近年来,基于RISC-V指令集的处理器,越来越受到学术界和产业界的重视。在处理器的微架构中,用于处理跳转指令的分支预测器影响着处理器的性能。对于流水线架构的处理器,高预测准确度的分支预测器,可以减少流水线冲刷的发生,进而缩短指令执行的时间。分支预测器通常依托饱和计数器进行预测,饱和计数器的状态转移与结果判定方式直接影响分支预测器的准确度。为使分支预测器可以捕捉并结合程序的变化趋势实现对跳转指令的处理,从而进一步提高其性能,基于对RISC-V指令集中跳转指令以及传统分支预测器工作机理的研究,通过优化饱和计数器的工作机制,在竞争分支预测器的基础上设计并实现了趋势分支预测器,并对其进行了实验验证。验证结果表明,趋势分支预测器相较于竞争分支预测器的预测准确度提高了19.26%,指令吞吐量提高了2.12%;相较于静态分支预测器的预测准确度提高了53.85%,指令吞吐量提高了9.6%。同时,趋势分支预测器有更大的硬件开销,在预测功能上相较于竞争分支预测器提高了约40.83%,相较于静态分支预测器提高了1 220%;在预测结果验证功能上的硬件开销,相较于竞争分支预测器提高了0.826%,相较于静态分支预测器提高了10.95%。

随着软件系统的广泛应用,其安全性问题日益突出,模糊测试作为一种有效的漏洞检测手段,在软件开发中扮演着重要角色。然而,传统模糊测试工具依赖手工编写驱动程序,存在效率低、覆盖率不足等问题。为此,文中提出了一种基于大模型的自动化模糊测试驱动生成方法,通过智能代码解析模块提取函数接口和结构体定义,结合大模型的代码生成能力,自动生成符合Honggfuzz框架要求的驱动程序,并引入基于反馈的修正机制提升驱动生成成功率。实验结果表明,该方法在开源cJSON库和自研TBox项目中实现了100%的驱动生成成功率和模糊测试接口覆盖率;在开源Libtiff库中,驱动生成成功率为76.2%,模糊测试接口覆盖率为40.5%。针对Qwen2.5-coder(14B参数)和Qwen2.5-coder(32B参数)的消融实验表明,引入反馈修正机制能进一步优化驱动程序的生成成功率,对上述两个模型的反馈修正机制分别使驱动生成成功率提升了5.9%和2.4%。该方法显著提升了模糊测试的自动化程度和覆盖率,为复杂软件系统的漏洞检测提供了高效解决方案。未来可通过优化代码解析模块、改进提示词模板和增强大模型适应性,来进一步提升方法的通用性和漏洞发现能力。

聚焦于超导量子处理器与异构计算系统融合背景下的调度优化问题,研究了量子与经典任务在异构环境中的协同调度机制,提出一套面向混合任务图的统一调度建模方法,构建了基于最小通信代价与量子窗口预测的联合调度策略,并验证了该方法在任务延迟控制与资源利用效率方面的改进潜力。分析协同模型在高复杂度计算场景下的稳定性与扩展性,探讨异构调度中任务划分机制与系统约束适配能力。该成果对推动量子计算在并行计算系统中的工程落地及提升异构系统资源调度的智能化水平具有实际价值与理论意义。

信息物理系统(Cyber-Physical Systems,CPSs)是物理世界与数字世界深度耦合的复杂系统,目前已被广泛应用于智能交通、工业控制、智慧能源等领域。然而,信息物理系统的设计和运行通常面临诸多的不确定性,相应地,其应对不确定性的鲁棒性成为保障系统稳定运行的核心需求。目前,保障信息物理系统鲁棒性的关键技术主要包括不确定性测试、鲁棒性评估以及鲁棒性优化。不确定性测试聚焦于构建多样化的扰动场景,揭示系统在复杂、不确定条件下的潜在脆弱性;鲁棒性评估则通过多维指标对系统在不同干扰下的稳定性与可靠性进行量化分析;而鲁棒性优化则主要针对识别出的薄弱环节,通过调整系统结构、控制策略或资源配置提升系统的抗干扰与自适应能力。系统综述了上述3个方向的研究进展,并深入探讨了现有技术方法,下信息物理系统鲁棒性保障面临的关键挑战,包括多源不确定性识别与建模困难、鲁棒性评估缺乏统一标准与高效方法,以及鲁棒性优化策略实施复杂。在此基础上,进一步展望了未来研究的潜在方向,包括面向多源不确定性演化的测试用例生成、基于预测的智能化鲁棒性评估以及自适应鲁棒性修复策略。该研究旨在为信息物理系统鲁棒性研究提供系统性的技术参考,推动高可靠信息物理系统的设计与实践。

