問題，導致其難以滿足不斷發展的業務需求：一是主要采用集中式架構，橫向可擴展性差；二是無法統一調度，存儲容量浪費。三是產品兼容交互能力差，業務復雜性變高。四是多種存儲產品混合使用，運維難度大。

在需求側，數據的爆炸式增長及大數據等新技術的快速發展驅動存儲介質變革。在技術側，固態硬盤實現了對機械硬盤性能的全面超越。非易失性內存的出現填補了從硬盤到DRAM間存儲在性能、延遲、容量成本的鴻溝，為多樣化的解決方案奠定了堅實的基礎。全閃存儲和非易失性內存技術的發展和成熟為底層存儲介質的替換提供了客觀條件。

大數據、云計算和虛擬化等技術的出現使得傳統IT架構難以滿足日益增長的數據存儲需求。軟件定義存儲（SDS）和超融合基礎架構（HCI）應運而生，打破了傳統IT系統復雜和繁冗的現狀，優化了網絡的可擴展性和管理方式，幫助客戶實現數據互通、資源共享、彈性擴展、多云協作，有效降低用戶的使用成本。

隨著閃存介質技術的飛速發展，帶寬越來越大，訪問延時越來越低。AHCI、SCSI協議逐漸成為存儲系統中的瓶頸，NVMe協議應運而生。NVMe協議擁有更高的吞吐量、IOPS，同時有效較低延遲，相較于傳統存儲，傳輸性能有質的飛躍。

云存儲是基于云計算相關技術延伸和發展而來的全新存儲技術的應用模式。云存儲的內核是應用軟件與存儲設備相結合，通過應用軟件來實現存儲設備向存儲服務的轉變，提供靈活的彈性伸縮、彈性存儲容量、安全可靠及高可用能力。

現代化的應用、多數據中心、多云及邊緣等趨勢在加速業務的同時，也對IT運營管理帶來了巨大的壓力，智能運維平臺應運而生。智能運維常用于集群自動擴縮容、服務變更等日常管理事務及異常定位、根因分析等系統異常處理事務。

隨著數字化經濟的飛速發展，云計算已成為新型信息基礎設施建設的關鍵技術，是中國移動實現數字化轉型，建設世界一流“力量大 廈”的重要組成部分。中國移動經過十余年在云計算領域的深耕，目前已經形成移動云、IT 云以及網絡云三類中國移動云服務。并且，隨 著邊緣計算的發展，移動云和網絡云按需下沉，形成邊緣云，以快速、智能和安全的網絡服務響應，滿足行業客戶在實時業務、應用智能、 安全與隱私保護等方面的基本需求。

由于云計算具有硬件通用化、資源共享化、部署集中化、廣泛基 于開源組件等特點，使得通用軟、硬件和開源組件的漏洞更容易被攻 擊者發現和利用，蠕蟲等病毒更容易在集中部署的設備上進行快速傳播。隨著企業的業務以及運營商的系統、電信業務等逐步上云，攻擊 者將云作為重點攻擊目標，一旦攻擊成功，后果非常嚴重。目前，中 國移動依據國家法律法規、相關技術標準以及中國移動的系統和業務的需求，從基礎設施、網絡安全、接入安全、應用安全、數據安全等 方面對云服務進行了安全防護。但隨著攻防對抗日益加劇，攻擊技術 迅猛發展，需不斷完善中國移動的云安全防護，提升云安全服務能力，形成統一、主動、縱深的云安全防護體系。

為了保障中國移動云服務的自身資產與客戶資產的安全，實現為 行業客戶提供安全的基礎設施和穩定可靠的云服務，本文在全面分析 云安全風險的基礎上，提出中國移動云安全防護框架及安全防護要求，并對云安全關鍵技術進行了探討，對云安全生態的思考進行了闡述， 旨在為中國移動云安全的規劃、建設和運營提供指引，與合作伙伴一 起共同推進云安全產業發展。

