过刊目录嵌入式系统需求规约是系统开发的基石,承担着将高层用户意图转化为明确且可执行的软件需求的重要职能。当前,该过程仍高度依赖领域专家的人工推导与撰写,存在效率低、可解释性不足等固有局限性。尽管自动化需求生成被视为潜在的解决方案,其发展仍面临双重核心挑战:如何有效嵌入领域特定的设备知识、如何严格遵循意图可满足和可追溯性标准,构建具备可解释性的需求体系。为解决上述问题,提出了一种基于大语言模型(LLM)的可解释需求规约方法。该方法通过构建融合领域知识与需求工程的提示链,在人机交互协作下,逐层将用户意图补全并细化为设备、系统及软件需求,确保需求可满足,并引入问题图-情景图模型以保障需求的可追溯。在4个嵌入式系统案例上的实验表明,所提方法较人工方法节约73%时间成本,需求规约文档质量提升82%,而可解释性相较人工方法和单步LLM方法分别提升约15%和21%,为复杂嵌入式系统提供了一种高效且可信的需求规约新途径。
搜索树类算法广泛应用于数据库索引、编译器设计、文件系统等领域,其功能正确性验证是保障软件可靠性的关键环节。然而,传统开发流程存在2个主要问题:首先,算法设计常缺乏严格的数学建模,导致正确性验证停留于经验层面;其次,现有验证方法多依赖手工证明或交互式定理证明工具,随着算法规模的扩大,验证复杂度呈指数级增长。为解决上述问题,提出了Isabelle驱动的搜索树类算法建模及自动化验证方法。该方法基于经过形式化验证的函数式建模库,构建了涵盖搜索树类结构的模块化建模策略,并设计了形式化规约自动合成算法代码框架。开发者仅需补充少量函数表达式,即可实现完整的算法。此外,开发了可复用的验证引理库,并通过自动化分块验证策略有效降低了验证成本。进一步地,提出了函数式可执行程序生成方法。通过典型案例实验验证,结果表明所提方法显著降低了验证成本。与交互式验证方法相比,代码行数和人工占比分别平均减少了88.60%、61.51%;与“生成式AI+交互式验证方法”相比,代码行数和人工占比分别平均减少了88.09%、41.76%。该框架为特定领域复杂数据结构算法的形式化验证提供了系统性且高度自动化的解决方案,同时为生成正确的函数式可执行程序提供了可行路径与方法保障。
优先搜索树(priority search tree,PST)是一种融合搜索树与优先队列特性的数据结构,能够在保持搜索树最坏查找效率的基础上,根据数据的优先级判断其重要性,从而实现高优先级数据的快速检索。Nipkow等人对采用静态优先级机制的PST进行了形式化建模与机械化验证,为其理论分析奠定了重要基础。然而,在访问分布高度偏斜的场景下,静态机制易导致检索效率下降。为此,提出一种基于动态优先级思想的函数式自适应优先搜索树(functional adaptive priority search tree,FAPST),与PST相比,FAPST在通过函数式建模与机械化验证确保正确性的同时,能够根据访问分布特征动态调整数据优先级,在维持树结构平衡性与可控最坏查找效率的前提下,有效优化访问敏感数据的查找性能。进一步,针对实际应用中热点数据随时间变化的特点,引入热点转移机制,通过优先级衰减策略提升新热点响应速度,缓解旧热点固化问题。实验评估表明,在访问敏感场景和热点转移场景下,经过形式化验证的FAPST通过动态优先级和热点转移机制有效优化了查询效率,较PST关键函数调用次数分别缩短64.8%、46.3%。
图神经网络(graph neural networks,GNNs)和代码预训练模型(code pre-trained models, CodePTMs)已被广泛应用于漏洞检测任务,并在漏洞基准数据集上达到了当前最优(state-of-the-art, SOTA)性能。但这类数据集(称常规数据集)通常从不同来源收集漏洞样本和非漏洞样本,导致代码特征差异显著。因此,现有学习模型往往捕捉到的是特定数据集中的虚假特征,并未真正理解漏洞的根本成因。一个鲁棒且可靠的漏洞检测模型应当能对漏洞修复前后样本做出成对预测,即既能将漏洞代码识别为有漏洞,又能将其对应的修复版本判定为无漏洞。