Ceph是一个统一的分布式存储系统,可同时提供块、文件和对象3种接口的存储服务。与传统的分布式存储系统不同,它采用了无中心节点的元数据管理方式,因此具有良好的扩展性和线性增长的性能。经过十余年的发展,Ceph已被广泛地应用于云计算和大数据存储系统。作为云计算的底层平台,Ceph除了提供虚拟机的存储服务外,还可以直接提供对象存储服务和NAS文件服务。Ceph支撑着云计算系统中多种操作系统和应用的存储需求,它的性能对其上的虚拟机和应用有较大的影响,因此Ceph存储系统的性能优化一直是学术界和工业界的研究热点。文中首先介绍了Ceph的架构和特性;然后针对现有的性能优化技术,从对内部机制进行改进、面向新型硬件和基于应用的优化这3个方面进行了归纳和总结,综述了近年来Ceph存储和优化的相关研究;最后对该领域未来的工作进行了展望,以期为分布式存储系统性能优化的研究者提供有价值的参考。

服务与云计算范型的融合有助于大规模分布式软件的开发和应用,同时也为面向服务的软件工程带来了新的挑战。云计算的最大挑战是缺少事实上的标准或单一的体系结构方法,以满足企业将关键产品作为Internet上的云服务发布的应用需求。首先,针对企业云计算的业务特点,提出了一种企业云服务体系结构(Enterprise Cloud Service Architecture,ECSA)风格的通用和抽象参考模型,分析了该模型中的云服务、服务模式、服务消费者、管理、流程、质量属性、服务构件模型、服务匹配和交互模式匹配9个组件及其之间的关系,并讨论了它们中的角色。然后,提出了一个四阶段的ECSA迭代改进过程,该过程把云服务视为首要的类建模元素,通过解除云服务模型和来自目标构件配置之间的耦合,可实现相同云服务集的多种不同体系结构。最后,给出了一种基于该模型的期货程序化交易的私有云服务应用实例,用以展示该方法的可行性和有效性。

随着新型发电、直流输电、电能存储等技术的发展,新能源发电、电动汽车等柔性负荷以及可充放电的储能装置不断并入电网中,使得传统配电网架构发生了巨大变化。由于新型源网荷储存在较大的不稳定性,给配电网调度带来了巨大挑战,尤其是难以控制调度的额外电损。借助泛在电力物联网的建设,可实现对源网荷储的实时信息采集与分析,为实时数据驱动的源网荷储协同调度提供了契机。配电网中的源网荷储协同具有天然的分布式特性,因此可以利用电力物联网的感知能力构建一个分布式状态实时感知系统,使得协同调度具有更高的调度精度。文中分析了泛在电力物联网背景下的配电网架构,对分布式环境下的源网荷储及其交互方式进行了建模,并据此提出了一种电力物联网下分布式状态感知的源网荷储协同调度机制,明确了源网荷储各端的响应策略,实现了削峰填谷、降低调度损耗的目标。基于部分电网真实数据,设计了模拟验证实验,其结果验证了源网荷储协同调度机制的有效性。

微服务架构是一种新兴的服务架构风格,在处理复杂服务系统时表现出运行高效、部署灵活等特性,相较于单体式服务架构,能够提供更好的业务管理和服务支持。针对检察院复杂的办案业务,需要对服务进行组合封装,形成新的增值服务以满足用户需求。但是,单独进行服务质量驱动的服务封装不能满足检察业务的需求,因此,结合服务功能和服务质量,提出了微服务架构下图规划算法的改进方法(Improved Graphplan Under MicroService Architecture,IGMA)。该方法首先对服务、用户请求建立数学模型,其次综合服务的功能需求和非功能需求,在不同案件类型下为用户提供多种组合方案,最后建立服务工作流,完成案件服务封装。该方法能够智能判断服务组合结构中的分支结构,并对不同的分支结构建立不同的组合方案。实验结果表明,该方法在服务封装的时效性和准确性上有了较大的提升。

MapReduce是一种适用于大数据处理的重要并行计算框架,通过在大量集群节点上并行执行多个任务,极大地提高了数据的处理性能。然而,由于中间数据需要等到Mapper任务完成之后才能被发送给Reducer任务,由此导致的大量传输延迟成为MapReduce框架性能的重要瓶颈。为此,文中提出了一种面向MapReduce的中间数据传输流水线优化机制,将有效计算与中间数据传输解耦,以流水线的方式重叠执行各个阶段,有效隐藏数据传输开销。文中还给出了中间数据传输流水线执行机制和实现策略,包括流水线划分、数据细分、数据归并和数据传输粒度等。在公开数据集上对所提中间数据传输流水线优化机制进行了评价,当Shuffle数据量较大时,该优化机制比默认框架的整体性能提高了60.2%。

