基于元算子的深度学习框架缺陷检测方法

在用于构建深度学习模型的深度学习框架中,算子的正确计算对于深度学习模型的正确预测至关重要.然而,已有的深度学习框架缺陷检测方法只能通过比较和推测的方式找到不同深度学习框架之间计算结果相差较大的算子,而且无法检测深度学习模型在训练过程中产生的计算错误,具有很大的局限性.针对此问题,本文设计并实现了基于元算子的深度学习框架...     

Internetware: An Emerging Software Paradigm for Internet Computing

The Internet is undergoing a tremendous change towards the globalized computing environment.Due to the open,dynamic and uncontrollable natures of the Internet,software running in the Internet computing environment has some new features,which bring challenges to current software technologies in terms of software model,software operating platform,software engineering approaches and software quality.Researchers in China have proposed the term "Internetware" to present the emerging software paradigm.Sponsored by the National Basic Research 973 Program,several research practices have been done on the Internetware in the past decade.This paper summarizes the progress and status of the Internetware researches.A technical solution framework for the Internetware paradigm is proposed from four aspects:the Internetware software model defines what the Internetware is to be;the Internetware middleware determines how to run the Internetware applications;the engineering methodology determines how to develop the Internetware applications;the Internetware quality assurance determines how well the Internetware applications can perform.The paper also discusses the ongoing research issues and future trends of Internetware.     

面向软件工程的情感分析技术研究

情感分析在软件工程领域具有广泛的应用场景,例如,从代码提交信息中检测开发者的情绪、从程序员问答论坛中识别开发者的观点等.但是,现有的“开箱即用”的情感分析工具无法在软件工程相关的任务中取得可靠的结果.已有研究表明,导致不可靠结果的最主要原因是,这些工具无法理解一些单词和短语在软件工程领域中的特定含义.此后,研究者们开始为软件工程领域定制监督学习和远程监督学习方法.为了验证这些方法的效果,研究者们使用软件工程相关的标注数据集来对它们进行数据集内验证,即,将同一数据集划分为训练集和测试集,分别用于方法的训练和测试.但是,对软件工程领域的某些情感分析任务来说,尚无标注数据集,且人工标注数据集耗时耗力.在此情况下,一种可选的方法就是使用为了相似任务从同一目标平台上提取的数据集或者使用从其他软件工程平台上提取的数据集.为了验证这两种做法的可行性,需要进一步以平台内设置和跨平台设置来验证现有情感分析方法.平台内设置指的是使用提取自同一平台的不同数据集作为训练集和测试集;跨平台设置指的是使用提取自不同平台的数据集作为训练集和测试集.目标旨在数据集内设置、平台内设置、跨平台设置这3种设置下,综合验证现...     

面向移动Web应用的浏览器缓存性能度量与优化

随着移动互联网的飞速发展,用户越来越多地通过移动设备访问Web应用.浏览器为Web应用提供基本的计算、渲染等运行时支撑,其缓存机制可以支持Web应用直接从本地而不是通过网络来获取可复用资源,不仅能够减少整体的执行时间从而提升应用加载速度,还能够减少网络流量使用和电池电量消耗,从而保证移动Web用户体验.近年来,围绕面向移动Web应用的浏览器缓存优化得到了国内外学术界和工业界的广泛关注.然而,现有研究工作大多都是从网络层面关注浏览器缓存的整体性能,未充分考虑移动互联网用户访问行为的差异性和动态性,以及Web应用自身持续演化对浏览器实际缓存性能的影响.针对这一问题,首先设计了一种新型主动式缓存度量实验,通过仿真用户的访问行为来分析移动Web应用实际资源使用情况,揭示了浏览器缓存的理论性能上限和实际性能之间的巨大差距,并发现了造成这一差距的3个主要原因：重复请求别名资源、启发式过期时间和保守的过期时间配置.基于此发现,从应用层和平台层分别提出了两种浏览器缓存性能优化方案,并实现了原型系统.实验结果表明,采用两种方法分别平均可减少8%~51%和4%~58%的网络流量,且系统开销较小.     

基于云‒端融合的个性化推荐服务系统

主流个性化推荐服务系统通常利用部署在云端的模型进行推荐,因此需要将用户交互行为等隐私数据上传到云端,这会造成隐私泄露的隐患。为了保护用户隐私,可以在客户端处理用户敏感数据,然而,客户端存在通信瓶颈和计算资源瓶颈。针对上述挑战,设计了一个基于云?端融合的个性化推荐服务系统。该系统将传统的云端推荐模型拆分成用户表征模型和排序模型,在云端预训练用户表征模型后,将其部署到客户端,排序模型则部署到云端;同时,采用小规模的循环神经网络（RNN）抽取用户交互日志中的时序信息来训练用户表征,并通过Lasso算法对用户表征进行压缩,从而在降低云端和客户端之间的通信量以及客户端的计算开销的同时防止推荐准确率的下跌。基于RecSys Challenge 2015数据集进行了实验,结果表明,所设计系统的推荐准确率和GRU4REC模型相当,而压缩后的用户表征体积仅为压缩前的34.8%,计算开销较低。     

