计算机研究与发展杂志

计算机研究与发展杂志2024年第1期

• 大规模复杂终端网络的云原生强化设计

  李振华,王泓懿,李洋,林灏,杨昕磊,

  作为互联网数据传输的“最后一公里”，终端网络看似简单却构成99%的性能瓶颈.经典设计面向典型设备常规环境，难以兼顾多样化场景，导致严重性能落差.通过云端汇聚并深度诊断大规模终端网络异常，在可用、可靠、可信3个关键维度揭示经典设计多处重要缺陷，采用跨层跨代的协同强化方法针对性修复（如时变非齐次4G/5G双连接管理方法最小化断网概率），实现无场景预设的自调控机制设计.应用于公安部高速网络、1700万“测网速”app用户、七千万小米手机、一亿百度手机卫士用户以及九亿WiFi设备.近年来进一步开展基于云端模拟器的前瞻网络设计，无需真实用户设备参与即可发现并修复潜在缺陷，让终端网络设计“生于云、长于云”.研究成果应用于华为DevEcoStudio集成开发环境、腾讯应用市场、谷歌安卓模拟器及字节跳动多款流行应用（如抖音和今日头条）.

• 图计算体系结构和系统软件关键技术综述

  张宇,姜新宇,余辉,赵进,齐豪,廖小飞,金海,王彪,余婷,

  图计算作为分析事物之间关联关系的重要工具，近年来已成为各国政府及公司争夺的关键技术.学术界和工业界在图计算体系结构和系统软件关键技术方面取得了一定进展.然而，现实场景图计算大多具有动态变化、应用需求复杂多样等特征.这给图计算在基础理论、体系架构和系统软件关键技术方面提出了新的需求，同时也带来了新的挑战.为应对这些挑战，科研人员提出了一系列图计算系统或图计算加速器，通过高性能计算、并行计算等技术来优化图计算过程.综述国内外图计算体系结构和系统软件关键技术的研究发展现状，对国内外研究的最新进展进行归纳、比较和分析，并结合国家发展战略和重大应用需求，选取与我国国计民生密切相关的领域，从典型应用分析总结图计算相关技术的行业进展.最后，就未来的技术挑战和研究方向进行展望.

• 面向多应用混部的性能保障方法综述

  郭静,胡存琛,包云岗,

  数据中心的高投入和低资源利用率一直是云服务提供商关注的问题.面对这个难题，直接的解决方案是在同等资源上混合部署更多的应用以提高资源使用效率.然而，由于混部应用对共享资源的竞争导致了应用间的性能干扰，从而影响了应用的性能、服务质量（qualityofservice，QoS）和用户满意度，因此如何保障应用的性能已成为混部场景下的关键问题.着重从应用和集群特征分析（基础）、干扰检测（前提）、单节点资源分配（微观层面策略）和集群作业调度（宏观层面策略）4个方面阐述多应用混部性能保障的相关背景、挑战和关键技术.在不同的混部场景下，由于应用和集群特征等不同，性能保障工作所面临的挑战和问题复杂度也各异，例如单位资源上混合部署的应用数量会直接影响到搜索资源空间的时间开销，应用的运行方式会影响到共享资源的竞争强度.因此，从问题复杂度角度出发，从应用和集群特征、资源干扰维度和混部应用个数3个维度对相关研究工作面临的挑战进行讨论和分析.探讨了面向高密度混部场景应用性能保障方法的发展方向和挑战，认为全栈式的软硬件协同方法是保障高密度混部下应用性能的趋势，该方法有助于全面地提升应用性能的可靠性和数据中心的资源利用率.

