一种改进的可分割任务调度算法LBMR

可分割任务调度在科学和工程计算领域中具有重要的地位,其有效调度算法的设计对并行分布式处理的计算效率至关重要。UMR(Uniform Multi-Round)算法通过限定每次传输到工作节点块的大小,使各工作节点始终处于计算状态,不仅实现了计算资源的最大利用,而且可计算出整个任务调度的最优路数。但是:由于该算法设计中并未考虑网络带宽的有限性,因而难以满足实际计算环境的需求。为此,本文在UMR算法中引入网络带宽限制,对该算法在此条件下进行重新设计,提出一种改进的多路可分割任务调度算法LBMR((limited bandwidth multi-roundal-gorithm)。理论分析和基于GridSim的模拟实验结果表明:与UMR、MI、EMI等同类调度算法相比,本算法改进了其调度性能,且具有更好的实用性。

基于激光雷达点云的动态驾驶场景多任务分割网络

在自动驾驶场景理解任务中进行准确的可行驶区域以及动静态物体分割对于后续的局部运动规划和运动控制至关重要。然而当前基于激光雷达点云的通用语义分割方法并不能在车端边缘计算设备上实现实时且鲁棒的预测,且不能预测当前时刻的物体运动状态。为解决该问题本文提出一种可行驶区域及动静态物体多任务分割网络MultiSegNet。该网络利用激光雷达输出的深度图及处理后得到的残差图像作为编码空间特征和运动特征的表征输入到网络用于特征学习,从而避免直接处理无序高密度点云。针对深度图在不同方向视角内目标分布数量差异较大的特点,本文提出了变分辨率分组输入策略。该方法能在降低网络计算量的同时提高网络的分割精度。为适配不同尺度目标所需要的卷积感受野尺寸本文提出了深度值引导的分层空洞卷积模块。同时本文为有效关联并融合不同时域下物体的空间位置和姿态信息提出了时空运动特征增强网络。为验证所提出MultiSegNet的有效性,本文在大规模点云驾驶场景数据集SemanticKITTI及nuScenes上进行验证。结果表明:可行驶区域、静态物体和动态物体的分割IoU分别达到98%、97%和70%,性能优于主流网络,且在边缘计算设备上实现实时推理。

一种基于移动Agent的云端计算任务安全分割与分配算法

为了保障云端计算环境中任务的计算私密性,防止恶意节点或竞争对手窥探任务的内部逻辑及实现目标,提出一种新颖的基于移动Agent的云端计算安全任务分割与分配算法.算法同时考虑集群服务器节点和用户终端节点的计算能力与各自特点,将任务合理地切分为若干子任务,采用移动Agent来携带子任务的代码和数据部署到适当的任务执行节点上执行.结合实验原型系统对该算法进行性能分析,结果表明其可有效地保障执行子任务的终端节点,即使窥探到分配给它的代码和数据,甚至协同攻击系统,也无法了解该任务的整体执行逻辑和总体目标等.

通过任务分割提高嵌入式系统的实时性

分析长任务对嵌入式系统实时性的影响,在此基础上提出任务分割是提高嵌入式系统实时性的一种有效途径;总结长任务分割的方法,给出一个通过任务分割提高嵌入式系统实时性的实例。

基于任务可分割性的多用户依赖性任务调度策略研究

针对当前的用户任务调度忽视多用户场景下资源竞争、任务动态到达以及计算资源可变等问题,提出一种基于任务可分割性的多用户依赖性任务调度策略。首先,将任务分割成子任务并分析任务依赖关系;然后,结合任务的时延和最晚开始的约束,形成动态到达的依赖性任务调度方法,采用基于链表依赖性任务在线调度的方法寻找合适的执行时间槽位,将新用户子任务插入到执行链表队列中,从而增强任务节点调度的灵活性,并且能够提高边缘计算节点的利用率,使其能够服务更多的边缘用户;最后,考虑共享服务器在不同计算资源占用下处理速度的动态变化过程,为了避免任务处理时间的延迟,在任务指派的时候需要考虑服务器均衡负载的问题。实验表明,相比传统任务卸载及调度方法,以任务的依赖关系、时延约束以及整个系统的负载均衡为约束,通过优化服务器节点任务调度优先级,能够在一定程度降低用户将任务卸载时传输和处理任务时延的不确定性。

任务驱动法在“数学教学论”教学中的应用

对“任务驱动”教学法的定义和特点做了介绍,举例说明其在“数学教学论”教学中的应用。实施该方法时,应首先设计出合理的任务,教师的主要任务由讲解转变为组织学生协作学习。