面向移动终端智能的自治学习系统

在移动终端设备中部署机器学习模型已成为学术界和产业界的研究热点,其中重要的一环是利用用户数据训练生成模型.然而,由于数据隐私日益得到重视,特别是随着欧洲出台GDPR、我国出台《个人信息保护法》等相关法律法规,导致开发者不能任意从用户设备中获取训练数据（特别是隐私数据）,从而无法保证模型训练的质量.国内外学者针对如何在隐私数据上训练神经网络模型展开了一系列研究,对其进行了总结并指出其相应的局限性.为此,提出了一种新型的面向移动终端隐私数据的机器学习模型训练模式,将所有与用户隐私数据相关的计算任务都部署在本地终端设备,无需用户以任何形式上传数据,从而保护用户隐私.这种训练模式被为自治式学习（autonomous learning）.为了解决自治式学习面临的移动终端数据量不足与计算能力不足两大挑战,设计实现了自治学习系统AutLearn,通过云（公共数据,预训练）和端（隐私数据,迁移学习）协同的思想,以及终端数据增强技术,提高了终端设备上模型的训练效果.进一步地,通过模型压缩、神经网络编译器优化、运行时缓存等一系列技术,AutLearn可以极大地优化移动终端上的模型训练计算开销.基于AutLearn在两个经典的神经网络应用场景下实现了自治式学习,实验结果表明,AutLearn可以在保护隐私数据的前提下,训练模型达到甚至超过传统的集中式/联邦式模式,并且极大地减小了在移动终端上进行模型训练的计算和能耗开销.     

同质Mashup构件池动态构造机制

互联网上存在大量"同质"的网站或服务,以其封装而成的Mashup构件往往提供相同或相似的功能,为了获取最佳服务,用户不得不逐一浏览每个Mashup构件,花费大量的时间和精力。从用户视角出发,提出了一种同质Mashup构件动态聚合机制。基于元数据搜索和表单匹配技术,该机制将多个同质Mashup构件组成一个构件池,再按照用户当前的数据请求,动态发现最佳服务,从而实现服务资源的整合和优化,提高整体服务质量。最后,基于富客户端构件组装与验证框架iMashup实现了上述机制,并进行了实验验证。     

面向云-端融合的移动互联网应用运行平台

与传统的互联网应用相比,移动互联网应用尽管也运行于Web技术栈之上,但移动设备的便携性和多样性,带来了客户端设备计算能力相对有限、数据存储随需而变、显示屏幕大小不一、本地应用与Web应用和服务难以交互等技术挑战.为此,本文设计实现了一种面向云-端融合的移动互联网应用运行平台.首先,提出一种符合移动互联网应用体系结构的构件模型,将客户端应用划分为数据、计算、界面和服务四个部分;其次,设计了一种实现云-端资源融合的构件运行框架,支持应用数据的按需存储、计算任务的云-端迁移、以及用户界面的动态切分;再次,设计了一种实现云-端服务融合的组装框架,支持客户端本地应用和传统Web应用的服务封装、和基于总线的服务即时组装;最后,基于Chrome浏览器实现了平台原型,支持基于HTML5和JavaScript的移动互联网应用,通过多个Web应用基准测试集和热点应用的实验,验证了平台的有效性和可行性.     

一种面向富客户端应用的运行时自适应中间件

随着Internet的发展、应用需求的日趋复杂,传统浏览器-服务器模式下的瘦客户端不再能够满足应用这种需求,进而促使了具有良好用户体验、可以有效利用本地存储计算资源的富客户端应用的出现.富客户端应用遵循"模型-视图-控制器(model-view-controller,简称MVC)"体系结构风格,运行在客户端的软、硬件运行环境中.随着移动设备硬件、浏览器软件的发展,不同富客户端运行环境能力差异很大.另一方面,因为Internet的开放性、动态性,富客户端应用开发人员不可能预知其运行环境的特点.因此,富客户端不可避免地面临异构运行环境造成的适应性问题.提出一种富客户端运行环境自适应中间件,可提供一个符合富客户端应用体系结构风格的MVC构件模型,并利用构件的数据模型、控制器与视图这3部分,有针对性地处理富客户端存储环境、计算环境以及显示环境中的适应性问题,提供相应的自适应解决方案.提出的自适应中间件封装了以上构件模型与自适应机制,保证运行于中间件上的富客户端可以适应运行环境,合理、高效地利用运行环境中的存储、计算以及显示资源.     

面向富互联网应用的计算任务动态迁移机制

富互联网应用(rich Internet application,RIA)目前已经成为重要的应用模式.随着信息技术日益泛在化和服务化,富互联网应用也开始在移动设备之上运行.然而,由于设备计算能力的不足,很可能出现部分代码无法在富客户端顺利运行的情况.提出面向富互联网应用的计算任务动态迁移机制,在应用运行过程中,动态地将...