然而,现有学习模型在这种能力上存在显著不足,且尚未得到充分研究。具体而言,首先构建了一个大规模真实世界数据集,其中包含漏洞代码及其对应的修复版本。这确保了正负样本来源一致,从而在代码特征上形成相似分布。随后在严格实验设置下对8个主流SOTA漏洞检测模型进行评估,检验其能否区分漏洞代码与其修复版本(即配对漏洞实例)。实验结果表明,基于常规数据集进行训练时,所有模型在成对预测任务上表现均不佳。研究发现,使用配对实例重新训练可使模型性能平均提升17%。此外,揭示了现有CodePTMs在聚合局部代码信息(即与漏洞语义相关的关键语句)方面存在的局限性。基于上述发现,提出了一种新方法,评估结果表明,该方法在成对预测任务上相较于当前最优模型UniXcoder提升了58.47%。
当前大语言模型(LLM)允许用户通过模型上下文协议(Model Context Protocol,MCP)调用MCP服务器中的多种工具,进而与外部世界进行交互。然而,这些MCP服务器带来了新的安全隐患。具体而言,为了自动化完成诸如数据库查询和云服务设施管理等任务,这些工具被赋予了特定的权限。由于LLM安全性不足,攻击者可以利用LLM非法调用这些服务器所暴露的工具,对用户资产造成损害。因此,对MCP服务器和工具进行权限分析和控制至关重要。设计了一个自动化分析框架,旨在对 MCP 服务器及工具进行深入分析。该框架通过静态分析,可以确定工具调用的权限接口及其调用方法,并根据权限的敏感程度和行为进行分类,从而探究当前工具的权限使用现状。收集了
云计算数据中心的建设和运维成本居高不下,因此提升资源利用率、实现“降本增效”一直是云服务提供商尤为关注的话题。然而,现有的性能指标如基准测试,通常基于特定场景,缺乏适应性。而模拟运行或预运行的方案难以应对负载的突然变化。因此,云服务提供商迫切需要一种实时的性能指标来进行性能监测和资源管理。但是,现有的实时指标通常依赖于软硬件支持,且大多数无法准确识别资源瓶颈。为此,提出了KFCMetric (metric based on kernel function call frequencies),一种基于内核函数调用频率的性能指标。KFCMetric通过静态内核分析技术生成内核函数调用图,并利用随机森林筛选出与应用性能和资源状态高度相关的内核函数。这些内核函数的行为能够实时反映应用程序的运行状态,并精确定位性能瓶颈的根源。基于KFCMetric,进一步构建了资源管理系统KFCSys。KFCSys借助内核动态插桩技术实时捕获这些内核函数的调用与返回信息,并通过方差倍数法来量化数据点偏离正常值的程度来预警性能下降,从而根据延迟敏感型应用的实时状态,调度器动态调整资源分配,以满足延迟敏感型应用的资源需求。实验结果表明,KFCMetric在资源瓶颈检测方面的正确率达到96.7%,且在干扰检测上相比CPI的正确率最高提升31.4个百分点。在资源管理方面,KFCSys相较于PARTIES最高降低了30.4%的平均延迟,同时比Linux 资源管理系统降低了40.7%。此外,在性能违例时间占比上,KFCSys较PARTIES减少了10%。因此,在硬件或软件支持不可用的情况下,KFCMetric基于内核函数调用频率特征,为性能监测与资源管理提供了一种新颖且稳健的解决方案。
随着计算机硬件与软件的不断进步,图计算的应用领域日益广泛。图计算的访存行为多变,图计算在GPU执行时不同kernel访问属性数组展现出不同的空间局部性,同一个kernel访问不同的属性数组也展现出不同的空间局部性。当前GPU架构中的缓存优化策略未能有效挖掘图计算的性能潜力,最先进的缓存优化策略无法针对不同重用性的数据实施不同的管理策略,这是导致图计算性能低下的一个重要原因。为了解决上述问题,提出了专为GPU平台设计的AB-Cache架构。AB-Cache采用自适应的思想,巧妙地运用2种缓存结构分别优化具有不同空间局部性特征的内存访问请求。与AB-Cache架构相契合的在线自动分类机制能够以极低的开销迅速分类具有不同空间局部性的内存访问请求。通过对多个图计算应用及广泛图数据集的综合评估,AB-Cache相较于基线方案实现了1.14倍的加速效果,证明了该方案在图计算性能优化方面的有效性与实用性。
