-
公开(公告)号：CN116679933A
公开(公告)日：2023-09-01
申请号：CN202310587775.2
申请日：2023-05-23
Applicant: 上海交通大学
IPC: G06F8/41
Abstract: 本发明提供了一种基于多级中间表示的概率模型AI领域编译系统及方法，包括：前端转换层：以Python语言描述的模型作为输入，遍历抽象语法树将运算节点映射为MLIR方言中的操作节点并输出；编译层：以MLIR方言表示的IR作为输入，对操作进行拆解、降级和优化；后端层：集成LLVM JIT和IREE两个后端，接收最终形式的IR作为输入，根据目标平台进行相应的代码生成并执行计算。本发明基于多级中间表示的概率模型编译方法采用静态单变量赋值作为概率编程程序代码编译和运行的中间表示结果，根据前端配置需求转换为相应后端代码，增加了概率模型的可迁移性。
-
公开(公告)号：CN113609310B
公开(公告)日：2023-08-08
申请号：CN202110983670.X
申请日：2021-08-25
Applicant: 上海交通大学 , 上海燧原科技有限公司
IPC: G06F16/36 , G06F9/50 , G06F9/54 , G06T1/20 , G06F18/214
Abstract: 本发明提供了一种单机大规模知识图谱嵌入方法及系统，包括：步骤S1：根据关系对知识图谱进行划分操作，得到多个子知识图谱；步骤S2：将各个子知识图谱与GPU绑定，利用GPU对子知识图谱进行训练，得到知识图谱中每个实体与关系对应的嵌入向量。相比于传统使用分布式集群来进行大规模知识图谱嵌入训练的方法，本发明使用非易失性内存大容量的特性，并且合理分配知识图谱训练过程中的数据在非易失性内存、GPU显存与DRAM的位置，能够克服分布式训练过程中网络通信所带来的性能开销，使得在不影响最终嵌入向量质量的情况下，总体训练效率提升40％‑50％；同时还能大大节约搭建分布式集群的费用，具有经济上的优势。
-
公开(公告)号：CN111046824B
公开(公告)日：2023-04-28
申请号：CN201911317622.6
申请日：2019-12-19
Applicant: 上海交通大学
IPC: G06F18/10 , G06F18/24 , G06N3/0464
Abstract: 本发明提供了一种时间序列信号高效去噪和高精度重构建模方法及系统，包括：对原始的脉搏波信号进行数据预处理；选择预设的信号时长，将数据预处理后的脉搏波信号分为预测集、训练集和测试集；选择卷积神经网络作为深度降噪自编码机的基础模型，根据信号去噪要求，得到深度卷积降噪自编码机模型；将训练集输入深度卷积降噪自编码机模型进行训练，利用正则化参数以及测试集进行深度卷积降噪自编码机模型参数的调优和选取，得到最优深度学习模型；将含噪脉搏波信号预测集输入到最优深度学习模型中获取深度结构特征，进行信号重构和去噪处理，评估模型性能。本发明有效进行脉搏波信号的去噪和重构，为滤除脉搏波信号中的同频噪声干扰提供了新思路。
-
公开(公告)号：CN115826872A
公开(公告)日：2023-03-21
申请号：CN202211684098.8
申请日：2022-12-27
Applicant: 上海交通大学 , 益思芯科技(上海)有限公司
IPC: G06F3/06
Abstract: 本发明提供了一种完全硬件卸载的NVMe存储加速系统，包含一个由ARM软件处理器和FPGA硬件处理器组成的异构加速卡，在ARM中设置了管理模块，实现NVMe管理命令的处理，在FPGA中设置了命令抓取模块、虚拟队列绑定模块、I/O处理模块和I/O带宽公平调度模块，实现NVMe I/O命令的硬件加速处理和I/O带宽公平调度。经测试，本发明提出的系统具备比已有系统快4.65/4.92倍的读/写速度且将I/O带宽公平调度的CPU成本降低为0，本发明解决了以前设计方案中读/写速度慢，I/O带宽公平调度与CPU强绑定的问题，更好地满足多用户/应用共享的需求。
-
公开(公告)号：CN112667356B
公开(公告)日：2023-01-31
申请号：CN202011620231.4
申请日：2020-12-30
IPC: G06F9/455
Abstract: 本发明提供了一种时延可预测的NVMe存储虚拟化方法和系统，包括：步骤1：输入虚拟机类型和延时指标；步骤2：分配物理列队，计算限流阈值；步骤3：负载运行一个周期，限制非延时敏感虚拟机I/O，收集性能数据；步骤4：根据性能数据进行物理列队重分配；步骤5：判断延时指标是否达标，若达标则执行步骤6，若没有达标则执行步骤7；步骤6：调整限流阈值；步骤7：判断负载是否结束，若没有结束则返回步骤3继续执行。本发明有效解决了现有NVMe虚拟化方法存在的隔离性不足缺陷，在复杂云环境中可以有效减少运行在线负载的延时敏感虚拟机的性能受其他虚拟机负载的干扰情况，为其提供上界可预测的延时表现。
