swLLVM:面向神威新一代超级计算机的优化编译器

异构众核架构具有超高的能效比,已成为超级计算机体系结构的重要发展方向.然而,异构系统的复杂性给应用开发和优化提出了更高要求,其在发展过程中面临好用性和可编程性等众多技术挑战.我国自主研制的神威新一代超级计算机采用了国产申威异构众核处理器SW26010Pro.为了发挥新一代众核处理器的性能优势,支撑新兴科学计算应用的开发和优化,设计并实现面向SW26010Pro平台的优化编译器swLLVM.该编译器支持Athread和SDAA双模态异构编程模型,提供多级存储层次描述及向量操作扩展,并且针对SW26010Pro架构特点实现控制流向量化、基于代价的节点合并以及针对多级存储层次的编译优化.测试结果表明,所设计并实现的编译优化效果显著,其中,控制流向量化和节点合并优化的平均加速比分别为1.23和1.11,而访存相关优化最高可获得2.49倍的性能提升.最后,使用SPEC CPU2006标准测试集从多个维度对swLLVM进行了综合评估,相较于SWGCC的相同优化级别,swLLVM整型课题性能平均下降0.12%,浮点型课题性能平均提升9.04%,整体性能平均提升5.25%,编译速度平均提升79.1%,代码尺寸平均减少1.15%.

大点数FFT在“申威26010”上的并行优化

根据“神威·太湖之光”超级计算机所用国产“申威26010”处理器的架构特点和编程规范,提出针对大点数FFT的众核并行优化方案.该方案源自经典的Cooley-Tukey FFT算法,通过将一维大点数数据迭代分解为二维小规模矩阵进行并行加速.为了解决矩阵“列FFT”的读写、转置和计算问题,提出“列均分-行连续”的读写策略,通过对数据进行合理的分配、重排、交换,结合SIMD向量化、旋转因子优化、双缓冲、寄存器通信、跨步传输等优化手段,充分利用了众核处理器的计算资源和传输带宽.实验结果显示,单核组64从核并行程序较主核运行FFTW库,可以达到最高65x、平均48x以上的加速比.

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。

多相流流动对管道腐蚀状况研究

油气开采过程中管道内壁腐蚀受到多相流流型间转变过程的影响。文章以某气田开发为研究背景,基于FLUENT-OLGA采用VOF模型和腐蚀模型模拟多相流流型的转变过程和不同流型对管道腐蚀速率的影响。研究结果表明:持液率的变化对流型转变有本质影响;温度、压力对管道腐蚀影响很大,管道腐蚀程度因流型转变而加剧。段塞流对管道腐蚀破坏影响最大,腐蚀速率约0.21 mm/a;其次为环状流,平均腐蚀速率约0.18 mm/a;此外,管道遭受腐蚀破坏的原因与液相流速和壁面剪切力有密切的关联。

青藏高原双车道公路限速对运行效率的影响

通过对青藏高原双车道公路车辆运行速度、车辆组成、道路线形、海拔氧含量以及现状限速组合方式的调查,考虑将限速导致的控制延误作为衡量高原公路运行效率的指标,应用SPSS统计学分析软件,采用多元线性回归的方法,分别建立了高原地区双车道公路大、小车限制速度—速度均值模型和速度均值—运行速度模型,最终得到了限制速度对运行效率-延误互动关系模型。结果表明:大小车的限速值、道路纵坡坡度、路段长度和道路的设计速度都对道路系统行驶车辆的运行效率产生影响,而不同的是不同的道路等级、道路上小车所占车辆的比例这些因素会对小车的运行效率产生一定的影响,而对大车的影响不大,另外随着海拔的增加,大、小车的运行效率逐渐降低,且大车所产生的延误比小车要高。

收费车道高清视频车牌识别系统在“营改增”中的应用

随着车流量高速增长,为提升高速公路的通行效率和服务水平,遏止逃费/舞弊行为,在收费系统中应用车牌识别技术成为必然。本文针对现有高速公路收费站标清视频车牌识别系统使用中的不足,并根据交通运输部有关"营改增"的相关要求,研究了高清车道监控+车牌识别系统的建设方案及系统特点,围绕现有收费站为标清、老旧高清识别设备升级/改造提出了具体的实施方案,改造后可以有效提升收费站车牌识别率,为公路交通行业"营改增"的顺利开展提供了有效的数据保障。

