摘要：随着科学计算复杂性提高,工作流成为实现科学计算自动化的重要模型。WaaS平台从IaaS供应商处租用虚拟机,为用户提供科学工作流计算服务。目前针对WaaS平台的工作流调度研究并未考虑虚拟机宕机导致任务运行失败以及虚拟机供应延迟的情况。针对此问题,提出一种面向WaaS平台的多工作流容错调度策略。首先,针对WaaS平台不直接调度硬件资源而是在虚拟机和容器层面调度工作流的特点,考虑虚拟机宕机以及供应延迟对调度的影响,建立适合WaaS平台的工作流调度模型。其次,提出一种WaaS平台下多工作流容错调度策略,包括预处理、容错方法选择、任务分配和资源调整四个阶段。其中,设计一种截止时间划分算法来确定调度顺序,通过将任务复制和重新提交相结合的方式选择容错算法,考虑任务属性和虚拟机供应延迟来进行虚拟机选择与任务分配,设计资源调整算法为即将开始的任务提前部署资源,以避免虚拟机或容器的供应延迟。最后,通过在不同虚拟机宕机概率、工作负载和截止时间约束下的实验对比,证明了提出的WaaS平台容错调度策略的有效性。

摘要：量子计算是基于量子力学的全新计算模式,具有远超经典计算的强大并行计算能力。混合量子卷积神经网络结合了量子计算和经典卷积神经网络的双重优势,逐渐成为量子机器学习领域的研究热点之一。当前,恶意代码规模依然呈高速增长态势,检测模型越来越复杂,参数量越来越大,迫切需要一种高效轻量型的检测模型。为此,设计了一种混合量子卷积神经网络模型,将量子计算融入经典卷积神经网络,以提高模型的计算效率。该模型包含量子卷积层、池化层和经典全连接层。量子卷积层采用低深度强纠缠轻量型的参数化量子线路实现,仅使用两类量子门:量子旋转门Ry和受控非门CNOT(controlled-NOT),并仅使用两量子比特实现卷积计算。池化层基于经典计算和量子计算实现了3种池化方法。在Google TensorFlow Quantum上进行了模拟实验。实验结果显示,所提模型在恶意代码公开数据集DataCon2020和Ember的分类性能(accuracy,F1-score)分别达到了(97.75%,97.71%)和(94.65%,94.78%),均有明显提升。

摘要：联邦学习(FederatedLearning)在不共享个人数据的前提下实现分布式模型训练,有效保护用户隐私并提升模型的性能和泛化能力。然而,传统联邦学习面临数据异质性、通信延迟等挑战,且易受反向攻击影响系统安全。为应对这些挑战,本文提出了一种基于边缘层级聚合的鲁棒性联邦学习方法(DEHFL)。DEHFL通过多层聚合策略优化通信效率与扩展性,并设计基于K-means聚类的相似度分簇算法,缓解Non-IID数据带来的模型漂移问题,同时增强模型在攻击情境下的稳定性与鲁棒性。实验结果表明,DEHFL在Non-IID数据分布和恶意攻击环境下优于传统方法。在MNIST和Fashion-MNIST数据集上,面对相同的中毒攻击时,DEHFL的平均准确率相比传统方法提升了10.08%以上,验证了其在提高模型鲁棒性和实际应用可靠性方面的显著优势。

摘要：随着移动教育模式逐渐为大众所接受,一批优秀的在线教育企业凭借优质的师资和创新的教学模式逐渐占据市场。猿辅导就是网络在线教育领域的领军企业之一,占据可观在线教育市场份额。文章基于SWOT分析方法对猿辅导的企业策略进行了深入研究,发现猿辅导的产品优势在于丰富的课程、个性化教学、家校互动功能等,颇具竞争力,且依靠产品定位差异化和线上线下营销策略,大大提高了品牌知名度。文章旨在按照SWOT分析法,分析猿辅导企业营销战略,研究成果将给移动互联网教育企业的发展带来参考价值。

摘要：由于布局是现场可编程门阵列电路开发流程中耗时最长的步骤之一,所以为了提高布局的速度,提出了一种新的现场可编程门阵列布局方法。首先,在初始布局阶段,电路中的各逻辑单元根据花费计算公式选择使用成本最小的物理资源,并且允许多个逻辑单元占用同一个物理资源;然后,迭代地对占用被重用物理资源的逻辑单元重新布局,通过逐渐增大重用资源的使用成本,从而逐步消除资源重用;最后,用低温模拟退火算法对布局结果进行局部优化。实验结果表明,与学术界主流布局工具相比,该方法将布局时间减少了52%,同时电路延时降低4.8%,总线长减少1.9%。所提布局方法显著地减少了现场可编程门阵列电路布局所需时间,从而缩短了电路编译调试周期,有助于提高开发人员的效率。

摘要：提出了点到点(P2P)模式下协同工作安全群组通信模型,实现了P2P模式下协同工作节点动态加入和退出,以及群组安全可靠有序的通信机制.算法设计的节点管理和节点通信为P2P模式下协同工作应用开发提供了必要的支持.通过理论分析,证明了点组内节点操作的一致性,协同绘图作为实例说明了该方法的有效性.

