面向图计算的运行时系统的消息聚合技术

图计算应用的通信模式以时空随机的点对点细粒度通信为主,但现有高性能计算机的网络系统应对大量细粒度通信时表现不佳,进而影响整体性能。虽然在应用层进行通信优化可以有效提升图计算应用性能,但这会给应用开发人员带来很大的负担,因此提出并实现结构动态的消息聚合技术,通过构建虚拟拓扑的方法在通信路径上增加中间点从而提升消息聚合的效果。传统的消息聚合策略一般仅在通信源或者目的地上进行,聚合机会有限,而所提技术通过灵活调整虚拟拓扑的结构和配置适应了不同硬件条件和应用特征。同时,还提出并实现了面向图计算的有消息聚合的运行时系统,这使得在程序迭代执行时可以动态选择参数,从而减少开发人员负担。在256节点规模的系统上实验的结果显示,使用所提消息聚合技术优化后的典型图计算应用的性能可得到100%以上的提升。     

联邦学习中的隐私问题研究进展

随着大数据、云计算等领域的蓬勃发展,重视数据安全与隐私已经成为世界性的趋势,不同团体为保护自身利益和隐私不愿贡献数据,形成了数据孤岛.联邦学习使数据不出本地就可被多方利用,为解决数据碎片化和数据隔离等问题提供了解决思路.然而越来越多研究表明,由谷歌首先提出的联邦学习算法不足以抵抗精心设计的隐私攻击,因此如何进一步加强隐私防护,保护联邦学习场景下的用户数据隐私成为一个重要问题.对近些年来联邦学习隐私攻击与防护领域取得的成果进行了系统总结.首先介绍了联邦学习的定义、特点和分类;然后分析了联邦学习场景下隐私威胁的敌手模型,并根据敌手攻击目标对隐私攻击方法进行了分类和梳理;介绍了联邦学习中的主流隐私防护技术,并比较了各技术在实际应用中的优缺点;分析并总结了6类目前联邦学习的隐私保护方案;最后指出目前联邦学习隐私保护面临的挑战,展望了未来可能的研究方向.     

虚拟集群上面向功耗的形式化的VM调度策略

针对虚拟化集群上日益严重的功耗问题,在定义集群、物理机、操作点、能耗、任务集、虚拟机等概念的基础上,提出了形式化的虚拟机(Virtual Machine,VM)调度策略,并有针对性地利用动态电压和频率调整(Dynamic Voltage and Frequency Scaling,DVFS)技术对普通算法进行了扩展改进,提出一个功耗敏感的VM调度算法。首先,利用FFD(First-Fit Decreasing)算法解决虚拟机的初始布局问题,然后尽可能地将虚拟机部署在低电压的物理机上,此外加入性能感知策略,尽量将物理机的电压调节至刚好满足虚拟机性能需求,以避免"奢侈"能耗的浪费,同时增加了虚拟机调度失败时灵活调整电压的规则,以减少错误先验知识对虚拟机后续部署的误导。在理想模型中的仿真实验表明:与现有部署算法相比,本算法具有更好的节能效应,以及相对不大的性能损失。     

虚拟计算环境中的协同功耗管理框架

功耗问题带来了难以解决的散热问题，虚拟化技术可以帮助计算系统提高能效比，而一些系统低功耗设计使得从软件上利用调度算法成为降低功耗的重要手段。文章介绍的虚拟环境中的协同功耗管理框架是以策略为中心的软件结构，其中包含的重要要素有平台、状态、策略、约束、机制和通道。它们之间的关系是策略通过利用机制，改变平台的状态，通过通道，满足约束，在平台上实现预期的节能效果。     

SWAM:SNN工作负载自动映射器

为了满足大规模脉冲神经网络(SNN)的计算需求,类脑计算系统通常需要采用大规模并行计算平台.因此,如何快速为SNN工作负载确定合理的计算节点数(即如何把工作负载合理映射到计算平台上)以获得最佳的性能、功耗等指标就成为类脑计算系统需解决的关键问题之一.首先分析了SNN工作负载特性并为其建立起计算模型;然后针对NEST类脑仿真器,进一步实例化了SNN的内存、计算和通信负载模型;最终设计并实现了一种基于NEST的SNN工作负载自动映射器(SWAM).SWAM可以自动计算出映射结果并完成映射,避免了极其耗时的工作负载映射手动试探过程.在ARM+FPGA、纯ARM、PC集群三种不同的计算平台上运行SNN典型应用,并比较SWAM、LM算法拟合和实测的映射结果.实验结果表明:SWAM的平均映射准确率达到98.833％,与LM方法与实测映射相比,SWAM具有绝对的时间代价优势.