公开(公告)号：CN102724176A

公开(公告)日：2012-10-10

申请号：CN201210042048.X

申请日：2012-02-23

Applicant: 北京市计算中心

Inventor： 曾宇

IPC: H04L29/06 ,  H04L29/08

Abstract: 本发明探讨了基于拆分及大规模共享虚拟计算环境下的安全问题，并提出了基于虚拟机的面向虚拟计算环境的安全框架及其大规模分布式可扩展入侵检测系统，该系统为用户提供能力服务域内外部资源访问监控身份认证和加密数据传输通道，提供用户空间和系统空间的隔离和保护并最终保障基于能力服务器的应用安全。解决了能力服务器下由此带来的大规模动态用户数量、大规模动态虚拟资源对象、动态增加和缩减的计算负载、用户空间隔离、用户系统隔离和保护、防内外网攻击、设备安全复用和共享、通信安全、统一认证和访问控制等诸多安全问题。

公开(公告)号：CN102724057B

公开(公告)日：2017-03-08

申请号：CN201210042033.3

申请日：2012-02-23

Applicant: 北京市计算中心

Inventor： 曾宇

IPC: H04L12/24 ,  H04L29/08

Abstract: 本发明提供了一种面向云计算平台的分布式层次化自主管理方法，将大规模的云计算管理系统进行逻辑分区；在分区内部通过构建多层次自主元素实现自主管理；在分区上层构建高一级的自主元素实现系统级管理；自主管理时从知识库读出本自主计划对应的规则，调度分析模块检测是否满足规则，触发响应事件，然后将事件提交给事件管理模块缓存并调度执行。本发明利用分治思想设计了高性能计算机的自主管理系统。基于多逻辑分区动态管理方式，把大规模系统根据一定策略进行逻辑分区，每个分区内部实现自主管理，以适应系统规模的扩展。每个分区内部，构建多层次自主元素进行管理，在多个分区的上层，构建高一级的自主元素实现系统级管理。每一级自主元素支持可扩展性，在新增设备或修改特征参数时系统不停机，实现系统的自配置。

公开(公告)号：CN102724057A

公开(公告)日：2012-10-10

申请号：CN201210042033.3

申请日：2012-02-23

Applicant: 北京市计算中心

Inventor： 曾宇

IPC: H04L12/24 ,  H04L29/08

Abstract: 本发明提供了一种面向云计算平台的分布式层次化自主管理方法，将大规模的云计算管理系统进行逻辑分区；在分区内部通过构建多层次自主元素实现自主管理；在分区上层构建高一级的自主元素实现系统级管理；自主管理时从知识库读出本自主计划对应的规则，调度分析模块检测是否满足规则，触发响应事件，然后将事件提交给事件管理模块缓存并调度执行。本发明利用分治思想设计了高性能计算机的自主管理系统。基于多逻辑分区动态管理方式，把大规模系统根据一定策略进行逻辑分区，每个分区内部实现自主管理，以适应系统规模的扩展。每个分区内部，构建多层次自主元素进行管理，在多个分区的上层，构建高一级的自主元素实现系统级管理。每一级自主元素支持可扩展性，在新增设备或修改特征参数时系统不停机，实现系统的自配置。

公开(公告)号：CN102708404B

公开(公告)日：2016-08-03

申请号：CN201210042043.7

申请日：2012-02-23

Applicant: 北京市计算中心

Inventor： 曾宇

IPC: G06N3/08

Abstract: 本发明提出了一种在多核环境下优化MPI应用的新方法：运用机器学习方法对多核机群下MPI应用的最优运行时参数进行预测。我们设计了具有不同点到点通信与集合通信数据比例的训练基准在特定的多核机群下产生训练数据，同时采用能快速输出结果的决策树REPTree和产生多个输出并具有较好抗噪性的神经网络ANN来构建运行时参数优化模型，通过训练基准产生的训练数据对优化模型进行训练，训练后的模型被用来对未知的输入MPI程序的最优运行时参数进行预测。实验证明，基于REPTree的预测模型和基于ANN的预测模型得到的优化运行时参数产生的加速比平均达到实际最大加速比的90％以上。

公开(公告)号：CN102708404A

公开(公告)日：2012-10-03

申请号：CN201210042043.7

申请日：2012-02-23

Applicant: 北京市计算中心

Inventor： 曾宇

IPC: G06N3/08

Abstract: 本发明提出了一种在多核环境下优化MPI应用的新方法：运用机器学习方法对多核机群下MPI应用的最优运行时参数进行预测。我们设计了具有不同点到点通信与集合通信数据比例的训练基准在特定的多核机群下产生训练数据，同时采用能快速输出结果的决策树REPTree和产生多个输出并具有较好抗噪性的神经网络ANN来构建运行时参数优化模型，通过训练基准产生的训练数据对优化模型进行训练，训练后的模型被用来对未知的输入MPI程序的最优运行时参数进行预测。实验证明，基于REPTree的预测模型和基于ANN的预测模型得到的优化运行时参数产生的加速比平均达到实际最大加速比的90％以上。