• 面向申威众核处理器的规则处理优化技术

  张振东,王彤,刘鹏,

  高性能口令恢复系统是申威众核处理器的重要应用场景之一，规则处理是主流口令恢复工具中被广泛应用的一种口令生成方式.现有相关研究工作缺少对规则处理算法的优化，导致申威处理器上基于规则的口令生成速度成为口令恢复系统的性能瓶颈.通过分析规则处理算法的多层次可并行性，提出了面向申威众核处理器的线程级、数据级优化方案.在线程级优化方案中，探索了规则处理算法的最优任务映射方式，设计了主从核任务分配机制、从核缓冲区配比优化机制、负载均衡机制、变长规则存储机制等技术以提高并行效率；在数据级优化方案中，分析了规则处理算法中规则函数的计算模式，并通过申威SIMD指令集对规则函数进行向量优化以提高执行效率.在SW26010处理器上的实验结果表明，上述优化方案有效解除了规则处理的性能瓶颈，使规则模式下的口令恢复速度提升了30~101倍.

• 神威超级计算机运行时故障定位方法

  高剑刚,郑岩,于康,彭达佳,李宏亮,刘勇,何王全,陈德训,王飞,

  随着高性能计算机的性能不断提升、系统规模不断提高，系统和应用的错误率也不可避免地持续增多.快速发现和定位系统及应用级的错误、为用户提供高质量服务，成为了超级计算机系统设计开发过程中急需考虑的问题.超级计算机系统中硬件故障与异常、软件程序的错误等都会导致用户大规模并行应用的错误、挂死与退出.如何快速准确定位错误现场，让管理员或用户以此为基础查看异常发生的故障进行高精度、高效率的诊断，是维护高性能计算系统可靠性的重要基础.高性能计算机传统的故障定位主要通过硬件异常跟踪、系统日志分析和程序主动探测等方法，缺乏对无日志信息、无明显故障现象的程序挂死问题的定位手段，并且技术的扩展性也面临挑战.针对“新一代神威超级计算机”体系结构和SW26010-Pro众核处理器特点，提出一种运行时故障定位方法，包括基于消息传递的故障关联分析、基于全局聚合信息的在线综合分析诊断、面向申威众核处理器的异常线程过滤方法等关键技术，阐述了如何有效检测、收集、处理大量系统资源和并行进程的异常信息问题，为应对未来超大规模高性能计算中故障高效定位难题提供有效支撑.

• 基于RPU的TTI程序设计和分析方法

  高银康,陈香兰,龚小航,蒋滨泽,李曦,周学海,

  实时嵌入式系统不仅要保证计算结果的逻辑正确性，还要确保与外界交互的时序正确性，所以底层程序要能精确表达上层模型中的时间行为.TTI指令集（time-triggeredinstructionset）的提出尝试解决计算机指令集体系结构层次缺少时间语义的问题，并且基于TTI指令集实现的实时处理单元（real-timeprocessingunit，RPU）证明了TTI指令集的可行性和有效性.但是目前的工作缺少对于TTI程序设计和分析方法的研究.所以，基于TTI指令集和RPU，提出了TTI指令集可以表达的4种时间语义，给出了TTI程序的设计范式.并且构建了TTI程序时间行为的表示方法——TFG+，TFG+是对TFG的扩展，TFG+区分了TTI程序中时间语义指令和普通代码段，可以表示TTI程序的控制流信息、用户规定的时间行为和TTI程序平台相关的时间属性.最后，提出了TTI程序的时间分析方法以及时间安全性检查方法，为TTI程序的设计和部署提供了依据.

• 通用域适应综述

  何秋妍,邓明华,

  域适应问题放宽了传统机器学习问题关于训练样本和测试样本同分布的假设，在域间差异存在的情况下从富有标签的源域迁移知识到缺少标签的目标域.但现有域适应方法大多依赖于对源域和目标域标签集合的相对关系的假设，不贴合实际应用场景，因此，通用域适应问题考虑如何在缺少源域和目标域的标签集合先验信息的情况下，实现对目标域的标记.在此过程中，通用域适应方法需要判定目标域样本是否属于源域类别，克服域间差异和潜在的类别差异，在源域和目标域共有类上完成标签的迁移.首先从问题设置与方法策略2方面，对通用域适应方法进行梳理；然后通过实验对比了典型方法，进而分析了通用域适应问题的研究难点；随后整理了现有方法的应用情况，对与之有关的实际应用问题进行了分析；最后探讨了通用域适应问题未来研究方向.