?遷移學習作為機器學習領域的關鍵核心技術，能夠有效地緩解訓練模型時對訓練數據規模以及計算能力的需求。近年來，研究人員針對遷移學習進行了大量的研究，主要集中在提高遷移后模型在目標域上的準確率，而忽略了遷移后模型面對對抗樣本攻擊時的魯棒性。該論文針對人工智能系統安全問題，分析了在遷移學習場景下，當深度神經網絡面臨對抗樣本攻擊時，遷移策略對神經網絡魯棒性的影響。

該論文彌補了現有分析的缺陷，在基于多種常用的圖像數據集構建的遷移學習場景中，細致地探討了在目標域上微調的模型層數對模型準確率及魯棒性的影響，并揭示了兩者之間存在的平衡問題，即隨著模型微調的層數增加，其在目標域上的準確率與魯棒性出現了不同步的變化（如圖1所示，左右分別為在不同數據集上的實驗結果）。同時，該論文針對目前普遍采用的批歸一化層，分析了其對于遷移學習后模型性能的影響，并通過大量實驗證明：在遷移學習中有選擇地重用批歸一化層的參數，可以有效地提高系統魯棒性。

更進一步地，對于遷移學習過程中準確率與魯棒性的平衡問題，該論文針對性地提出協同對抗魯棒的遷移學習框架（如圖2所示），分別針對源域模型（文中稱為TeacherModel）的對抗訓練階段以及目標域模型（文中稱為StudentModel）的微調階段設計了新算法：考慮源域模型中的部分網絡層會被目標域模型重用—被用于提取輸入的特征—對此該論文提出特征距離最小化，通過減少源域模型對正常樣本與對抗樣本所提取特征的差異程度，使其魯棒性能夠更加容易地被目標域模型繼承；對于在目標域上的微調過程，該論文提出非拓展微調算法，通過限制微調部分網絡參數的利普希茨常數，降低模型對于對抗樣本的敏感程度，從而使微調后的模型能夠更好地從源域繼承魯棒性。作者在多個圖像數據集（CIFAR、SVHN、GTSRB）上進行了大量實驗和分析，實驗結果充分驗證了該方案的有效性。

//arxiv.org/pdf/2106.06667.pdf

大數據時代,數據已成為驅動社會發展的重要的資產.但是數據在其全生命周期均面臨不同種類、不同層次的安全威脅,極大降低了用戶進行數據共享的意愿.區塊鏈具有去中心化、去信任化和防篡改的安全特性,為降低信息系統單點化的風險提供了重要的解決思路,能夠應用于數據安全領域.該文從數據安全的核心特性入手,介紹區塊鏈在增強數據機密性、數據完整性和數據可用性三個方向的最新研究成果,對各研究方向存在的缺陷進行分析,進而對未來發展方向進行了展望.該文認為,區塊鏈技術的合理應用能夠增強分布式環境下的數據安全,有著廣闊的前景.

//www.cnki.com.cn/Article/CJFDTOTAL-JSJX202101001.htm

大規模數據中心帶寬分配與流量調度技術研究

隨著互聯網和計算機技術的發展,基于互聯網提供的各種應用和服務也越來越多了。作為這些應用服務載體的數據中心,其建設需求也在不斷增加。然而,在數據中心發展的過程中,還面臨著諸多亟待解決的關鍵科學問題和挑戰。本論文主要關注大規模數據中心中帶寬資源受限、帶寬資源分散、流量總量巨大、流量時空變化這四類挑戰,在總結現有方法和研究成果的基礎之上,圍繞數據中心內的流量、數據中心間的流量、以及用戶服務請求這三個研究主體,展開對帶寬分配和流量調度這兩類問題的研究,具體的研究內容和貢獻如下:

