信息高铁的低熵高通量性质验证

针对“人机物”三元融合的万物智能互联时代需求,中国科学院计算技术研究所的学者提出了“信息高铁”高通量低熵算力网的设计构想,在基础设施层提供低熵有序的支持,从而显著提升性能与品质.但信息高铁构想尚缺乏实验数据支撑.本文量化定义了通量、良率、CPU熵,分别用于刻画系统的性能、品质、无序程度;构建了信息高铁原型系统;并与基于Kubernetes容器编排的云计算系统进行对比.通过北京-南京的广域实验,验证了信息高铁原型系统可数量级提升良率和通量,其正则化后的CPU熵降至K8s系统的50%以下.本文通过提供实验数据分析结果,初步验证了信息高铁的低熵高通量潜力.

一种基于综合匹配度的边缘计算系统任务调度方法

边缘计算模式满足数据的实时和低功耗处理需求,是缓解当前网络数据洪流实时处理问题的有效方法之一.但边缘设备资源的异构与多样性给任务的调度与迁移带来极大的困难与挑战.目前,边缘计算任务调度研究主要集中在调度算法的设计与仿真,这些算法和模型通常忽略了边缘设备的异构性和边缘任务的多样性,不能使多样化的边缘任务与异构的资源能力深度匹配.本文针对边缘计算系统资源异构且受限的特性,研究边缘任务与目标设备资源深度匹配的有效方法,提出基于任务资源匹配、负载均衡和任务公平性的综合匹配度评估方法(integrative matching evaluation degree method,IMDE),并设计基于网络流的在线多任务调度算法(IMDE and network flow based online multi-task scheduling algorithm,IMD-FLOW)来验证该方法的有效性.同时,研究边缘计算的仿真系统,将实际环境中用户、任务和设备等若干实体抽象成多个角色和组件,构建符合边缘环境异构特征的EdgeSimPy离散事件仿真平台.在该平台上的实验结果表明,提出的IMD-FLOW调度算法相较于轮询、主资源公平(dominant resource fairness,DRF)、Quincy等其他算法,至少降低6.26%的任务响应延迟与7.53%的网络通信开销,在集群超负荷的情况下,系统失效时间平均延缓1.24倍.

基于卷积神经网络的车辆位姿估计算法

针对基于双目视觉和激光雷达对车辆进行位姿估计时计算量大、成本高等问题,提出一种单目视觉位姿估计算法,设计多任务卷积神经网络作为车辆位置和姿态估计的网络。将目标车辆视为刚体,分别对其尺寸、姿态角、3D中心点建模,以KITTI数据集中相关数据对模型进行训练,并分析训练后的网络,估计模型的计算速度和精度。结果表明,该位姿估计网络实时性良好,帧速率达50帧/s,平均姿态角相似度达86.14%。

基于深度可分离卷积的车辆目标检测网络

采用单目视觉方案和深度学习方法,结合YOLOv3检测算法和以深度可分离卷积为基础模块的轻量级网络,提出了一种改进的、实时性更好的车辆行驶场景下目标检测网络。基于在BDD100k数据集上的训练结果,分别在测试集和实际道路上对提出的车辆目标检测网络进行了测试。测试结果显示,与原生网络相比,在保证检测精度的前提下,改进的车辆目标检测网络将检测时间减少了50%,实时性更好。