基于深度学习的图像全景分割综述

随着深度学习与图像分割的不断发展,图像全景分割已经成为计算机视觉领域的一个研究热点,许多图像全景分割方法被提出。综述了基于深度学习的图像全景分割研究方法,首先介绍了图像全景分割国内外的研究现状,对已有图像全景分割的方法,根据网络架构优化任务的不同进行分类阐述,主要包括特征提取优化的图像全景分割、子任务分割优化的图像全景分割、子任务融合优化的图像全景分割、其他图像全景分割;其次简单介绍图像全景分割中常用的MS COCO、PASCAL VOC、Cityscapes、ADE20K和Mapillary Vistas五个数据集以及全景质量(PQ)和解析覆盖(PC)两种评价准则;然后对典型图像全景分割方法在不同数据集上进行了性能比较;接着列举了图像全景分割在医学、自动驾驶、无人机、农业、畜牧业、军事等领域的应用;最后指出了现有方法在复杂场景应用、实时性、冲突等方面存在的不足与挑战,并探讨了基于简单统一框架的图像全景分割、实时的高质量图像全景分割、复杂应用场景下图像全景分割等未来研究方向。

基于注意力模型的多传感器人类活动识别

深度循环神经网络适用于处理时间序列数据,然而循环神经网络特征提取能力差,时间依赖关系挖掘不足。针对此问题,提出了3种注意力机制和长短时记忆(LSTM)神经网络结合的模型用于人类活动识别问题,并研究了3种注意力机制在不同数据集上单独及配合使用时对模型精度的影响。对于UCI_HAR数据集,3种注意力LSTM模型准确率分别为94.13%、95.15%和94.81%,高于LSTM模型识别准确率93.2%。此外,针对人类活动识别的传感器时间序列数据的标签特点,提出将时间段分类任务转化为分割任务,设计了2个基于分割任务的注意力门控循环单元(GRU)神经网络模型,Bahdanau注意力GRU模型在Skoda数据集和机会(Oppor)数据集准确率为84.61%和89.54%,高于基准UNet模型的70.40%和88.51%。

超大规模序列比对计算的并行优化

针对生物信息学研究中的超大规模序列比对计算问题进行了研究,解决了现有的e-PCR软件包在处理小麦基因引物扩增比对任务中存在的内存瓶颈、I/O瓶颈和计算时间瓶颈问题,利用数据和任务分割的基本方法,使其最关键的引物与模板的比对计算能够大规模并行,进而采用基于主从通信模式的MPI通信框架进行编程实现,并从任务的缩减、负载平衡、容错和多作业并发等方面进行了优化,最终在百万亿次超级计算机上顺利实现了千核级大规模并行计算,在数十日内即可完成原本预期需要数年的小麦序列扩增比对计算。

基于Matlab多核集群的人脸识别算法的并行化设计

为了充分利用多核处理器资源,研究了多线程构建模块并行编程模式,从而提高程序的性能。在Matlab集群环境下对主成分分析(PCA)人脸识别算法设计了训练识别生成样本的功能模块train(),通过任务分割实现了算法的并行化。实验结果表明,94.167%的稳定识别率和趋近线性的加速比验证了并行算法的正确性和高效性。

基于MapReduce模型带任务分割的平行机调度优化

研究一类基于MapReduce模型的两阶段平行机调度问题。该模型中的每个工件包含Map和Reduce两道工序,前一工序的任务可以划分并同步加工,而后一工序不可划分,结合工件的到达时间、交货时间等约束,以最大完工时间和总延迟时间的加权和作为优化目标构建混合整数规划模型,设计采用差分变异策略和逐维角度扰动机制的改进鲸鱼优化算法求解模型。数值仿真实验结果表明,所设计的算法相对于经典的鲸鱼优化算法、粒子群算法的求解效果有显著的提升,验证了模型和所设计算法的有效性。

多处理器调度算法实现及其Petri网建模与仿真

多处理器调度算法在嵌入式实时系统领域中起着关键的作用。根据多处理器的特点,提出一种实时多处理器动态分割并行调度算法SPara。该算法解决了此前多处理器算法,如Myopic、EDPF等仅依据截止期对任务调度产生的问题,实现了增加任务紧迫度限制的调度策略,以及针对执行时间长、截止期紧迫任务的有效调度方法。同时算法结合高级颜色时间Petri网理论进行建模并仿真。测试结果表明,SPara算法在处理器利用率以及调度成功率方面较Myopic等算法有较大提高。

