纯碱助滤剂的改进及应用

助滤剂近几年在氨碱法、联碱法生产系统中得到广泛应用。针对氨碱法、联碱法不同的生产工艺。我们对原有助滤剂进行改进。改进后的助滤剂不仅提高降水、降盐效果。还具有松散度好的效果。     

多节点系统异常日志流量模式检测方法

随着国家高性能计算环境各个节点产生日志数量的不断增加,采用传统的人工方式进行异常日志分析已不能满足日常的分析需求.提出一种异常日志流量模式的定义方法：同一节点相同时间片内日志类型的有序排列代表了一种日志流量模式,并以该方法为出发点,实现了一个异常日志流量模式检测方法,用来自动挖掘异常日志流量模式.该方法从系统日志入手,根据日志内容的文本相似度进行自动分类.然后将相同时间片内日志各个类型出现的次数作为输入特征,基于主成分分析的异常检测方法对该输入进行异常检测,得到大量异常的日志类型序列.之后,使用基于最长公共子序列的距离度量对这些序列进行层次聚类,并将聚类结果进行自适应K项集算法,以得出不同异常日志流量模式的序列代表.将国家高性能计算环境半年产生的日志根据不同时间段（早、晚、夜）使用上述方法进行分析,得出了不同时间段的异常日志流量模式和相互关系.该方法也可以推广到其他分布式系统的系统日志中.     

基于云服务的计算化学社区

中国科学院超算环境是由中国科学院统筹规划建设的“院总中心-分中心-所级中心”三层结构的超级计算环境,环境的资源聚合使用网格中间件 SCE,并使用 API 接口对外提供服务。依托超算环境建设的科学计算学云服务社区采用软件即服务的模式,使用浏览器/服务器结构来提供专业交互式的计算化学科学计算服务,以“降低使用门槛、提高使用效率,助跑计算化学用户的科学研究工作”为目标,为广大科研用户提供“一站式”计算的 Web 服务模式和异构资源协同工作模式。本文同时介绍了社区的建设应用情况以及环境的运行、监控情况。     

对于大规模系统日志的日志模式提炼算法的优化

LARGE框架是部署在中国科学院超级计算环境中的日志分析系统,通过日志收集、集中分析、结果反馈等步骤对环境中的各种日志文件进行监控和分析。在对环境中系统日志的监控过程中,系统维护人员需要通过日志模式提炼算法将大量的过往系统日志记录缩减为少量的日志模式集合。然而随着日志规模的增长以及messages日志文件的特殊性,原有的日志模式提炼算法已经难以满足对大规模日志快速处理的需要。介绍了一种对于日志模式提炼算法的优化方法,通过引入MapReduce机制实现在存在多个日志输入文件的情况下对日志处理和模式提炼的流程进行加速。实验表明,当输入文件较多时,该优化方法能够显著提高词汇一致率算法的运行速度,大幅减少运行时间。此外,还对使用词汇转换函数时的算法运行时间和提炼效果进行了验证。     

高性能计算环境中间件的优化设计与实现

步入大数据时代之后,致力于解决大规模科学计算问题的高性能计算,得到越来越广泛的关注与应用。随着高性能计算机制造产业蓬勃发展,具有每秒上亿亿次浮点运算速度的高性能计算集群对高性能计算环境中间件的性能提出了更高的要求。现有的高性能计算环境中间件中,资源信息服务无法满足海量信息快速更新的需求。为了提高高性能计算环境中间件的性能,通过借鉴ETL技术,将资源信息传输方式优化为信息同步模式。优化后的信息同步模式在处理2000条作业状态更新时,延迟时间缩短90%、系统负载降低98%、网络连接数减少90%,为系统维护人员、环境用户带来更好的用户体验。     

移动床生物膜反应器的启动及影响因素的研究

采用配制模拟废水进水,研究移动床生物膜反应器(MBBR)的启动挂膜,结果表明,在悬浮填料填充率为40%,pH为6.3～7.6,温度为20～30℃,m(C)/m(N)/m(P)=100:5:1的条件下,ρ(DO)=3 mg/L,HRT=6 h时挂膜速度快,COD、NH3-N去除效率可达到90%。当ρ(DO)=1.5 mg/L时前5天COD去除率略高于ρ(DO)=3 mg/L时,此后COD、NH3-N去除率均稳定在80%左右,ρ(DO)=5mg/L时紊动剧烈,不利于挂膜;HRT=6h和HRT=8h时COD、NH3-N去除率比较接近,且远高于HRT=4 h和HRT=12 h时。在试验范围内,COD、NH3-N处理效率均随着DO、HRT值增大而增大,而后随着增大反而降低,可知DO、HRT过高或过低均不利于启动运行。在HRT=6 h,ρ(DO)=3 mg/L的条件下稳定运行时,COD、NH3-N、TN、TP的去除率均值分别为:89.5%、94%、54.76%、56.1%。     

使用GNN与RNN实现用户行为分析

随着国家高性能计算环境(CNGrid)各个节点产生日志数量不断增加,采用传统的人工方式进行用户行为分析已不能满足日常的分析需求。近年来,深度学习在入侵检测、图像识别、自然语言处理和恶意软件检测等与计算机科学相关的关键任务中取得了良好的效果。演示了如何将深度学习模型应用于用户行为分析。为此,在CNGrid中对用户行为进行分类,提取大量绑定到会话的用户操作序列,然后将这些序列放入抽象的深度学习模型中。提出了一种基于图神经网络(GNN)和循环神经网络(RNN)的深度学习模型来预测用户行为。图神经网络能够捕捉用户局部行为的隐藏状态,可以作为预处理步骤。循环神经网络能够捕捉时间序列的信息。因此,通过将GNN和RNN相结合的方式来构建该模型,以获得两者的优点。为了验证模型的有效性,在CNGrid的真实用户行为数据集上进行了实验,并在实验中与多种不同的其他方法进行对比。实验结果证明了这种新的深度学习模型的有效性。     

网格环境日志分析框架 LARGE 的设计

本文介绍了网格环境日志分析框架 (LARGE) 的结构设计和工作原理。LARGE 将整个日志分析流程分为采集、分析、反馈三个模块,并针对环境中系统日志和 SCE 日志这两种不同的日志类型提出了针对性的处理方法。LARGE 系统部署在中科院超级计算环境中,对维护系统正常运行、及时发现并处理异常起到重要的支撑作用,同时对系统和用户行为的进一步分析提供了很好的基础。     

甲醇汽油的研究进展与应用前景

发展替代能源是缓解当前能源压力的一种主要途径。甲醇来源丰富,甲醇汽油可以作为汽车的一种重要替代燃料。甲醇汽油的开发和应用可以优化能源结构,缓解石油供需矛盾,所以甲醇燃料的研究与应用有巨大的发展潜力和重要的现实意义。