基于时序特征建模的往返时延预测方法

为提升往返时延预测的准确性与实时性,在深入挖掘和分析影响其准确度各种因素的基础上,针对往返时延变化的短期随机性与长期平稳性,提出一种基于时序特征建模的往返时延预测方法GCA-RTT。通过构建门控卷积与自注意力机制相融合的时延历史数据局部特征与长期依赖关系学习模型,实现更为精确、高效的往返时延预测。实验结果表明,GCA-RTT可以有效捕捉基于时间序列的往返时延变化特征,与其它神经网络预测方法比较,预测准确性明显提高且预测时间缩短。

基于传播引擎的指针引用错误检测

指针在C程序中应用广泛,指针引用错误多发且危害严重.目前代表性的检测工具由于使用方便性和检测精度不足以及难以处理大规模程序等原因,并不能满足实用需求.文中提出一种新型的错误检测方法,该方法基于域敏感、流敏感和上下文敏感的传播引擎,通过定义错误属性格、在源程序中对错误属性格值进行计算和传播来完成错误检测.在开放源码编译器Open64中实现了其原型系统Propagator.以空指针引用错误检测为实例研究内容,使用Apache、OpenSSH、gzip等应用领域广泛的典型应用为实验用例.与Saturn、Splint和Clang-SA进行对比,Propagator的平均检测时间仅为12s,误报率平均仅为13%,远低于对比工具,且没有发现漏报已知错误.上述结果表明,Propagator既提高了检测精度又保证了可扩展性,具有很好的实用前景.

一种场景敏感的高效错误检测方法

定值-引用类错误是一类非常重要且常见的错误.当前,对这类错误的检测很难同时达到高精度和高可扩展性.通过合理组合敏感和不敏感的检测方法并控制两类方法的实施范围,可以同时达到高检测精度和高可扩展性.提出一种新颖的场景敏感的检测方法,该方法根据触发状态对潜在错误语句分类,识别不同类别语句的触发场景并实施不同开销的检测,在不降低精度的同时最小化检测开销.设计了一个多项式时间复杂度的流敏感、域敏感和上下文敏感的场景分析以进行分类,并基于程序依赖信息识别触发场景,仅对必要的触发场景实施路径敏感的检测.为上述方法实现了一种原型系统——Minerva.通过使用空指针引用错误检测为实例研究以及总代码规模超过290万行,最大单个应用超过200万行的应用验证,用例实验结果表明,Minerva的平均检测时间比当前先进水平的路径敏感检测工具Clang-sa和Saturn分别快3倍和46倍.而Minerva的误报率仅为24%,是Clang-sa和Saturn误报率的1/3左右,并且Minerva未发现漏报已知错误.上述数据表明,所提出的场景敏感的错误检测方法可同时获得高可扩展性和高检测精度.

编译原理GCC实例化教学研究

对现有编译教学存在的问题进行分析,提出新的编译课程教学方案,引入真实的业界编译器实例GCC,以引导式、实例化的模式开展教学,最后,给出新教学模式的参考评价方法。

区块链赋能的算力网络协同资源调度方法

随着AI内容生成、多媒体处理、VR视频等对于计算资源有着极大需求的互联网服务的快速发展,在可以遇见的将来,计算资源将成为网络中的稀缺资源.算力网络通过将算力作为网络基本单元之一来实现算力的网络化,为这些计算敏感的应用提供了行之有效的解决方案.得益于来自云—边—端等节点的计算资源,算力网络能够为大规模用户提供弹性泛在的计算调度.尽管算力网络具有广泛的应用前景,如何实现在这些地理分布的计算节点之间高效调度,计算资源对于算力网络的性能至关重要.提出了一种区块链赋能的资源调度(blockchain empowered resource allocation,BCERA)算法.不同于现有的资源调度方法,BCERA依赖于一个区块链结构来实现分布式、高效的计算资源调度.特别地,有别于现有的区块链结构,BCERA中的区块链节点通过求解任务调度优化问题来实现区块链的共识,从而在避免共识所带来的额外开销和时延的同时,还能提升系统的可扩展性和鲁棒性.计算资源调度问题被建模为一个马尔可夫决策过程(Markov decision process,MDP)并通过强化学习方法来求解.除此之外,还设计了一个激励机制以鼓励计算节点贡献资源支持算力网络的运转.实验结果表明,所提出的方法能够有效提高资源调度性能.