3维快速傅里叶变换(three-dimensional fast Fourier transform, 3D-FFT)作为高性能计算领域的核心算法,其加速优化对提升科学计算应用性能具有重要价值。针对现有3D-FFT实现方案在数据访存效率、同步处理机制和并行计算能力方面的性能瓶颈,设计并实现了一种基于CPU + FPGA异构计算架构的优化方法。通过建立3维数据分块传输模型,构建流水线式同步数据转置单元以及开发层次化多核并行计算架构,系统性地改善了3D-FFT算法执行效率。实验验证所提出的异构计算架构其存储器数据传输带宽达到202 GBps,实现了128个FFT核的并行计算且计算规模可扩展。实验结果表明,在处理典型科学计算场景中643和1283这2种3维矩阵的3D-FFT运算时,相较于传统CPU实现方案,该架构分别取得了62.7%和56.6%的性能提升;横向对比现有FPGA加速方案,计算效率分别提高32.6%和35.3%;在大规模矩阵处理中与GPU加速方案的性能相当。
混合位宽的块浮点(block floating point,BFP)技术为低比特位宽卷积计算提供了一种灵活的解决方案,能有效优化存储效率和计算精度。通过为数值敏感层分配更高的位宽,而为冗余或稳定区域分配较低的位宽,该方法在显著降低计算与存储开销的同时,仍能保持接近浮点精度的计算表现。尽管现有的研究已经部署了基于混合位宽的BFP卷积硬件方案,如现场可编程门阵列(field-programmable gate array,FPGA)等,但这些方案往往忽视了数字信号处理器(digital signal processor,DSP)的计算潜力,导致未能充分利用FPGA硬件资源,具体而言,DSP的利用不足往往导致不必要的资源浪费和计算吞吐量受限,从而限制了基于FPGA的BFP卷积加速器的整体性能。提出一种新颖的基于FPGA的BFP卷积处理单元,称为“BE-HB”,该设计利用单个DSP在双模式位宽(即8 b或16 b)下耦合2组BFP卷积计算,以实现高性能计算。接着,提供了一种映射方法,通过在计算中复用块浮点打包后的共享指数与私有尾数,实现减少在DSP内8 b或16 b数据宽度下2组BFP卷积计算的硬件资源开销。与具有代表性的基线方法相比,所提出的设计在保持模型精度的前提下,计算所需的LUT资源消耗平均降低了61.4%,实现了更好的性能和更低的资源消耗,使其更适合资源受限的基于FPGA的边缘计算平台。
机器学习技术已广泛应用于许多领域,但仍面临诸多挑战,包括对海量训练数据的依赖、难以适应环境变化、数据隐私与所有权问题,以及灾难性遗忘等。学件范式为系统性解决这些问题提供了新思路,其核心在于有组织地复用已有的高质量模型解决新任务,而不必从头训练模型。学件由模型和刻画其能力的规约构成,各式各样的学件通过学件基座系统统一管理。已有研究验证了当学件与用户任务特征空间相同时该范式的有效性,然而在实际场景中,与用户任务特征空间完全匹配的学件往往稀缺,甚至不存在。目前已有研究初步探索了异构特征空间下的单学件查搜与复用,然而单一学件性能有限,难以在整个用户任务上表现出色。多个异构特征学件在性能上虽有互补潜力,但如何准确识别并整合推荐学件的局部优势区域成为关键挑战。为此,提出一种类决策树结构的多学件组装复用算法,能够有效整合多个来自不同特征空间学件的高置信度区域。为进一步提升学件查搜的准确性,还提出了基于学件复用性能预估的查搜准则。实验结果表明,即使系统中不存在与用户任务完全匹配的模型,系统仍可有效查搜出多个对用户任务有帮助的异构特征学件,并通过树形组装推荐学件显著超越用户本地从头训练模型的性能。