在工业物联网、金融科技等领域浮点型时间序列数据呈爆发式增长的背景下,给数据存储和传输带来了巨大的挑战,浮点时间序列数据压缩变得至关重要。时序数据中通常存在异常值污染导致编码冗余、缺失值破坏时序连续性、非结构化时序引发预测模型失效,单一预测模型在应对线性短周期与稀疏复杂场景时性能差异显著的问题。针对这些问题,提出了ALHC 算法,为满足浮点压缩对数据准确性、连续性和分布特性还有残差计算的需求,设计了一套针对性的数据清洗流程,构建可以动态切换的 TCN-LSTM 神经网络预测器与基于 LMS 算法的自适应线性预测器的混合架构,使其可以在不同场景上适配,并将自适应预测器作为后处理模块进行残差修正,提升预测精度,降低残差,提高熵编码效率。在14个公开时间序列数据集上对所提压缩算法进行实验评估,结果表明,在无损的情况下平均压缩比可达到0.24。

针对深度学习中噪声数据导致的模型过拟合与训练不稳定问题,首次将控制理论中的动态误差补偿机制引入代码生成任务,提出一种基于动态调节交叉熵损失函数(PID-CE Loss)的代码生成模型(PID-Dynamic LSTM)。传统交叉熵损失函数在噪声场景下易受异常样本干扰,导致梯度更新方向偏移与收敛速度下降。通过融合比例(P)、积分(I)、微分(D)控制项,构建动态误差补偿机制:1)比例项保留交叉熵的即时误差响应特性;2)积分项引入指数移动平均(EMA)差分捕捉损失变化的长期趋势,修正累积偏差;3)微分项通过约束相邻训练步概率分布的均方误差(MSE),抑制噪声引发的预测突变。实验表明,在500轮含噪声训练中,所提方法在测试数据集上达到96.28%验证准确率(较基线提升3.42%),首次达到80%准确率所需训练轮次减少31.7%(224→153轮),过拟合间隙降低6.4%,损失波动下降18.5%。消融实验进一步验证了PID-CE对噪声抑制的关键作用以及参数特性。该方法为噪声鲁棒性优化提供了理论可解释、工程易部署的新范式,在噪声敏感场景中具有相应的应用潜力。

软件体系结构C2 风格是一种典型的层次化风格,强调软件构件通过连接件等规则进行通讯。将现有的软件系统向C2风格转换,能有效提升系统的灵活性与可扩展性。然而,现有软件系统存在构件直接连接导致的连接件不明确,以及软件系统在演化过程中路径不明确等问题。提出了基于规则的以“核类”为中心的聚类方法,用于识别连接件;进一步设计了一种引入CodeT5语义信息引导变异的改进多目标优化遗传算法,以C2风格距离、模块化质量和演化代价为优化目标,搜索得到更优的C2风格软件体系结构。最后,基于反射模型提取软件系统演化前后软件体系结构的差异,生成PDDL等领域文件,结合PDDL解释器生成演化路径。实验表明,RBCOC方法能够有效识别连接件。CT5NSGA3算法在C2风格体系结构搜索中表现出良好的性能,对比实验还验证了CT5NSGA3算法优于传统NSGA3算法。

预处理共轭梯度(PCG)法作为一种大规模稀疏矩阵迭代求解算法,广泛应用于科学工程计算、人工智能等领域。现有研究聚焦于使用深度学习生成预条件算子,以加快求解速度。然而,由于稀疏矩阵的空间复杂性,固定预条件算子不具备通用性,难以适用于所有的稀疏矩阵。为了解决这个问题,提出了一种基于深度学习的预条件算子自适应选择算法及其优化方法。首先,设计了一种卷积神经网络PCNN来捕获稀疏矩阵的空间结构特性;其次,基于此构建了一种结合多层感知机的自适应分类预测模型以选择最优预条件算子。在佛罗里达公开数据集上的实验结果表明,所提出方法的分类准确率优于MLP和SVM等深度学习方法,可达到70.49%;与基于Jacobi,ICCG和SSOR的PCG算法相比,所提出方法的性能分别提高了5.5,4.3和6.2倍。

传统编译器优化面临规则固化、场景局限和人工设计效率天花板的问题,难以满足不同程序的高效编译需求。对此,研究者提出了自动调优、贝叶斯优化等算法进行优化选项和参数的寻优。然而,现有方法面临两方面的问题:一是需迭代运行目标码,成本高,面对大规模程序不可行;二是将程序作为黑盒,导致存在依赖初始配置、陷入局部最优、面对新程序需重新调优等问题。对此,提出基于程序特征的智能化编译优化技术,通过编译器采集程序特征信息,利用包含程序特征及较优选项组合的数据集训练深度学习模型,使其根据输入程序特征预测适配的选项组合;此外,针对循环展开等优化过程,以细粒度的参数寻优为目标,结合机器学习模型和程序特征实现关键参数的智能化选择。采用标准规模的SPEC CPU2017整数课题进行测试,相较O3优化级别,使用所提模型预测得到的优化选项和参数具有7.2%的性能提升,且模型平均推理时间仅为7.11 s,产生的编译时特征提取时间开销仅为1.02%。实验结果表明,该技术能有效预测不同程序的匹配编译优化选项和参数,且与现有技术相比有显著的成本优势。