摘要：微服务软件系统由于其具有大量复杂的服务依赖关系和组件化模块,一个服务发生故障往往造成与之相关的1个或多个服务发生故障,导致故障定位的难度不断提高.因此,如何有效地检测系统故障、快速而准确地定位故障根因问题,是当前微服务领域研究的重点.现有研究一般通过分析故障对服务、指标的作用关系来构建故障关系模型,但存在运维数据利用不充分、故障信息建模不全面、根因定位粒度粗等问题,因此提出了AmazeMap方法.该方法设计了多层次故障影响图建模方法以及基于多层次故障影响图的微服务故障定位方法.其中:多层次故障影响图建模方法通过挖掘系统运行时指标时序数据与链路数据,考虑不同层次间的相互关系,能够较全面地建模故障信息;基于多层次故障影响图的微服务故障定位方法通过缩小故障影响范围,从服务实例和指标两个方面发现根因,输出最有可能的故障根因节点和指标序列.基于开源基准微服务系统和AIOps挑战赛数据集,从有效性和效率两个方面设计了微服务软件故障定位实验,并与现有方法进行对比,实验结果验证了AmazeMap的有效性、准确性和效率.

摘要：近年来,随着互联网技术的迅猛发展,以慕课(MOOC)为代表的在线教育平台得到广泛普及.为助力“因材施教”的个性化智慧教育,以推荐算法为代表的人工智能技术受到了学术界与工业界的普遍关注.虽然在电子商务等领域获得了成功应用,但推荐算法与在线教育融合时仍面临严峻挑战:现有算法对隐式交互数据的挖掘不充足,推荐背后的知识指导作用不明显,面向实践的推荐系统软件有缺失.对此,设计了一套面向工业化场景的智慧课程推荐系统:(1)提出基于图卷积神经网络的推荐引擎,将“用户-课程”隐式交互数据建模为异构图;(2)将课程知识信息融入“用户-课程”异构图,深入挖掘了“用户-课程-知识”关联关系;(3)设计了高效的在线推荐系统,实现了“预处理-召回-离线排序-在线推荐-结果融合”的多段流水线原型,不仅能够快速响应课程推荐请求,更能有效缓解推荐算法落地的最大障碍——冷启动问题.最后,基于真实课程学习平台数据集,以对比实验表明了离线推荐引擎相比其他主流推荐算法的先进性,并基于两个典型用例分析验证了在线推荐系统面临工业场景需求的可用性.

摘要：目前自适应软件正在为众多领域系统提供着对运行环境的适应能力.如何建立一种能够保障识别质量的自适应分析方法,使之可从运行环境中快速且准确地识别出异常事件,是确保自适应软件长期稳定运行所必须考虑的研究问题之一.当前运行环境的不确定性给该问题的攻关带来两方面的挑战:其一,现有分析方法一般通过预先建立环境状态与事件之间的映射关系来识别事件.但在系统运行之前,已无法仅凭经验确定环境状态并建立全面且正确的映射关系.仅依赖映射关系建立分析方法的设计思路已无法保障识别的准确性.其二,不确定环境何时会发生何种事件已变得不可预期.如果采用现有设计思路,定期地获取环境状态再进行事件识别,则无法保障识别效率.然而,目前却缺乏应对这些紧迫挑战的相关工作,因此提出了一种基于事件关系保障识别质量的自适应分析方法(self-adaptation analysis method for recognition quality assurance using event relationships,简称SAFER).SAFER采用序列模式挖掘算法、模糊故障树与贝叶斯网络等技术抽取并建模事件因果关系,并基于该类关系与映射关系通过贝叶斯网络的正向推理能力共同识别事件,与传统的仅依赖映射关系的识别方法相比可保证识别的准确性;基于贝叶斯网络的反向推理能力,确定易引发事件的精英感知对象,并动态调整获取精英感知对象状态数据的采样周期,以便于在事件发生后尽快获得相关环境状态,从而保障识别效率.实验结果表明,在自适应软件实际运行过程中,SAFER可实现对事件的识别并保障识别准确性与识别效率,为自适应软件稳定运行提供了有效支持.

摘要：在使用深度神经网络进行点云分类时,可以将点云转化为三维体素或是从多个角度将网格模型渲染成图片后进行处理,但转换过程会耗费额外的计算和存储资源;而使用原始点云作为输入的方法,其网络规模和计算复杂度又给算法在嵌入式环境部署带来困难。在对这些算法深入研究的基础上,提出一种轻量级的双路径神经网络模型,无须转换点云数据格式,使用0.8兆浮点数的参数量,达到和主流方法相当的分类精度。双路径结构利用点云的点内和点间表示方式,在避免多尺度学习引入的复杂结构和计算的同时,挖掘了全局特征和局部细粒度特征。实验结果表明,该网络模型可对ModelNet40和MNIST数据集进行准确分类,且设计具有合理性。