卷积在统计学、信号处理、图像处理、深度学习等领域有着广泛的应用,且起到了至关重要的作用。在深度神经网络中,使用卷积运算对输入信息进行特征提取的方法是实现神经网络的基础计算单元之一。如何优化卷积的运算速度,提高卷积计算效率一直是亟需探讨的问题。近年来,很多研究指出分布式计算架构可以提高卷积神经网络的计算速度,进而优化深度学习的训练效率,然而由于分布式系统中普遍存在落跑者问题(straggler),该问题可能会拖慢整个系统执行任务的时间,因此该问题也成为了分布式深度学习中一个待解决的问题。文中针对二维卷积计算,结合Winograd算法和分布式编码,提出了一种优化的分布式二维卷积算法。Winograd算法能够有效地加速单次二维卷积计算的速度,分布式编码通过使用一种基于分布式冗余的编码方式能够缓解straggler节点对整个分布式系统计算延迟的影响。因此,提出的分布式二维卷积算法可以在加速二维卷积计算的同时有效缓解分布式系统中的straggler问题,有效提高了分布式卷积的计算效率。

无人机编队对抗问题一直是科学研究的一个热点,但针对无人机群防御部署问题的相关研究较少。文中以防御型无人机对普通无人机(如民用、商用、侦查、巡航、勘探)的保护问题为背景,对已有的异构无人机编队的编码解码方案进行改进。从导弹飞行距离和非武装无人机的安全两个方面建立适应度函数,使用遗传算法对无人机防御编队进行优化。针对不同规模和不同队形的敌机编队,对我方无人机编队进行优化。求解结果表明,在不同的敌机编队中,遗传算法均能在30次迭代内以较快速度收敛于最优值,并给出相应的优化队形。最后通过概率效果评估,绘制了5种战况损失曲线,可以看出所设计的防御部署战略是有效的,我方无人机最大损失数量为6,最小损失数量为0,平均损失数量为3,平均损失率为18.75%。该方法对异构无人机群的防御部署研究具有一定的参考价值。

无线网络用户呈现数量剧增、分布灵活多变的趋势,而传统蜂窝网络的拓扑结构已不能满足所有用户的服务需求。为改善小区边缘区域的上行覆盖率,构建了一种基于随机几何的无线中继网络模型,其中基站服从泊松点过程分布,中继节点围绕基站服从截断式聚类过程分布。在此网络中,中继节点通过放大转发策略将小区边缘用户的数据上传至基站。为了精细化分析网络模型的性能,文中基于信干比理论推导出每跳链路的条件覆盖率的矩,从而获得信干比 meta分布的解析表达式,即条件覆盖率的分布。相比传统的针对覆盖率期望值的性能分析,基于信干比meta分布的分析能够揭示出条件覆盖率大于一定阈值的网络用户比例。实验仿真结果验证了所推导出的理论表达式的正确性。另外,通过调整中继节点分布的半径以及方差参数等,研究了中继节点的分布参数对信干比meta分布的影响。最后,通过比较上行功率控制的功率补偿因子对网络覆盖率的影响,为后期研究网络性能优化提供了帮助。

宏基因组序列组装在计算和内存上面临着巨大挑战。SpaRC(Spark Reads Clustering)是基于Apache Spark的宏基因组序列片段聚类算法,为来自下一代测序技术的数十亿测序片段聚类提供了一种可扩展的解决方案。但是,SpaRC算法参数的设置是一项非常具有挑战性的工作。SpaRC算法拥有许多对算法性能有着很大影响的超参数,选择合适的超参数集对于充分发挥SpaRC算法的性能来说是至关重要的。为了提高SpaRC算法的性能,探索了一种基于树状结构Parzen估计方法(Tree Parzen Estimator,TPE)的超参数优化方法,其能够利用先验知识高效地调节参数,并通过减少计算任务加速寻找最优参数,达到最佳聚类效果,从而避免昂贵的参数探索。对长序列片段(PacBio)和短序列片段(CAMI2)进行实验,结果表明,该方法在改善SpaRC算法性能方面有着良好的效果。