摘要:针对智能反射面(reconfigurable intelligent surface,RIS)辅助的毫米波通信系统中传统信道估计方案导频开销过高、计算复杂度较大的问题,提出了一种基于多用户联合场景的交替方向乘子法(alternating direction method of multipliers,ADMM)信道估计方案。首先,利用不同用户级联信道存在公共BS-RIS部分,估计出用户信号的公共子空间并进行投影,有效减弱了噪声的影响。其次,考虑多用户级联信道的相关性和稀疏性,构建了稀疏级联信道矩阵和公共缩放因子矩阵的优化问题。对于该非凸联合优化问题,采用ADMM算法,交替优化估计稀疏矩阵和公共缩放因子矩阵。仿真结果表明,与现有方法相比,提出的基于多用户联合的ADMM信道估计方案导频开销将减少约50%。
摘要:网络流量分类对于网络安全维护和网络管理至关重要,在服务质量(quality of service,QoS)保证、入侵检测等任务中得到了广泛的应用。针对传统流量分类模型对特征提取不足,导致分类准确率较低等问题,提出了基于混合注意力(group mix attention, GMA)的Transformer和双向长短期记忆(bi-directional long short term memory,Bi-LSTM)网络的双模态网络流量分类(group mix transformer and Bi-LSTM for traffic classification,GMTBLC)方法。在数据预处理阶段,通过数据包的有效载荷生成会话内的包级别图像,以减少信息干扰。在分类阶段,图像首先由包混合Transformer(packet group mix transformer,PCMT)模块处理,该模块使用Transformer和GMA捕获全局特征。同时,会话图像由时空特征提取(spatio-temporal feature extraction,SFE)模块处理,其中数据包的空间特征由带有残差连接的卷积神经网络提取,数据包的时间特征由双向LSTM提取。在融合分类层中,通过动态加权机制融合上述全局特征和时空特征,最终完成网络流量分类。在公共数据集ISCX和USTC-TFC2016上进行的实验表明,该模型的分类准确率达99.31%,精确率、召回率和F1值均达到98%以上,相比其他模型分类效果更优。
摘要:为解决智算中心超大规模算力集群算力可用率低、国产技术成熟度低、大规模组网效率存在瓶颈、运营运维复杂等问题,提出了一种基于云计算技术构建智算中心万卡集群的系统。采用18 432块神经网络处理单元(neural processing unit,NPU)卡和优化后的基于以太网的远程直接内存访问(remote direct memory access,RDMA)网络构建云化的智算中心万卡集群,结合软件定义网络(software defined network,SDN)技术实现RDMA网络租户隔离,实现了链路负载均衡误差小于10%,集群All-Reduce带宽达35 GB/s以上。采用优化后的分布式存储协议,实现模型断点恢复时长缩短为原来的1/2。验证结果表明,经过软硬件协同优化,国产化的NPU万卡集群不仅能够满足千亿参数大模型训练的需求,未来更可以支撑万亿参数大模型训练任务。