面向广域RDMA的确定性网络需求与技术

随着生成式人工智能（artificial intelligence generated content,AIGC）大模型和智能计算应用的高速发展，面向广域远程直接存储器访问（remote direct memory access,RDMA）的确定性网络技术成为近期智算中心互联的研究热点。首先分析了广域RDMA技术发展路线、实现方案和技术挑战，然后研究广域RDMA部署时面临的各类网络问题，通过搭建实验室和外场测试环境开展了一系列测试验证，分析提出了广域RDMA的确定性需求特性和边界性能指标，最后对面向广域RDMA的确定性网络技术进行了总结和展望。     

一种在Tensorflow软件上测试RDMA数据传输的方法和系统

由于能够支持大量应用程序的进程间通信,零拷贝RDMA技术正在变得越来越流行。现代高性能网络协议如Infiniband,RoCE,和iWARP支持RDMA,它们为应用程序提供了高带宽低延迟的网络性能。文章评估了在Tensorflow软件上测试RDMA数据传输的方法和系统。我们的Tensorflow作业调度采用平均轮替算法,运行时间进程运行在一台服务器上,服务器之间采用RDMA通信,服务器带宽利用率达到100%。采用运行脚本程序使机器学习任务能够7x24小时不间断运行,满足测试任务长时间运行的要求。     

基于云计算的智算AI算法优化与性能评估研究

智算AI是以智能计算为核心,算力的显著提升和人工智能技术的快速发展是当前时代的典型特征。ChatGPT等AI工具以其强大的文本处理能力迅速席卷全球,掀起了智算时代的大幕。基于这一背景,在云计算场景下优化AI算法成为了提高AI技术性能的关键任务。文章分析了ChatGPT中变换器模型自注意力机制算法,设计了算法优化过程,旨在通过计算复杂度的降低提升模型的效率。实验结果表明,优化后的模型在保持准确率的同时显著提升了计算效率,提升了云计算场景下的智算AI算法性能,可为人工智能技术的发展提供借鉴。     

《智算专题》序

<正>近年来,智能计算已经成为推动社会发展进步的重要力量。从计算机视觉到自然语言处理、多模态等基础大模型研究,以及面向自动驾驶、生命科学等重点行业落地的专用大模型研发,各行各业都展示出对智能算力的巨大需求。中国移动从2022年10月开始筹划建设智算中心,将智算中心布局融入公司算力网络布局体系,按照“集中训练、分布推理,统一管控、弹性调度,自主可控、绿色低碳”的原则,以“N+X”为目标体系构建技术领先、绿色节能、服务全局的智算中心。     

基于迁移学习的SAR图像目标检测

针对深度卷积神经网络训练需要大数量样本,采用迁移学习的方法辅助网络训练,解决了SAR图像样本不足的问题。通过控制对比实验,对每个卷积块权重进行迁移与分析,使用微调与冻结相结合的训练方式有效提高网络的泛化性与稳定性;然后根据目标检测任务的时效性对网络模型进行改进,提高了网络检测速度的同时减少了网络参数;最后结合复杂场景杂波切片对网络进行训练,降低了背景杂波的虚警目标数量,复杂多目标场景的检测结果表明所提出方法具有较好的检测性能。     

AI大模型场景下智能计算技术选型分析

随着ChatGPT的诞生,AI大模型相关的产品和服务呈爆发式增长,国内互联网企业和运营商等纷纷加入“百模大战”。现有云平台中智能服务器采用传统GPU配置规格,无法满足大模型训练所需要的高性能算力和卡间互联带宽需求。本文主要研究扣卡模组形态的智能计算芯片技术,以及整机服务器的散热技术等内容,为后续建设智算中心提供选型依据。     

泛在网络下的群组移动模型研究现状及展望

群组移动模型的研究对泛在网络下通信协议的设计、算法性能的评价等问题具有重要意义。泛在网络涉及多种终端同时为移动用户服务的场景,有效地整合终端能力需要有效的群组移动模型进行指导。总结了以往Ad Hoc网络下各种群组移动模型的特点和适用场景,结合泛在网络下多终端多网络的环境特点,以用户和业务为中心,对个人服务场景中的群组移动模型的构建方案进行了探讨和展望,提出了关键的技术要求。     