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。

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。

基于矩阵计算的并行谱聚类方法

针对大规模社交网络的聚类研究由来已久,谱聚类方法的可扩展性也一直是研究难点。近年来,基于代数图论发展出来的谱聚类方法,利用了特征值对应的谱结构,降低了计算复杂度且保证了聚类质量,是新的研究热点。但是在图的规模比较大和聚类个数比较多的情况下,中间运算结果会突破单机内存限制,必须将谱聚类方法并行化。为解决上述问题,提出了基于矩阵计算的并行谱聚类方法。首先利用矩阵计算领域中形成的大量的高效算法以及成熟的软件解决了特征值分解问题,将大规模的图进行降维,有效地支持原型系统的快速开发。其次使用稀疏矩阵的分片压缩存储,并用MPI(message passing interface)模型实现了矩阵-向量乘等基本算子,提高了系统的可扩展性及可靠性。最后通过实验表明提出的并行谱聚类方法可有效地解决聚类问题所面临的并发度高和平台复杂的挑战,进而支持挖掘蕴藏在海量数据资源中的有价值信息。

基于FPGA集群的脉冲神经网络仿真器设计

针对类脑计算系统中NEST脉冲神经网络仿真器运行速度慢和功耗高的问题,设计一种基于现场可编程逻辑门阵列(FPGA)集群的NEST脉冲神经网络仿真器。在改进NEST仿真器结构的基础上,提出漏电流整合放电神经元计算模块的流水线并行架构,实现支持双核双线程和多节点多进程的FPGA集群设计。在皮质层视觉仿真模型上的实验结果表明,与基于Xeon E5-2620和ARM A9平台的NEST仿真器相比,基于FPGA集群的NEST仿真器计算能效和速度分别提升43.93倍、23.54倍和12.36倍、208倍,能为大规模类脑计算系统实现提供技术支持。

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。

PEAK:一种面向弱节点集群的并行可演化管理框架

弱节点集群Ant II是一种面向低功耗数据密集型计算的体系结构,由若干低功耗嵌入式处理器和固态存储紧耦合而成。面向弱节点集群特殊的应用需求和硬件架构,提出了一种具备自愈、热升级的分布式存储和计算框架PEAK。用原生并行编程语言Erlang开发,利用监控树和代码热替换技术等,保证系统的自愈、可演化;采用了去中心化可伸缩容错的Dynamo架构,保证分布式环境下系统的可用性和最终一致性;提出分布式元服务管理框架,提供高效灵活的基础服务部署与管理,可利用若干元服务快速构建PEAK;提供了key-value的存储方式和基于MapReduce的查询功能。测评结果显示PEAK可以很好地平衡计算和I/O能力,满足大规模并行数据访问需求。

基于AutoPIPE的滑坡对输气管线的破坏研究

为探究输气管道在滑坡作用力下的受力特性,本文以福建LNG输气干线漳州段高边坡治理工程项目为背景,利用AutoPIPE软件基于理想弹塑性土体与管的相互作用机制,以分段施加均布荷载等效滑坡下滑推力的方法建立管道模型进行应力、位移分析。相关结果表明:滑坡与非滑坡临界点以及滑坡中间管道截面应力最大易遭受破坏;根据管道所能承受极限滑坡宽度确定添加V-stop(固定支座)的数量不足以对管道起到保护作用;添加V-stop后形成多跨管段,使得管道支撑截面集中应力过大而遭破坏。在实际工程运用中,添加V-stop的数量要多于根据极限滑坡宽度推导的数量。