-
Patent Agency Ranking
公开(公告)号：CN114118443A
公开(公告)日：2022-03-01
申请号：CN202111415792.5
申请日：2021-11-25
Applicant: 上海交通大学
IPC: G06N20/00 , G06F16/901 , G06F9/50
Abstract: 本发明提供了一种基于Optane DIMM的大规模图嵌入训练方法及系统，包括：原始图处理步骤：对原始图进行处理，生成DRAM能够加载的图数据；数据预处理步骤：将图数据根据特征进行两层图分割，将完整图拆分成子图，并存储在磁盘中，使得子图能够加载入GPU进行分区训练；图训练步骤：根据不同介质的访存特性，将训练所用的图数据存储在不同的物理介质中，根据训练过程中所依赖数据的不同特性来切割算法，采用CPU和GPU分工训练，平衡CPU计算、GPU计算以及CPU‑GPU通信三者的开销。本发明根据图的特性进行高质量的两层图分割，将大图转化为子图，存储在磁盘中，从而子图能够加载入GPU进行分区训练。
-
公开(公告)号：CN108664328B
公开(公告)日：2021-08-17
申请号：CN201810283808.3
申请日：2018-04-02
Applicant: 上海交通大学
IPC: G06F9/50
Abstract: 本发明公开了一种加速式感知的高效用计算架构优化方法，其中计算架构中，每台服务器配备多处理器与计算加速代理，整个数据中心最上层运行一个计算加速协调程序，并采用断路器控制用电安全，计算加速代理实时地向协调程序报告服务器上的工作负载信息，并接收计算加速的调度结果，通知服务器遵从调度结果运行，协调程序获得所有服务器上的负载信息后，使用李雅普诺夫偏移加罚方法对当前时刻的系统情况进行建模，综合考虑计算加速的收益与开销，最小化所有服务器上的任务队列偏移与计算加速开销，最终达到长周期下的计算加速时均效用最优化。本发明确保数据中心的可用性，确保长周期内的“计算加速”效用最大。
-
公开(公告)号：CN107454017B
公开(公告)日：2021-05-11
申请号：CN201710414936.2
申请日：2017-06-05
Applicant: 上海交通大学
IPC: H04L12/875 , H04L29/08
Abstract: 本发明提供了一种云数据中心网络中混合数据流协同调度方法，包括两个主要方面：针对延迟敏感流的基于时间触发调度算法和针对吞吐量密集型流的基于事件触发调度算法，其中，时间触发调度算法确保延迟敏感数据流能够被分配到具有最高的传输优先级的传输时间段，事件触发调度算法采用非拥塞的调度原则，充分利用整个数据中心的带宽资源，在保证延迟敏感数据流的传输性能的前提之下，根据吞吐量密集型任务的出现为数据流分配网络传输带宽。本发明解决在数据中心网络中同时满足对高吞吐量和低延迟的要求，保证所有延迟敏感数据流的传输准确率。
-
公开(公告)号：CN106339714B
公开(公告)日：2020-12-01
申请号：CN201610651622.X
申请日：2016-08-10
Applicant: 上海交通大学
Abstract: 本发明提供了一种多层嵌入差分隐私到决策树模型的隐私风险控制方法，包括初始化、将差分隐私技术嵌入到多层决策树模型中、得到多层决策树。本发明能够使用采取多层嵌入的方式，将差分隐私技术嵌入到决策树模型中；相对于现有技术，仍然满足决策树模型在差分隐私的保护下，并且模型预测准确度比现有技术有较大提升。
-
公开(公告)号：CN106789118B
公开(公告)日：2020-11-17
申请号：CN201611065272.5
申请日：2016-11-28
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于服务等级协议的云计算计费方法，包括步骤1：由用户自主选择计算任务的类型；步骤2：根据任务的类型得到任务的用户服务等级协议要求，即SLA要求；步骤3：云服务商根据任务的类型和SLA要求预估所需的云计算资源，并计算出相应的价格发送给用户确认；步骤4：若用户不接受价格，返回执行步骤1；若用户接受价格，则根据确认的价格进行计费。本发明基于不同云计算任务的服务质量要求进行动态定价，实现云用户可量化服务与价格的有效映射，不需要过度申请资源以保证服务质量，而只需要确定所需的服务等级协议，在解决用户过度申请问题的同时，很好地解决了云计算资源利用低下的问题。
-
-
-
-
-
-
-
-
-
Search Results
113
records
(took 0.027 seconds)