在數據中心內部,集群計算應用觸發的流量顯著增加,從而使得鏈路帶寬經常成為稀缺資源。為此,本文針對多種集群計算框架共享同一數據中心網絡所引發的鏈路帶寬傾斜使用、帶寬資源非彈性使用、以及應用完成時間被延長這三方面的后果,研究跨集群計算框架的帶寬分配和流量調度問題,以實現高鏈路帶寬利用率和低應用完成時間的雙重目標。在帶寬分配方面,本文提出了虛擬鏈路組抽象模型,以構建虛擬帶寬資源共享池,并據此設計了三層帶寬分配方法,從而保障應用的網絡性能,并實現帶寬資源在集群計算框架間的彈性共享。在流量調度方面,本文設計了虛擬鏈路組依賴關系圖,并提出了一個近似比為3/2的鏈路選擇算法,從而實現負載均衡化的流量調度,并同時緩解鏈路帶寬傾斜使用的情況。實驗結果表明本文所提出的方法能夠大幅降低應用完成時間,且提高鏈路帶寬資源利用率。

在數據中心間,本文主要圍繞成本和性能兩個目標來展開針對數據中心間流量的帶寬分配和流量調度問題研究。首先,在成本方面,本文發現Internet服務供應商(Internet Service Provider,ISP)對數據中心間流量所采用的比例計費模型中存在著相當多的免費時間間隙:在這些時間間隙上傳輸的流量不影響整體傳輸成本。為此,本文提出了基于李雅普諾夫優化(Lyapunov Optimization)技術的帶寬分配和流量調度方法,以利用比例計費模型中的免費時間間隙進行流量傳輸,從而減少流量傳輸成本。實驗結果表明本文所提出的方法能夠大幅減少流量傳輸成本。其次,在性能方面,本文發現在進行帶寬分配和流量調度時,靈活地放置網絡流的端點能夠顯著地減少跨數據中心傳輸的Coflow的完成時間。為此,本文研究流量端點放置、帶寬分配和流量調度的聯合優化問題,以最小化跨數據中心運行的Coflow的平均完成時間。為了解決該問題,本文首先提出針對單個Coflow的端點放置、帶寬分配和流量調度算法,然后將此算法擴展到多個Coflow的場景。實驗結果表明本文所提出的方法能夠大幅減少Coflow的平均完成時間。最后,在兼顧成本和性能方面,本文研究了針對數據中心間流量的帶寬分配和流量調度問題,并提出了基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)的分布式帶寬分配和流量調度算法,從而最小化供應商的網絡帶寬成本,并同時為數據中心間流量提供帶寬保障。實驗結果表明本文所提出的方法能夠大幅減少供應商的網絡帶寬成本,并同時還能為數據中心間流量提供帶寬保障。

在面向用戶服務方面,本文主要研究帶寬分配和用戶請求流量調度兩個子問題。在帶寬分配方面,本文首先提出了“數據中心間的網絡即服務”模型,以將用戶在Internet上傳輸的流量引入到了大公司(如Google和Microsoft)的私有廣域網中,并且重點研究該模型下的多用戶多供應商的帶寬分配問題。本文設計了基于兩階段斯塔爾伯格博弈(Stackelberg Game)理論的帶寬分配方法,實驗結果表明本文所提出的帶寬分配方法能夠同時保證供應商和用戶的利益。在用戶請求流量調度方面,本文研究了供應商帶寬資源效率和用戶延遲聯合優化的用戶服務請求調度問題,并提出了基于對數平滑技術的請求調度算法。實驗結果表明,本文提出的請求調度算法能夠大幅提高數據中心帶寬資源利用率,且還能明顯減少用戶的延遲。

摘要： 在5G時代,大規模物聯網應用對網絡架構提出了異構性、可擴展性、移動性和安全性四大挑戰。基于TCP/IP的網絡架構存在IP標識與位置綁定的二義重載問題,難以應對這四大挑戰。命名數據網絡(Named Data Networking,NDN)將內容作為第一語義,具有網絡層和應用層邏輯拓撲一致性。NDN對這四大挑戰的支持分別體現在:網絡層命名屏蔽了底層異構細節,端到端解耦及網絡層緩存使得NDN天然支持多對多通信和廣播,消費者驅動的通信模式為消費者移動性提供原生支持,面向內容的內生安全更輕量可信。文中總結了基于NDN構建物聯網亟待解決的問題,并對NDN與邊緣計算、軟件定義網絡和區塊鏈結合來構建邊緣存儲和計算模型、集中式與分布式結合的控制模型、分布式安全模型提出了展望。