基于安全多方计算和差分隐私的联邦学习方案

联邦学习为非互信实体间的合作学习提供了一种新的解决思路,通过本地训练和中央聚合的模式,在训练全局模型的同时保护各实体的本地数据隐私。然而相关研究表明,该模式下无论是用户上传的局部模型,还是中央聚合的全局模型,都会泄露用户数据的信息。安全多方计算和差分隐私作为两种主流的隐私保护技术,分别保护计算过程和计算结果的隐私。目前很少有工作结合这两种技术的优势,用于联邦学习训练全流程的防护。将安全多方计算、差分隐私相结合,设计了一种面向深度学习的隐私保护联邦学习方案,用户对本地训练得到的局部模型添加扰动,并秘密共享至多个中央服务器,服务器间通过多方计算协议对局部模型进行聚合,得到一个共享的秘密全局模型。该方案在保护用户上传的局部信息不被窃取的同时,防止敌手从聚合模型等全局共享信息展开恶意推断,并具有容忍用户掉线和兼容多种聚合函数等优点。此外,针对不存在可信中心的现实应用,上述方案可自然拓展至去中心化场景。实验表明,所提方案与相同条件下的明文联邦学习效率相近,且能取得同水平的模型准确率。

基于动态指导的深度学习模型稀疏化执行方法

以深度学习为代表的人工智能技术迅速发展,庞大的数据、模型,更大的计算量和更复杂的计算都对模型的执行提出了挑战.在实际应用中,资源和应用的动态特征以及用户的动态需求,需要模型执行的动态性来保证.而稀疏化是在资源受限、用户需求调整情况下动态模型的执行重要手段.目前主流的稀疏化技术主要是针对特定问题的稀疏化,且针对推理的多,针对训练的少,缺乏在训练执行阶段进行动态调整和稀疏化的手段.本文在对深度学习领域的基本计算单元进行可稀疏性分析的基础上,进一步分析了模型执行的不同层面、不同组成部分的稀疏化能力;经过对动态需求、模型稀疏化策略的建模后,提出了基于动态指导的深度学习模型稀疏化执行方法,并进行了基本实验;最后从量化建模与量化实验的角度对今后的研究工作提出了展望.

图计算中基于一致性约束条件的迭代模型研究

迭代计算是数值计算中有效的逼近方式,能够拟合多种计算模型.在大数据分析领域尤其是图计算中,迭代计算能够抽象描述大部分图算法,对结构化数据挖据和关联分析至关重要.随着数据规模的增长,很多精确算法的时空复杂度已经难以满足现实需求,迭代计算的算法越来越丰富.并行迭代是图计算的主要实现形式,已有的图并行策略大多数是同步模型,少量异步模型,对于一致性约束条件下的迭代研究较少.研究内容重点关注图计算模型中迭代执行技术,分析了同步迭代和异步迭代的适用性,以及不同一致性下的异步迭代方式,针对已有异步迭代方式的不足提出了自适应的弱一致异步执行模型,并进行了验证性实验.实验证明:该模型能有效提高部分图算法的执行效率,尤其是收敛速度和效果.

构建面向世界的自主可控云OS应用生态

随着阿里云飞天、国云G-Cloud、中国电科华云等云OS的问世,国内云计算产业进入到异彩纷呈的加速发展阶段。为应对硬件技术进步和不断发展的应用模式所带来的新挑战,来自清华大学等国内高校、科研院所及阿里等公司的研究人员正着手研制用于云计算的新型网络操作系统,建立云OS的API标准规范,构建面向世界的自主可控云OS应用生态。

机坪管道积水驱除数值模拟

机坪管道底部积水引起的腐蚀产物容易堵塞管道,影响管道正常运行。结合计算流体力学和等效切应力原理,运用CFD技术对机坪管道积水驱除过程的流动特性进行三维数值模拟,分析大管径工况下机坪管道底部积水的驱除状况,得出影响积水流态的主要参数及积水能够被完全驱除的临界条件,揭示机坪管道积水后系统的流动特性。结果表明:管道底部积水形态与油相流速、管路布置、积水量等参数有关;利用管道内部油相将底部积水完全携带出管道,需要增大油相流速、降低倾角、减小积水量。研究大管径管道积水的流动特性对机坪管道积水驱除的实际应用具有重要的指导意义。