某军用信息系统访问控制模型的研究与实现

针对某军用信息系统访问控制复杂性需求,基于现有的访问控制模型,在角色管理中引入了区域角色、角色时限控制、角色条件继承、角色级和角色组的概念。任务管理中基于其访问控制策略,从任务分类、任务分割、任务时限控制、任务模板这4个方面进行研究,进而对基于任务—角色的访问控制模型作出了改进。将"任务"和"角色"都提到访问控制策略的中心地位,体现主动访问控制与被动访问控制相结合、静态授权与动态授权并存的访问控制思想,构造了一种适用某军用信息系统的基于任务—角色的访问控制模型,并给出其形式化定义及静态、动态的模型设计。

云计算环境下实训教学平台动态迁移策略

云服务环境下最大特点是按需交付,通过虚拟化技术将相关资源构建统一调度池,并且按照用户需求为用户提供服务,因此,云服务具有并行计算、开放性以及按需交付特性.对于实训教学平台来说,在云计算环境下需要面对各种用户需求,如请求任务各种各样,实验任务类型不尽相同,设备资源存在较大差异,通过虚拟化技术来实现规范化管理何资源共享,对云资源进行调度来才能有效满足用户需求,为此,在本文中提出了云计算环境下实训教学平台动态迁移策略.策略设计了三层协同资源调度机制来实现对资源和任务管理,重点研究了任务分割、资源划分、资源调度策略等,在此基础上对系统进行仿真实验,验证云计算环境下实训教学平台动态迁移策略可行与有效性.

一种网格环境下的密码计算模型

由于密码学和信息安全领域的许多问题最终都被转化为一个耗时的计算,其中许多计算需要利用多台异构的和地理分布的计算机协同,才能有效完成.密码算法的设计、分析和应用对于计算环境敏感,且依赖性较强,不同类型的算法和算法的不同实现模式对计算环境要求差异很大,而且到目前为止还不存在一种通用的分布式密码计算模型.为此,本文根据密码计算本身的需求,首先分别分析了密码算法设计、分析和应用的目标和特征,提出了相应的计算模式,给出了一种网格环境下的通用密码计算模型.进而讨论了密码计算任务分割策略,资源分配和负载平衡问题.最后给出了网格环境Globus Toolkit下的模型构架、实现与实验结果.

实时控制系统的敏感性判据及其在大型集装箱检测系统中的应用

提出了对敏感性进行衡量和判断的通用判据 ,在此基础上得到的在设计控制流程时进行任务分割的一些原则。

一种分布式志愿者模型设计方案

文章针对志愿者计算方式,使用网格的思想,设计出一种志愿者计算模型。该模型利用网格良好的异构和跨平台特点,通过作者自行设计的任务分发算法将大型的计算任务分片发往各台志愿者计算机中,利用志愿者计算机空闲时间进行后台计算,再将计算结果进行收集比对,以获得正确的计算结果。

移动边缘计算中基于Stackelberg博弈的卸载和定价算法

移动边缘计算(Mobile Edge Computing,MEC)能够将计算密集型任务传输到MEC服务器上执行,相比移动云计算,延迟更低。然而MEC服务器的计算资源有限,需要设计合理的移动边缘计算卸载和定价策略。为此,针对计算资源有限的MEC服务器与多用户设备的场景进行了研究,其中每个用户设备都有一个可分割的任务并且可以选择卸载到MEC服务器上执行的卸载量,同时考虑到了任务的本地执行部分和卸载执行部分不能同时开始执行的情形。首先,根据用户设备卸载量和服务器定价的关系建立Stackelberg博弈;然后证明博弈存在纳什均衡,并采用差分进化算法寻找服务器定价的最佳策略;最后迭代求出用户设备的最优卸载量和MEC服务器的最优定价。仿真实验结果表明,所提出的算法可以提高服务器的利润和用户的效用,从而实现双赢。

基于Web挖掘的化学物质信息提取应用研究

针对多信息源网站中化学物质信息的获取与数据库的更新查询问题,运用网络爬虫技术和包装器方法实现数据的抽取;采用自定义XML文件的方式,提出了任务分割、动态更新检查、失败重试机制方法,实现了动态信息源网站中化学物质信息的持续、实时抽取,并进行异常处理和监控。将抽取的数据运用正则表达式和排序算法进行预处理并构建全面而准确的化学品环境安全数据库,最终实现了对原有数据的更新查询,在一定程度上保证了可靠性、可用性、可扩展性、可维护性。

并行群体仿真研究进展

通过对比分析基于多核CPU、GPU和分布式系统等三种并行群体仿真体系结构,提出了混合结构的并行群体仿真框架;对并行环境下的按空间区域分割和按agent分割等多种任务分割关键算法进行了归纳总结;对并行群体仿真的性能评估方法进行了分析。最终给出了群体仿真中并行加速算法的研究方向。