• 基于深度强化学习的掼蛋扑克博弈求解

  葛振兴,向帅,田品卓,高阳,

  在不确定信息的复杂环境下进行决策是现实中人们经常面对的困难之一，因此具有能够进行良好决策的能力被视为人工智能的重要能力之一.而游戏类型的博弈作为对现实世界的一种高度抽象，具有良定义、易检验算法优劣等特点，成为研究的主流.其中以掼蛋为代表的扑克类博弈不仅具有他人手牌未知这样的难点，还由于可选出牌动作与他人手牌情况数量庞大等特点，难以进行高效求解.因此，提出了一种软深度蒙特卡洛（softdeepMonteCarlo，SDMC）求解方法.该方法能够更好地融合领域知识，加快策略学习速度，并采用软动作采样策略调整实时决策，提升策略胜率.所提出的SDMC方法训练出的策略模型参加第2届“中国人工智能博弈算法大赛”时获得冠军.与第1届比赛冠军策略和第2届其他策略模型的实验对比证明了该方法在解决掼蛋扑克博弈中的有效性.

• 多项正则化约束的伪标签传播优化脑电信号聚类

  代成龙,李光辉,李栋,申佳华,皮德常,

  作为一种非侵入式分析载体,脑电信号目前被广泛应用于脑-机接口、医疗辅助诊断及康复领域,但这些应用通常依赖需要完整标签的有监督分析技术,如分类.随着无标签脑电信号的与日俱增,现有的有监督方法不能有效解决无标签脑电信号分析问题,也在一定程度上限制了无标签脑电信号这类新型数据的应用拓展.为了解决无标签脑电信号的无监督分析问题,提出了一种基于多项正则化约束的伪标签传播优化聚类模型.该模型通过同时优化学习伪标签传播矩阵、脑电信号相似度邻接矩阵、标签分类器的方式实现聚类.将提出的脑电信号聚类模型转化为一个多目标优化问题,并提出了一种基于梯度下降策略的聚类算法EEGapc(electroencephalogramclusteringwithpseudolabelpropagation).该算法不仅充分考虑了脑电信号之间的相关性及脑电信号间的信息传递,还能快速收敛到局部最优.在14个真实脑电信号数据集上的实验结果表明,提出的EEGapc脑电信号聚类算法比现有的8种聚类算法性能更好,且在平均NMI(normalizedmutualinformation),ARI(adjustedrandindex),F-score,kappa这4个指标上,EEGapc与现有的8种聚类算法相比,分别至少提升了86.88%,58.01%,6.29%,61.17%.

• 基于自适应深度集成网络的概念漂移收敛方法

  郭虎升,孙妮,王嘉豪,王文剑,

  概念漂移是流数据挖掘领域中的一个重要且具有挑战性的难题.然而，目前的方法大多仅能够处理线性或简单的非线性映射，深度神经网络虽然有较强的非线性拟合能力，但在流数据挖掘任务中，每次只能在新得到的1个或一批样本上进行训练，学习模型难以实时调整以适应动态变化的数据流.为解决上述问题，将梯度提升算法的纠错思想引入含概念漂移的流数据挖掘任务之中，提出了一种基于自适应深度集成网络的概念漂移收敛方法(conceptdriftconvergencemethodbasedonadaptivedeepensemblenetworks,CD_ADEN).该模型集成多个浅层神经网络作为基学习器，后序基学习器在前序基学习器输出的基础上不断纠错，具有较高的实时泛化性能.此外，由于浅层神经网络有较快的收敛速度，因此所提出的模型能够较快地从概念漂移造成的精度下降中恢复.多个数据集上的实验结果表明，所提出的CD_ADEN方法平均实时精度有明显提高，相较于对比方法，平均实时精度有1%~5%的提升，且平均序值在7种典型的对比算法中排名第一.说明所提出的方法能够对前序输出进行纠错，且学习模型能够快速地从概念漂移造成的精度下降中恢复，提升了在线学习模型的实时泛化性能.