AI智算基础设施架构研究及关键技术分析

AI智算基础设施是实现人工智能快速发展的关键要素,电信运营商在构建AI智算基础设施时需要部署合理的技术架构,为用户提供高性能的AI计算能力。文章介绍了AI智算基础设施中AI-IaaS层、AI-PaaS层以及AISaaS层主要包括的组件以及主要功能。通过对当前AI智算基础设施能力短板进行分析,得出了运营商在部署新一代AI计算基础设施架构时,应重点优化的五项关键能力：高性能并行计算能力、兼容异构的开放能力、可信计算能力、资源弹性调度能力以及低碳绿色计算能力。     

Infiniband网络架构下RTI通信机制研究

复杂系统的协同仿真中需要运行支撑软件RTI(Run Time Infrastructure)来解决异构模型、异构仿真软件间的数据交互的问题.但RTI的TCP/IP通信机制却无法使得HPC(High Performance Computer)的高速网络Infiniband(IB)在仿真中发挥最大的优势.针对这一问题,本文提出在IB网络架构下基于RDMA(Remote Direct Memory Access)通信机制对RTI进行优化,并以开源HLA项目CERTI软件为基础,研制运行在IB网络下的IB-CERTI软件,最后在不同网络环境下进行对比实验,实验结果证明了IB-CERTI软件在仿真通信中的高效性,特别是仿真邦员间的交互数据量越大,越能提高仿真数据传输效率.     

基于移动蜂窝网的机器学习室外指纹定位方案

基于移动蜂窝网络技术的定位方案是提供网络优化、紧急救援、公安巡警和位置服务等应用的重要技术途径之一。传统的基于小区基站位置信息的定位方案定位精度低、定位误差大,无法满足某些定位应用需求。基于指纹定位的方案能够在基于小区粗定位方案基础上大幅度提升定位精度、节约计算成本、增强适用性,成为定位研究的热点。针对室外指纹定位的业务需求,深入研究分析了两种基于机器学习的栅格化和非栅格化室外指纹定位方案。通过参数加权、数据拟合等方法对于大规模指纹数据进行了清洗,提高数据源的有效性。通过划定研究区域、栅格化、构建指纹数据库、训练模型、修正模型、非栅格化、粗定位耦合、匹配参数、训练参数等子模块的实现,分析和优化了算法的运行效率和定位精度,确定了影响算法性能的关键指标。进而结合仿真结果,分析了两种基于指纹的定位方案的性能。最后介绍了基于机器学习的指纹定位方案在实际应用中的典型场景。     

面向无人机频谱侦察的频谱采样性能研究

在部分频谱侦察应用中，无人机集群的采样率必须保持一致。然而在采用无人机自组网(Flying Ad Hoc Network, FANET)作为频谱数据回传方案时，由于无人机间的带宽受限，因此频谱采样率存在上限，超过此上限将导致网络丢包，从而在控制中心观测到不一样的采样率。为了研究影响频谱最大采样率的因素，搭建了基于商用仿真平台EXata的仿真场景，评估了在不同网络场景下各潜在因素对频谱数据采集任务的影响，性能指标包括分组交付率、平均端到端时延和最大频谱采样率，总结出不同场景下的性能差异，以期增加对频谱侦察无人机集群在复杂环境下的性能理解，提高无人机在复杂环境下的效率和生存能力。     

6G通感智算一体化无线网络技术研究

6G将实现真实物理世界与虚拟数字世界的深度融合。为满足业务应用“智慧化、沉浸化、全域化”的发展趋势,未来网络发展需将网络世界、数字世界与物理世界无缝融合,构建通感智算一体化网络架构体系。通过研究6G通感智算一体化的技术需求、架构及方案等,提出了更具体的通感智算一体化无线网络演进方向和技术,分析了在通感智算一体化无线网络基础上的智能节能、智能编排、物理层智能等应用案例。     

基于CNN的SAR图像目标和场景分类算法

随着合成孔径雷达（Synthetic Aperture Radar, SAR）成像技术的发展和SAR图像数据的急剧增加,SAR图像解译技术成为了当前的研究热点。针对SAR图像的目标和场景分类问题,提出了一种改进的基于卷积神经网络的图像分类算法。为克服卷积神经网络训练过程中因数据量不足而出现的过拟合问题,采用数据增强人工增加训练样本的大小;针对高层卷积层参数过多的问题,采用一种多尺度卷积模块替代高层的卷积层;在输出层采用卷积和全局均值池化的组合替代传统的全连接层,大幅度减少了网络参数。网络训练阶段,通过误差反向传播来更新网络参数。针对MSTAR数据集和高分辨率的机载SAR图像分别进行目标及场景分类,实验结果表明该算法实现了较好的分类性能。     

