有序共享：一种适用于数据库系统的新的锁原语

本文介绍一种可以提高数据库系统并行性的新的锁原语，称为有序共享。通用的两阶段封锁协议也很到发展，以支持锁之间的三种关系：标准共享，非共享和有序共享。     

改进的并行快速排序

排序是计算机内一类很耗时的问题,快速排序是众多排序方式中相对较省时的算法,但当数据量大时,其耗时还是惊人的。为了解决大数据快速排序耗时的问题,论文在常用的快速排序并行方法的基础上,给出了一种改进方法,使其在时间复杂度上有明显的改进。     

在多元连接数据查询中最小生成树法的改进应用

本文对最小生成树法在分布式数据库多元连接中的应用进行了阐述和分析,并利用分布式数据库数据的分布性对最小生成树法进行了改进。提出了基于最小生成树法的连接图划分方法将连接图划分成多个子连接图,提高连接操作的并行性,从而使得响应时间得到减少。     

异构计算环境中循环级并行性提取及调度

首先给出了循环最大加速比的定义,它是循环体中隐含并行性大小的度量。并且讨论了Ｄｏ循环的各种类型和它们的相关性以及隐含的并行性。在异构环境中,如何开发这些并行性,文中给出了几种方法,这就是异构计算消除串行瓶颈,异构Ｄｏ＿ａｌｌ＿ｌｏｏｐ调度,异构Ｄｏ＿ａ＿ｃｒｏｓｓ调度。无论在理论分析还是在实验结果上,这些方法所取得的计算性能都优于同构计算。     

A TLP approach for BGP based on local speculation

With the explosive growth of Internet, the low efficiency of BGP has seriously influenced its usability. In this work, a TLP （thread level parallelism） approach with local speculation is proposed to improve the BGP performance. The thread partition is locally performed on each separated sub-module at route processing, and the speculation strategy is implemented to guarantee the memory consistency and sequential commit. Experiments on Intel Quad-core server show that this approach reaches an average speedup of 1.46 under single peer, multi-peers and route flapping. It is also shown that the packet throughput can be improved greatly under multiple sessions by taking advantage of TLP.     

基于Logistic映射和分段性映射的混沌Hash函数

提出一种基于Logistic映射和分段性映射的混沌Hash函数构造。该算法将明文信息分组并转换为相应的ASCII码值,分别作为Logistic映射和分段性映射的输入参数进行多次迭代,迭代生成相应明文信息的中间Hash值,最终的Hash值由中间Hash值的异或而得到。该算法实现简单,具有良好的单向散列性能,对初值有高度的敏感性,混乱与扩散性以及抗碰撞性,可以满足Hash函数的各项性能要求。     

并行多边形绘制技术综述

多边形绘制是应用最为广泛的计算机图形绘制方法．并行技术在提高多边形绘制系统的性能方面起着重要的作用．并行多边形绘制技术的基础是算法内在的可并行性，按并行流水线的组织方式可分为全图像深度合成、前分布拼接合成和中分布拼接合成三种，负载平衡和图像合成是影响多边形绘制系统性能的关键问题．并行多边形绘制系统的实现方式包括专用图形硬件实现、并行机实现和集群机实现．结合作者的工作，对并行多边形绘制技术进行了探讨．     

一个双单片机实时通信和控制系统的设计与实现

本文介绍一种用一个单片机负责实时通讯及纠错，另一单片机负责执行实时控制任务，并通过串行及并行总线作同步机构来开发系统并行性，从而实现高性能价格比系统的设计与实现方法。     

基于微全分析系统中双单片机控制和通讯系统的设计

介绍了一种基于当前多通道的毛细管电泳芯片的发展基础上,双单片机控制和通讯系统的设计与实现。通过串行或并行总线机制来开发系统的并行性,提高了对当前高数据量芯片的处理和实时通讯的速度,简化电路设计,可独立灵活地控制分离和进样时间,电压等条件。有利于实现微全分析系统的高效化、集成化,易控制,降低干扰,适合野外数据采集和检测。     

基于平铺数据流的可配置神经网络加速器

卷积神经网络已经是公认最好的用于深度学习的算法,被广泛地应用于图像识别、自动翻译和广告推荐。由于神经网络结构规模的逐渐增大,使其具有大量的神经元和突触,所以,使用专用加速硬件挖掘神经网络的并行性已经成为了热门的选择。在硬件设计中,经典的平铺结构实现了很高的性能,但是平铺结构的单元利用率很低。目前,随着众多深度学习应用对硬件性能要求的逐渐提高,加速器对单元利用率也具有越来越严格的要求。为了在平铺数据流结构上获得更高的单元利用率,可以调换并行的顺序,采用并行输入特征图和输出通道的方式来提高计算的并行性。但是,随着神经网络运算对硬件性能要求的提高,运算单元阵列必然会越来越大。当阵列大小增加到一定程度,相对单一的并行方式会使利用率逐渐下降。这就需要硬件可以开发更多的神经网络并行度,从而抑制单元空转。同时,为了适应不同的网络结构,要求硬件阵列对神经网络的运算是可配置的。但是,可配置硬件会极大地增加硬件开销和数据的调度难度。提出了一种基于平铺结构加速器的并行度可配置的神经网络加速器。为了减少硬件复杂度,提出了部分配置的技术,既能满足大型单元阵列下单元利用率的提升,也能尽可能地减少硬件额外开销。在阵列大小超过512之后,硬件单元利用率平均可以维持在82%～90%。同时加速器性能与单元阵列数量基本成线性比例上升。