随着大数据时代的到来,各种企业和组织在日益增长的业务拓展以及信息需求的推动下积累了海量的数据。这些数据通常以结构化或半结构化的形式存储在对应的关系型数据库中。SQL作为一种结构化的数据库查询语言,长期以来被广泛应用于数据的检索和处理。它为相关专业技术人员提供了一种高效的方式来与数据库进行交互,从而能够更快捷方便地实现对于数据的分析。随着大语言模型(large language models,LLMs)的快速发展,上下文学习(in-context learning,ICL)在文本生成SQL(text-to-SQL)任务中展现出巨大潜力。ICL能够使大语言模型通过利用参考示例生成准确的SQL查询。为了充分利用大语言模型在ICL机制下进行文本生成SQL,提出了一个新的SQL生成流程,该流程包括3个部分:首先,提出了迭代式的模式增强,以强化大语言模型对解决问题相关信息的关注。其次,利用SQL的骨架结构进行语义相似度筛选,从而辅助生成伪SQL(pseudo-SQL)查询。最后设计了一种参考示例选择策略,该策略结合问题与伪SQL骨架之间的相似性,以提高生成SQL查询的准确性。同时,在2个关键阶段中都引入了迭代优化过程,以逐步优化示例选择策略,直至达到稳定状态。在多个大语言模型和数据集上进行了广泛的实验,验证了所提出方法的有效性。
视觉强化学习已在诸多领域中展现出了巨大的潜力。然而,现有的算法仍面临着两大核心挑战:泛化能力不足和样本效率低下。由于训练数据的有限性以及环境的多样性和复杂性,强化学习智能体常因过度依赖训练环境中的特定特征,从而难以适应新的未见环境。即便是微小的环境变化,也可能导致图像中像素的显著变化,影响智能体已学习到的潜在表征,进而使其学到的策略失效。为了学习更具鲁棒性的表征,提出一种基于记忆增强与环境解耦的视觉强化学习表征算法EDRL(environment disentangled representation learning),旨在通过自监督学习框架提取环境无关的鲁棒表征,提升智能体的泛化能力和样本效率。首先,通过周期性数据增强和历史观测融合,模拟复杂环境变化并扩大有效观测范围,降低因训练不稳定性导致的策略偏差。其次,通过表征解耦与重构分离出环境无关的鲁棒表征。最后,通过预测时间步间的表征变化并引入动态一致性损失,确保表征的一致性与鲁棒性。在DMControl-GB(deepmind control generalization benchmark)和DistractingCS(distracting control suite)基准测试上的实验验证了EDRL的有效性。结果表明,相较于当前最优方法,EDRL在DMControl-GB的复杂场景下平均性能提升15%以上,在DistractingCS的高干扰环境下平均性能提升20%以上。
皮肤病变分割对于皮肤癌的定量分析与早期诊断具有重要意义。然而,由于病灶边界模糊、对比度低及伪影干扰等因素,自动分割任务仍面临较大挑战。尽管Mamba架构的视觉状态空间模型凭借线性复杂度和对长距离依赖的建模能力,在效率与性能上相较Transformer展现出明显优势,但在保持分割结果拓扑结构完整性方面仍存在不足。为缓解上述问题,提出拓扑先验引导的双分支视觉Mamba网络(TDBVM)。该网络采用双编码器架构,分别提取拓扑结构先验与深度语义特征。其中拓扑分支引入多颜色空间拓扑组件提取模块以生成拓扑信息图。 通过多尺度融合机制,拓扑先验有效引导视觉特征学习,增强模型对复杂边界与病灶形态的感知能力,并有效抑制伪影干扰。在ISIC2018,ISIC2017,ISIC2016,PH2数据集上的实验结果表明,所提方法在分割精度与拓扑结构保持方面均显著优于现有先进方法,表现出较好的分割性能与良好的泛化能力。
计算机的主要功能在于计算与处理,互联网的价值在于共享与协作。计算机催生互联网,互联网放大计算机的价值。互联网、云计算与大数据的快速发展推动了人工智能迈入大模型时代。然而,大模型在实际应用中面临训练成本高昂、泛在部署困难等挑战,促使大模型朝轻量化、私有化及垂直化方向发展。随着异构模型的急速增长和广泛分布,模型间的交互协同成为大模型发展亟须突破的瓶颈问题。受计算机互联网的发展模式启发,提出模型互联网(AI-ModelNet)的概念、构想及系统架构,它是一种通过构建模型间通路,实现互联互通、能力共享与协同推理等的新范式。首先,简要介绍了单一模型与多模型场景的发展现状;然后,系统性地阐述了模型互联网的总体构想与层次结构,并结合原型系统与相关应用实例验证了其可行性与实用性;最后,初步展望了未来研究的主要方向。