• 基于分层潜在语义驱动网络的事件检测

  肖梦南,贺瑞芳,马劲松,

  事件检测旨在检测句子中的触发词并将其分类为预定义的事件类型.如何有效地表示触发词是实现该任务的核心要素.目前基于表示的方法通过复杂的深度神经网络来学习候选触发词的语义表示，以提升模型性能.然而，其忽略了2个问题：1）受句子语境的影响，同一个触发词会触发不同的事件类型；2）受自然语言表达多样性的影响，不同的触发词会触发同一个事件类型.受变分自编码器中隐变量及其他自然语言处理（naturallanguageprocessing，NLP）任务中分层结构的启发，提出基于分层潜在语义驱动网络（hierarchicallatentsemantic-drivennetwork，HLSD）的事件检测方法，通过句子和单词的潜在语义信息来辅助缓解以上2个问题.模型从文本表示空间中分层降维到新的潜在语义空间，探索事件宏微观语境中更本质的影响信息.首先，通过BERT对候选句子进行编码，得到句子的表示和句子中单词的表示；其次，设计一个双重的潜在语义机制，并采用VAE挖掘句子和单词级潜在语义；最后，从不同粒度的上下文角度，提出采用一个由粗到细的分层结构来充分使用句子和单词的潜在信息，从而提升模型的性能.ACE2005英文语料库上的实验结果表明，所提方法的F1值在事件检测任务上达到了77.9%.此外，在实验部分对以上2个问题进行了定量分析，证明了所提方法的有效性.

• 基于注意力增强元学习网络的个性化联邦学习方法

  高雨佳,王鹏飞,刘亮,马华东,

  联邦学习作为一种分布式机器学习框架，客户端可以在不向服务器传输数据的情况下进行全局模型训练，解决了数据分散和数据隐私的问题.联邦学习可以在具有相似数据特征和分布的客户端上很好地工作.但是在很多场景中，客户端数据在分布、数量和概念上的不同，造成了全局模型训练困难.为此，个性化联邦学习作为一种新的联邦学习范式被提出，它旨在通过客户端与服务器的协作来保证客户端个性化模型的有效性.直观来讲，为具有相似数据特征和分布的客户端提供更紧密的协作关系可以有利于个性化模型的构建.然而，由于客户端数据的不可见性，如何细粒度地提取客户端特征，并定义它们之间的协作关系是一个挑战.设计了一个注意力增强元学习网络（attention-enhancedmeta-learningnetwork，AMN）来解决这个问题.AMN可以利用客户基础模型参数作为输入特征，训练元学习网络为每个客户端提供一个额外的元模型，自动分析客户特征相似性.基于双层网络设计，有效地实现客户端个性与共性的权衡，提供了包含有益客户信息的融合模型.考虑到训练过程中需要同时训练元学习网络和客户本地基础网络，设计了一种交替训练策略，以端到端的方式进行训练.为了证明该方法的有效性，在2个基准数据集和8种基准方法上进行了大量实验，相较于现有表现最优的个性化联邦学习方法，该方法在2个数据集中平均分别提升了3.39%和2.45%的模型性能.

• 基于可解释性分析的深度神经网络优化方法

  吴欢欢,谢瑞麟,乔塬心,陈翔,崔展齐,

  近年来，深度神经网络（deepneuralnetwork，DNN）在众多领域取得了广泛应用，甚至在安全关键系统中已经可以代替人类作出决策，如自动驾驶和智慧医疗等，这对DNN的可靠性提出了更高的要求.由于DNN具有复杂的多层非线性网络结构，难以理解其内部预测机制，也很难对其进行调试.现有的DNN调试工作主要通过修改DNN的参数和扩增数据集提升DNN性能，以达到优化的目的.然而直接调整参数难以控制修改的幅度，甚至使模型失去对训练数据的拟合能力；而无指导地扩增训练数据则会大幅增加训练成本.针对此问题，提出了一种基于可解释性分析的DNN优化方法（optimizingDNNbasedoninterpretabilityanalysis，OptDIA）.对DNN的训练过程及决策行为进行解释分析，根据解释分析结果，将原始数据中对DNN决策行为产生不同程度影响的部分以不同概率进行数据变换以生成新训练数据，并重训练DNN，以提升模型性能达到优化DNN的目的.在使用3个数据集训练的9个DNN模型上的实验结果表明，OptDIA可以将DNN的准确率提升0.39~2.15个百分点，F1-score提升0.11~2.03个百分点.

