摘要：较低的网络服务响应时间对提升用户体验至关重要.以搜索引擎这一典型的网络服务场景为例,服务提供商应确保网络服务(搜索)响应时间在1 s以内.在实践中,服务响应时间会受到用户浏览器、运营商、页面加载方式等诸多服务属性的影响.为了进行针对性的优化,服务提供商需要找出使服务响应时间过长的规则,即一些属性的组合.然而现有研究工作遇到了3方面挑战:1)搜索日志数据量大;2)搜索日志数据分布不平衡;3)要求泛化度高的规则.因此设计了Miner(multi-dimensional extraction of rules),一种新型服务响应时间异常诊断框架.Miner使用自步采样机制应对第1个挑战和第2个挑战.针对第3个挑战,Miner使用Corels算法挖掘出泛化率高且召回率高的规则.使用2家国内顶级搜索引擎服务提供商的响应时间日志数据评估了Miner性能,结果显示Miner的泛化率和召回率均高于现有方法,并证明了Miner挖掘出的规则可被运维人员采纳并做针对性的优化.

摘要：深度学习平台对人工智能的发展起着重要的推动作用,然而,目前的深度学习平台存在使用门槛高或者缺乏个性化支持的问题.设计并实现了一站式深度学习智能平台NKI,对不同用户群体提供了全方位的支持和服务.通过拖拽式模型构建、经典算法复用和神经架构搜索算法,NKI让初学者能够在短时间内完成深度学习模型的构建、训练和应用,无需深入学习复杂的编程技术;对于算法专家,NKI提供了更多个性化的选择,如根据自身需求定制组件和数据集、进行在线数据预处理、以及直接执行深度学习代码等,这种高度定制化的服务使得深度学习专业人士能够更灵活地应对各种复杂任务,满足不同领域的需求.NKI是一个多层次、多功能的低代码深度学习平台,旨在促进深度学习技术的普及,让不同背景和技能水平的用户都能轻松地应用深度学习技术.

摘要：医学期刊文章类别之间的相关性强,存在很多样本很少的类别,因此对自动分类工作造成困难.基于医学期刊分类的特点,设计了元类别的概念,以类别本身蕴含的信息作为分类的依据,通过外部知识库的信息支撑,提出了基于知识库的元类别医学期刊分类模型.通过和基准模型的比较,证明了本模型在类别相关性强、训练数据量低的医学期刊分类任务上具有明显的优势.

摘要：传统的卷积神经网络加速器及推理框架在资源约束的FPGA上部署模型时,往往面临设备种类繁多且资源极端受限、数据带宽利用不充分、算子操作类型复杂难以适配且调度不合理等诸多挑战.提出一种面向嵌入式FPGA的卷积神经网络稀疏化加速框架(sparse acceleration framework of convolutional neural network, SAF-CNN),通过软硬件协同设计的方法,从硬件加速器与软件推理框架2个角度进行联合优化.首先, SAF-CNN构建并行计算阵列,并且设计并行编解码方案,实现单周期多数据的传输,有效减少通信代价.其次,设计细粒度结构化块划分剪枝算法,于输入通道维度进行块内裁剪来获得稀疏且规则的权重矩阵,借此显著降低计算规模和DSP乘法器等资源占用.然后,提出一种兼容深度可分离卷积的输入通道维度动态拓展及运行时调度策略,实现输入通道参数灵活适配与逐通道卷积和逐点卷积的资源复用.最后,提出一种计算图重构及硬件算子融合优化方法,提升硬件执行效率.实验采用2种资源受限的低端FPGA异构平台Intel CycloneV与Xilinx ZU3EG,结果表明SAF-CNN加速器可分别实现76.3GOPS与494.3GOPS的计算性能.与多核CPU相比,SAF-CNN在进行SSD_MobileNetV1目标模型检测时,可实现3.5倍与2.2倍的性能提升,模型推理速度高达26.5fps.

摘要：国防科技大学团队自主研发设计了MT-3000高性能多区异构处理器,并将其作为重要算力部署于我国新一代天河超级计算机系统中.为拓展MT-3000在人工智能领域的应用前景,亟需攻克PyTorch等主流深度学习框架仅与国外少数厂商的硬件深度绑定这一技术壁垒.聚焦于PyTorch中常用算子与MT-3000异构处理器适配方法的研究.针对MT-3000处理器中,部分PyTorch算子难以利用DSP加速核实现加速的问题.设计并实现了PyTorch虚拟算子.通过常用算子的对比实验表明,提出的方法准确可靠,且基本没有性能损失.