POA的CORBA应用研究与Java实现

CORBA是当前主流的分布式组件技术。ORB是CORBA规范的核心 ,而OA作为ORB的重要组成部分 ,在接收客户请求及定位对象乃至请求处理等许多方面都起着关键性的作用。POA是一种“便携式”的OA ,它提供了在不同的ORB产品间的良好移植性。就POA的实现机理进行研究 。

营造兴趣启蒙式学习氛围的编译原理首课设计

结合教学和科研经验,提出从营造第一次课的兴趣启蒙式氛围做起,引领学生开启兴趣研究型编译原理课程的学习旅程,给出一个与兴趣研究型学习氛围相呼应的首课设计方案,并详细介绍实施过程。

基于数据流Java的优化轻量级Web服务器实现

多核处理器环境日益普及,针对此体系结构的应用程序的并行性研究已成为焦点。轻量级Web服务器应用广泛,但传统实现不能充分利用多核优势且编程方法相对复杂。提出一种基于数据流结合虚拟机优化及Java扩展库的解决方案,给出了一种新的Web服务器实现方法。实验结果表明该方法有效提高了Web服务器的处理性能。

一种异构无线网络流媒体QoS评测系统的设计实现

异构无线网络接入技术的发展为移动流媒体技术应用带来了全新的机遇与挑战。流控制传输协议SCTP(Stream Control Transmission Protocol)的提出能够很好地实现异构无线网络间的透明无缝切换。为了研究未来泛在异构无线网络环境中的视频传输,设计了一种SCTP多宿环境下的流媒体QoS评测系统。实验结果表明,该方案能在异构无线网络环境下对不同网络拥塞和负载下的视频传输行为和服务质量进行有效的分析。

多核机群下MPI程序优化技术的研究

多核处理器的新特性使多核机群的存储层次更加复杂,同时也给MPI程序带来了新的优化空间。国内外学者提出了许多多核机群下MPI程序的优化方法和技术。测试了3个不同多核机群的通信性能,并分别在Intel与AMD多核机群下实验评估了几种具有普遍意义的优化技术:混合MPI/OpenMP、优化MPI运行时参数以及优化MPI进程摆放,同时对实验结果和优化性能进行了分析。

一种基于最小调试边界的断点自动生成技术

时至今日,调试仍然占据软件开发过程中近70%的时间;以断点的设置和检查为基础的传统交互式调试依旧是实际工作中最常用的错误定位手段.日常调试过程中,断点的选择和调试的效率主要依赖于调试人员自身的经验以及对所调试程序的理解程度.提出一种基于最小调试边界的断点自动生成方法.最小调试边界描述了一个由程序执行轨迹上一组轨迹点构成的结合.该集合具有对错误传播的阻隔性,以及所对应的程序状态规模最小化的特征.受益于最小调试边界(minimum debugging frontier set,简称MDFS)的错误阻隔性,一旦查明其上的程序状态是否符合设计预期,即可确定错误触发位置与该MDFS在程序执行轨迹上的先后顺序,将错误触发的范围限定在MDFS的一侧.而状态规模的最小化也减轻了用户检查断点处语句实例的开销.为评价断点质量,还制定了一组断点评价标准,用于考量断点与程序失效之间的关联性、断点本身的易判性以及对调试收敛的帮助.实验结果表明,采用该方法生成的断点具有检查开销低、加速调试收敛等优势;采用所提供的断点的调试流程,与基于经典错误定位方法的流程相比,能以更低的人工开销定位更多的错误.

NuSOAP与分布式资源管理平台Web服务的设计

文中讨论了NuSOAP的基本结构与框架,结合NuSOAP介绍了基于城域网分布式资源管理平台Web服务设计中的主要技术。

基于排队时延主动探测的多路传输拥塞控制

为解决传统基于时延的MPTCP拥塞控制算法被动地等待重传超时或重复确认来确认链路拥塞,不能及时避免拥塞的问题,提出以满足多路径流公平性为基础,实施链路RTT主动探测,设计并实现一种基于排队时延主动探测的拥塞区分链路质量优化协议PPQD,以排队时延预测结果及其均值比较为依据实施拥塞窗口动态调整。实验结果表明,该方法可大幅减少窗口抖动,在吞吐量较LIA提升超20%的同时进一步保障了用户体验质量。