• 文本后门攻击与防御综述

  郑明钰,林政,刘正宵,付鹏,王伟平,

  深度神经网络的安全性和鲁棒性是深度学习领域的研究热点.以往工作主要从对抗攻击角度揭示神经网络的脆弱性，即通过构建对抗样本来破坏模型性能并探究如何进行防御.但随着预训练模型的广泛应用，出现了一种针对神经网络尤其是预训练模型的新型攻击方式——后门攻击.后门攻击向神经网络注入隐藏的后门，使其在处理包含触发器（攻击者预先定义的图案或文本等）的带毒样本时会产生攻击者指定的输出.目前文本领域已有大量对抗攻击与防御的研究，但对后门攻击与防御的研究尚不充分，缺乏系统性的综述.全面介绍文本领域后门攻击和防御技术.首先，介绍文本领域后门攻击基本流程，并从不同角度对文本领域后门攻击和防御方法进行分类，介绍代表性工作并分析其优缺点；之后，列举常用数据集以及评价指标，将后门攻击与对抗攻击、数据投毒2种相关安全威胁进行比较；最后，讨论文本领域后门攻击和防御面临的挑战，展望该新兴领域的未来研究方向.

• 可信执行环境：现状与展望

  张锋巍,周雷,张一鸣,任明德,邓韵杰,

  当前在云服务、移动社交网络下用户普遍追求隐私保护、安全计算，从而推动了隐私计算、机密计算等领域的快速发展.可信执行环境（trustedexecutionenvironment，TEE）作为机密计算服务中重要的技术基础已经广泛部署到各类计算平台中.目前，以Intel，Arm等为代表的设备制造商采用软硬件隔离机制，推出了多类实用TEE技术并不断迭代更新，从功能上更加方便设备管理者、普通用户使用安全服务.研究人员则根据不同的系统架构和应用需求，优化TEE模型，扩大可信应用领域并提升其工作效率.全面分析主流系统架构（包括x86、Arm、RISC-V、异构计算单元）中TEE技术发展路线、技术特点包括基础硬件设施设计、软件接口定义、安全边界等，挖掘TEE技术可行的应用场景.同时，分析各类TEE技术面临的挑战，探讨TEE技术局限性以及自身面临的安全风险如侧信道攻击等.在此基础上，从安全性、功能性等方面总结各类TEE技术优缺点，并提出TEE技术未来的发展思路.

• 基于多源数据聚合的神经网络侧信道攻击

  张润莲,潘兆轩,李金林,武小年,韦永壮,

  基于深度学习的侧信道攻击需要针对密码算法的每一个密钥字节建模并训练，数据采集和模型训练开销大.针对该问题，提出一种基于多源数据聚合的神经网络侧信道攻击方法.为筛选具有良好泛化效果的密钥字节泄露数据进行数据聚合，以AES-128算法为例，先基于16个密钥字节的泄露数据训练16个单密钥字节模型，分别实现对16个密钥字节的恢复；其次，设计一种打分机制评估各单密钥字节模型的泛化效果，通过得分排序筛选出对各密钥字节恢复效果最好的单密钥字节模型；最后，以筛选模型所对应的各密钥字节泄露数据集构建多源数据聚合模型进行训练，实现密钥恢复.实验测试结果表明，多源数据聚合模型具有良好的泛化效果，有效提高了密钥恢复的准确率和效率，降低了恢复密钥所需的能量迹数量，其在采集能量迹较少的情况下依然具有较好的攻击效果.