基于轻量化网络的干扰信号智能识别算法

针对干扰信号识别时卷积神经网络模型体积大、训练周期长、对硬件存储和计算要求高等问题,本文提出了一种基于改进轻量级网络模型SqueezeNet的干扰信号智能识别算法。该方法首先利用距离多普勒（Range?Doppler,RD）处理获得目标及干扰信号的RD图像,接着采用滑窗变换、归一化等技术对RD图像进行重塑;然后采用基于RD信息尺寸的隐层和通道剪枝措施对SqueezeNet网络进行改进,缩小了模型尺寸和存储空间;最后利用不同参数的测试样本拓展网络模型的泛化性能。仿真实验表明,在参数量减少到原网络1/30的情况下,改进的SqueezeNet网络对每种干扰的识别正确率可达到95%以上,且训练时间大大减少。     

网络智能传输研究进展

新兴超低时延场景的出现以及6G技术与人工智能技术的发展，促使网络智能传输成为研究热点。分析了传输层和应用层的时延组成及影响因素，对机器学习技术与传输层、应用层流媒体传输相结合的智能传输协议的发展和优缺点进行了综述。从传统网络传输协议的发展、人工智能技术的发展、网络传输和人工智能结合3个方面展望了网络智能传输面临的机遇与挑战。认为分布式机器学习训练场景的传输性能、训练数据的质量、模型的泛化能力、模型大规模部署的开销是未来网络智能传输技术的重点研究方向。     

面向多应用场景的遥感图像LSTM分类模型

遥感图像能够更为丰富地反映地物内部信息,但多种应用场景下会出现时间序列关键特征难以提取,导致图像分类效果不佳的问题。为此,设计一种面向多应用场景的遥感图像长短期记忆(Long Short Term Memory, LSTM)网络分类模型。对场景遥感图像时间序列特征进行表示;改进动态时间弯曲质平均算法,利用改进算法提取场景遥感图像时间序列关键形态特征;构建LSTM模型,利用梯度下降法训练LSTM模型,更新网络的权值与偏置,在训练完成的网络内,输入时间序列关键形态特征,输出遥感图像场景分类结果。实验结果表明,所设计模型可有效分类遥感图像场景,对场景遥感图像分类的Kappa值为0.97,分类耗时5.6 s,分类不同类别遥感图像场景时的预测分布方差最大为0.6,该方法的分类精度较高,且消融实验结果显示所设计模型的召回率高达95%,F1值高达0.96,由此可见,所设计模型对场景遥感图像分类具有显著的有效性。     

基于迁移学习的三子网图像去雾方法

目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成:残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。     

干扰条件下基于NOMA技术的数据链系统性能分析

航空集群作战场景中电磁环境差且需传输业务量大,数据链频谱资源愈发紧张。针对上述问题, 采用NOMA技术提升数据链频谱利用率并分析干扰条件下基于非正交多址接入(NOMA)技术的数据链系统性能。首先针对航空集群作战场景特点,建立了基于NOMA技术的航空数据链系统模型,推导了系统可获得最大速率表达式。其次考虑路径损耗与莱斯衰落的影响, 推导出系统中断概率的闭合表达式,为估算系统性能提供了快速有效的方法。仿真结果验证了理论推导公式的准确性,并进一步分析了信号发射功率、传输距离、敌方干扰以及数据速率等因素对系统性能的影响。      

改进特征提取模块的场景文本检测方法

基于深度学习的自然场景文本检测方法的特征提取模块一般采用大型网络,模型复杂且效率低。为了降低文本检测模型的复杂度以及更快速有效地检测文本,在基于分割的渐进式扩展网络PSENet的基础上,使用轻量级小型网络MobileNet V3作模型局部特征提取模块,减少参数数量,结合多级卷积来提取不规则文本的区域特征;使用优化器Adam计算每个参数的自适应学习率,加速训练优化过程,提升模型运算效率。在数据集ICDAR2015上进行验证,实验结果表明改进的算法在性能上有明显改善。     

基于深度学习的室内视觉位置识别技术

视觉位置识别技术通过将地点图像与数据库中的图像集进行匹配,根据配对图像标签中的位置信息得到定位结果。现有的视觉位置识别网络都是为了应对室外场景而构建和训练的,在室内场景中的识别性能较差。文中提出了一种基于深度学习的室内视觉位置识别卷积神经网络架构,并在室内场景识别数据集上对网络进行了训练,然后在本地室内数据集上对网络参数进行进一步的微调,较好地解决了室内环境中的位置识别问题。和现有的其它视觉位置识别网络相比,文中训练的网络在实际室内环境测试中最大有30%的识别精度提升。