面向算力互联的快速光交换技术研究(特邀)

随着大模型等人工智能(AI)技术的发展,以及“东数西算”等国家重大工程的深入推进,智算中心(AIDC)和算力网络(CPNs)的内部网络互联成为光网络发展的重要目标。相较于传统面向数据的信息互联,AIDC和CPNs对传输的时延、吞吐量和确定性具有更高的需求。一方面,AIDC内部需要实现高密度和低时延的数据处理和计算资源调度,以满足大规模实时训练和推理;另一方面,AIDC之间互联要求高带宽、低时延和高可靠性的数据传输及资源共享,以支持跨中心的数据协同和灾备恢复。因此,算力互联(CPI)网络需要光交换技术来支撑AIDC内部传送网络的高效数据传送和AIDC之间的带宽快速调度。构建面向CPI的光交换技术将服务于CPI需求,为算力服务提供高效、确定和安全的数据交互管道。文章从网络架构、数据交换和应用场景等方面对光交换技术进行了分析。

基于区块链的跨数据中心匿名可监管身份认证方案

随着大数据和云计算技术的发展,金融机构之间跨机构数据共享交互日益增多。由于隐私泄露事件的频繁发生,数据安全保护面临着严峻的挑战,也对跨数据中心的身份认证等数据安全管理技术提出了更高的要求。传统的中心化身份认证方案在安全性和可扩展性方面存在缺陷,难以满足高频跨中心数据共享的应用需求。区块链具有分布式、难以篡改、可追溯、多方共识等优异特性,为跨数据中心身份认证提供了崭新的思路。在实际应用场景中,不仅要对用户的身份隐私进行保护,还需要对用户的匿名身份进行有效的监管。提出了一种基于区块链的匿名可监管的跨数据中心身份认证方案,不改变各数据中心原有架构,以各数据中心的管理节点为中心建立分布式多中心的联盟链;利用区块链技术,保障身份认证过程的透明性和可信性;采用属性签名保护用户身份隐私,并建立身份映射表追踪用户真实身份,实现用户身份隐私保护和监管兼顾的跨数据中心身份认证。安全性分析和仿真实验结果表明,该方案无须用户再次注册,具有不可伪造性和可追踪等特性,能够抵御重放攻击、拒绝服务攻击、篡改攻击、中间人攻击等网络攻击。

异地高速互联环境下的海气耦合模式应用

随着超级计算机的发展,大规模数值计算、大数据分析对算力基础设施的能力和数量的要求日益增长,受成本与功耗等因素的制约,单个超算中心不能无限制扩大规模,异地超算互联互通为解决这个问题提供了一种新的思路。文中基于济南至青岛10 Gbps DWDM光纤网络,搭建了济青跨地域500 km高速互联的计算集群,实现了两地计算资源的统一调度,利用海气耦合模式COAWST中的海洋分量模式ROMS和大气分量模式WRF进行了多组同地和异地不同资源规模和配置的对比实验。实验结果表明,耦合模式在异地高速互联环境下协同计算是可行的,WRF模式和ROMS模式在济南同地和济青异地运行同一算例的模拟结果相同,WRF模式在济南集群运行、ROMS模式在青岛集群运行时,运行时间比二者都在济南集群运行时增加5%,单分量模式拆分在济南集群和青岛集群协同计算时通信耗时较长,异地高速互联环境更适合有分量模块的耦合模式。

基于RSMA的无线光通信中预编码与功率分配研究

【目的】针对无线光通信(OWC)系统中应用速率分拆接入(RSMA)技术的资源分配问题,提出一种基于线性逼近的联合预编码矩阵和速率分配算法,以提高系统的可靠性和性能。【方法】采用变量转换和线性逼近的方法将非凸分阶函数转化为凸函数。通过联合预编码矩阵和速率分配算法,有效地分配系统资源,提高系统性能。为了求解最优解,采用连续迭代算法进行优化。【结果】仿真结果表明,文章所提出的联合优化方案显著降低了系统中断概率,并具有快速的收敛速率。这意味着所提方案能够在基于RSMA的OWC(RSMA⁃OWC)系统中提供更可靠和高效的通信性能。【结论】文章所提方案为OWC系统中的RSMA技术提供了有效的资源分配方法,提高了系统的可靠性和性能。进一步的研究应聚焦于RSMA⁃OWC系统的中断概率问题以及资源分配、预编码设计和应用扩展等方面的挑战。该研究为推动RSMA技术在OWC领域的应用和发展提供了有价值的参考。

形如8k+1、8k-1、8k+3和8k-3(k∈Z)的素数都有无穷多个

尝试利用反证法和分类讨论法等,分别给出了“形如8k+1(k∈Z)的素数有无穷多个”、“形如8k-1(k∈Z)的素数有无穷多个”、“形如8k+3(k∈Z)的素数有无穷多个”和“形如8k-3(k∈Z)的素数有无穷多个”的严格证明。所用知识都是初等数论中的基础知识,仅限于素数、整除、同余和Legendre符号的一些基本性质。为了证明主要结论,还首先推导出了两个很有用的引理。

基于CNN-BiGRU的复杂连续人体活动Wi-Fi感知方法

基于Wi-Fi信道状态信息(CSI,channel state information)的人体活动感知在虚拟现实、智能游戏、元宇宙等未来智能交互场景具有重要的应用前景,复杂连续人体活动的精准感知是Wi-Fi感知的重要挑战。卷积神经网络(CNN,convolutional neural network)具备空间特征提取能力,但对数据的时序特征建模能力差。而适用于时间序列数据建模的长短期记忆(LSTM,long short-term memory)网络或门控循环单元(GRU,gated recurrent unit)网络忽视了对数据空间特征的学习。针对此问题,提出了一种融合双向门控循环单元(BiGRU,bidirectional gated recurrent unit)网络的改进型CNN。所提网络利用BiGRU的双向特征提取能力捕捉时序数据前后信息的关联和依赖性,实现时序CSI数据的时空特征提取,进而呈现动作与CSI数据的映射关系,从而提高对复杂连续动作的识别精度。以篮球动作为场景对所提网络结构进行了实验,结果表明,该方法在多种条件下识别准确率均高于95%,与传统多层感知机(MLP,multi-layer perceptron)、CNN、LSTM、GRU、具有注意力机制的双向长短期记忆(ABLSTM,attention based bidirectional long short-term memory)网络等基线方法相比,识别准确率提升了1%~20%。

形如4k-1、4k+1、6k-1和6k+1(k∈Z^(+))的素数都有无穷多个

基于严格的逻辑推理,证明了“形如4k-1(k∈Z^(+))的素数有无穷多个”和“形如6k-1(k∈Z^(+))的素数有无穷多个”。基于平方剩余和Euler判定法则,证明了“形如4k+1(k∈Z^(+))的素数有无穷多个”。基于阶和Euler定理,证明了“形如6k+1(k∈Z^(+))的素数有无穷多个”。