区块链分片技术通过网络分区实现交易的并行处理,被公认为是提升区块链可扩展性和系统性能的最有效解决方案之一。然而,现有分片方案主要针对用户间点对点的资金转移交易,在支持图灵完备智能合约方面存在显著局限性。由于执行基于图灵完备智能合约的业务逻辑通常需要发起多笔内部交易来同步状态,设计兼容智能合约的区块链分片(blockchain sharding with smart contract compatibility,BS-SCC)架构面临重大独特的技术挑战。尽管该领域已有大量研究成果,但目前仍缺乏系统性综述来梳理学术进展和研究脉络,为此对BS-SCC方案进行全面的文献综述。首先,深入剖析BS-SCC的研究背景与核心概念;其次,构建基于交易执行和状态存储维度的BS-SCC分类框架,将现有方案分类为链上和链下执行模型;随后,提出包含可靠性、有效性和其他关键性能指标的评估体系;进而,运用该评估体系对现有方案进行多维度比较分析;最后,识别当前研究中的技术瓶颈,并指出具有潜力的未来研究方向,旨在为学术界和工业界提供有价值的理论指导和技术参考。
远程直接内存访问(remote direct memory access,RDMA)技术广泛应用于超算以及智算所需的高带宽和低延迟传输,在带宽、效能和延迟方面与传统TCP/IP协议栈相比具备显著优势。高速传感器通过RDMA技术接入计算网络已逐渐成为工业界共识。然而,在该场景中应用RDMA存在嵌入式传感端资源受限、软件栈难以部署的问题。对嵌入式RDMA软件栈轻量化技术展开研究,提出了无高性能CPU和无操作系统条件下基于可靠UDP的轻量化RDMA建链方法和基于可靠以太网的轻量化RDMA驱动,设计了适用于嵌入式传感端的超轻量化RDMA软件栈。实验结果表明,轻量化嵌入式RDMA软件栈相较于标准RDMA软件栈可降低约94%的建链开销和84%的软件驱动开销,嵌入式传感端与标准端基于RDMA技术经由一级交换进行传感数据采集与可靠传输,系统带宽可达98.04 Gbps,端到端延迟低至4.58 μs,系统内标准端CPU开销低至4.2%。在协议兼容性方面,嵌入式RDMA端的READ和WRITE带宽随队列对(QP)数量和数据量的增加均能够达到标准端的峰值性能,READ和WRITE延迟在数据量较小时保持在微妙级水平。
C/C++和汇编语言混合编程在软件开发中被广泛使用。汇编语言的复杂性让混合编程容易出错。静态程序分析工具能减少软件漏洞,提高其鲁棒性。但基于LLVM IR开发的静态程序分析工具无法分析程序中的内嵌汇编代码。内嵌汇编代码影响程序中的数据流和控制流。静态分析工具忽略汇编代码导致程序中部分数据流未被纳入到分析中,使得误报率增加,准确率降低。设计并实现了LASM系统,该系统能将C/C++代码中的x86内嵌汇编代码自动提升成LLVM IR,并与编译C/C++得到的中间表示(IR)相融合,让下游的静态程序分析工具能对程序的所有代码进行全程序分析,降低误报率,提高准确率。LASM通过模拟硬件执行环境并使用LLVM IR的指令模拟汇编指令的语义,实现了汇编代码到LLVM IR的提升,并针对静态分析提供了原子指令语义简化和指针运算指令语义提升的优化。LASM能正确完整地模拟汇编指令的语义,提升汇编代码得到的LLVM IR代码在编译链接成可执行文件后可以正确运行。同时,LASM能和下游基于LLVM IR的静态程序分析工具无缝衔接,不需要任何适配即可增强工具的分析效果,达到复用和增强大量已有分析工具的目标。实验表明,LASM能支持针对Linux kernel的静态程序分析。在基于SVF分析Linux kernel对其全局变量的访问,并基于访问发生在初始化阶段还是初始化后阶段对变量进行分类的实验中,LASM的支持使分析精度提高了8.06个百分点,错误分类的变量数量下降了62.03%,在没有引入新分类错误的情况下多找到了14.80%的可保护变量。