摘要：传统加密方案一般基于香农提出的置乱和分散理论进行设计,实验证明,基于位面的图像加密方案具有更好的有效性。该文提出一种新颖的位面层次的基于编码分组与替换的加密算法。该算法首先依据DNA编码以及中心法则对原始媒体进行编码,然后利用随机置乱分组方案对编码密码子序列进行分组,这样,根据编码后的序列和分组方案可以确定一种任意进制的数制系统。最后,利用基于超混沌系统和该数制系统产生随机加密控制信息,并利用该加密控制信息和分组方案来替换对应的编码后序列,从而实现加密。理论分析和实验结果均表明,该文提出的方案和现有的一些方案相比,具有更好的性能。

摘要：分析了拖挂式移动机器人运动过程中连杆长度与相邻车体间夹角的关系.从连杆长度这一参数入手进行结构优化,在满足相邻车体间夹角约束的前提下,把系统最小转弯半径降到了最低,从而有效提高了机器人跟踪路径的能力.所得结论可用于指导机器人系统的结构设计.在此基础上,进一步提出了实现连杆动态伸缩控制的思想.

摘要：研究一类特殊的移动机器人系统-多转向驱动拖挂式移动机器人(Multi-steering tractor-trailer mobile robot,MSTTMR)的镇定控制问题.首先,通过状态坐标变换和控制输入变换将具有任意节车体的多转向驱动系统的运动学模型转化为多输入幂式形式;然后,基于幂式形式设计一种ρ指数级收敛的镇定控制器,并证明其稳定性.针对两车体系统的镇定控制仿真表明该方法的有效性.

摘要：【目的】本文立足于线上教学资源领域,利用知识图谱相关技术,设计并实现一种融合多种推荐策略的推荐系统。【应用背景】线上教学资源种类繁杂、数量众多,且缺乏规范化构建和系统化管理,为教师管理教学资源及学习者查找有效信息造成诸多不便。【方法】通过设计知识图谱数据结构,构建全学科内知识语义关联,融合图嵌入和规则抽取的方法,实现教学资源推荐。【结果】本文提出的线上教学资源推荐系统已应用于南开大学教学资源网平台,在多学科领域内的知识点推荐中展现出较好的效果。【结论】通过实验结果分析,验证了本文推荐系统在缓解“长尾效应”方面的有效性,并通过可视化案例分析,验证了其实用性。

摘要：Activity的循环启动构成了activity启动环(ALC),它是一种Android应用开发工程师为了完成特定功能而广泛使用的结构.由于缺乏对ALC特性的系统研究,致使当前activity跳转分析方法对启动方式不敏感,使其无法正确模拟使用特殊启动方式的Android应用的返回栈状态变化,从而产生非法路径.本文形式化的表示了以7种不同方式启动activity带来的返回栈状态变化,并提出表示activity间启动关系的activity启动图(ALG),以及启动方式敏感的activity跳转静态分析方法用于自动构建ALG.该方法首先为Android应用构造辅助主函数:为每个activity类构造一个对象的堆内存分配点,对于每个activity对象,依据控制流组织被重写的回调函数调用顺序.然后通过面向对象的字段敏感指向分析提取activity启动关系中的目标activity类和启动方式相关配置,从而构建activity对象的启动图.另外,本文设计并实现了ALC静态分析框架ALCAnalyzer,该框架能为Android应用自动生成ALG,基于ALG生成ALC集合,并能准确模拟重复执行ALC时的返回栈状态变化,预测应用在运行过程中是否会产生同类型activity实例.对1179个Android开源应用进行自动分析及人工验证的实验结果证明了启动方式敏感的activity跳转分析的准确性和分析工具的实用性,同时展现了ALC分布的广泛性和特殊启动方式被使用的广泛性.对Google Play的20个应用进行实验,结果证明相比于启动方式不敏感的activity跳转分析,ALCAnalyzer能够更准确模拟返回栈状态变化,从而防止非法路径产生,并能够为返回栈管理提供有效信息.