基于BPNN端到端时延预测的多路传输调度

针对移动异构网络环境网络参数动态变化、多路传输过程中数据包乱序引发的吞吐量下降等问题,提出一种基于BP神经网络(back propagation neural network,BPNN)端到端时延预测的多路传输调度方法,通过BP神经网络的构建、训练和学习,实现对端到端传输时延的更准确预测,以此为基础,对子流拥塞状况及网络状态进行综合评估后实施数据调度。仿真结果表明,该方法可有效减少数据包乱序的发生,实现负载均衡,提高网络吞吐量。

算力网络中面向计算重用的任务调度优化

为应对未来算力需求爆炸性增长所带来的挑战,将计算重用技术引入算力网络中,通过重用计算任务结果,来缩短服务时延并减少计算资源消耗。在此基础上,提出基于服务联盟的上下文感知在线学习算法。首先,设计重用指数来减少额外查找时延;然后,基于服务联盟机制进行在线学习,根据上下文信息及历史经验做出计算任务调度决策。仿真实验结果表明,所提算法在服务时延、计算资源消耗等方面均优于基准算法。

基于LLVM中间表示的数据依赖并行计算方法

底层虚拟机(LLVM)是一个广泛使用的编译框架,其中间表示(IR)中包含有丰富的程序分析信息,众多以LLVM为平台的相关工作均以IR为基础开展。数据依赖关系在错误检测、定位及程序调试等领域有着重要应用,基于IR的数据依赖关系计算多采用串行迭代方式,但在应对较大规模IR文件时可扩展性不够理想。对此进行了数据依赖关系计算中指令读写的可并行性挖掘,结合图形处理器并行计算优势,提出一种基于LLVM IR的数据依赖关系并行计算方法DRPC。以IR为输入,采用CPU-GPU双端协同方式实现程序数据依赖关系的高效计算。实验结果表明,针对基准程序集SPEC,DRPC分别在直接及传递数据依赖关系计算上最高获得了3.48x和4.91x的加速比。

基于灰色马尔科夫预测的移动多路传输调度算法

多路径传输控制协议通过聚合多路径带宽提高资源利用率及网络吞吐量。在无线异构网络环境中,由于网络性能不稳定、传输路径性能差异等因素容易导致数据包乱序及缓冲区阻塞,对网络多路传输性能造成负面影响。为在有限的接收缓冲区内对数据包实施合理调度,基于灰色预测模型GM(1,N)与马尔科夫优化的前向传输时间(FTT)预测模型,提出一种自适应多路传输数据调度算法GMM-S。通过对未来时刻子流FTT的准确预测实现子流传输性能的有效评估,并以此作为数据分发依据进行传输数据的多子流动态调整。仿真实验结果表明,与RR和LowRTT算法相比,该算法可有效解决接收端数据包乱序问题,同时提升网络吞吐量。

LLVM中静态程序信息的过程间分析方法

为有效解决静态程序分析中函数指针指向信息获取不够准确和库函数调用信息处理不够完善的问题,提出一种在LLVM平台下静态程序信息的过程间分析方法。利用过程内分析算法迭代获取过程内分析路径;利用过程间分析算法分析直接函数调用和函数指针,通过函数类型识别库函数调用,分析到函数指针时,进一步分析函数指针指向的真实信息,结合过程内分析形成最终的函数调用路径。用该方法解决上述问题,将实验结果与现有工具对比,验证了该方法能够更准确地获取函数指针指向信息并更好地处理库函数调用信息。

基于GPU的LLVM程序分析信息并行提取

LLVM中间表示(IR)中包含大量的程序分析原始信息,传统基于CPU的程序分析信息提取方法大多采用串行的循环迭代方式处理较大规模程序,可扩展性较差。为此,结合图像处理器(GPU)的通用计算优势,提出一种基于统一计算设备架构的LLVM平台程序分析信息并行提取方法,在CPU上实现程序特征分析及IR预处理、存储结构设计及提取信息的可视化,在GPU上完成并行线程调度的程序分析信息匹配及提取工作。实验结果表明,该方法可提高LLVM平台程序分析信息的提取效率,与串行提取方法相比,最高可获得4倍的加速比。

一种基于GPU的危险路径并行提取方法

在定值引用错误中,错误源到达错误目标的路径往往很长且路径数众多,路径敏感检测分析的规模往往较大,特别是对大规模程序而言.为充分减小待分析问题规模并合理控制时间开销,我们提出一种基于GPU的融合危险路径并行提取策略的路径敏感分析输入规模有效控制方法.实验结果表明,与串行方法相比,基于GPU的并行策略获得了最高22.27x的加速比,可进一步提高路径敏感检测方法的可扩展性.