fzq0625的博客

为了解决该问题，本文提出了一种“单层对多层”的中间层映射方式，例如：当学生模型的中间层数为3，教师模型1的中间层数为12，教师模型2的中间层数为6时，学生模型的第1层中间层需要与教师模型1的第1、2、3层进行映射，也需要与教师模型2的第1、2层的中间层进行映射，并以此类推，计算并最小化中间层损失函数，从而使学生模型可以学习到每一个教师模型的每一个中间层的知识。采用“多教师蒸馏”的方法，可以进一步提高学生模型的表现，而传统的对教师模型中间层采用的“一对一”强制指定的策略会导致大部分的中间特征被舍弃。

摘要为了降低大规模数据谱聚类计算负担，进一步提高聚类的准确性和鲁棒性，提出了一种基于三阶张量的大规模数据谱聚类集成算法。首先，提出一种混合代表最近邻近似方法构造数据间的稀疏亲和子矩阵；然后将稀疏亲和子矩阵表示为二部图，通过图分割的方法得到初步聚类结果；最后，提出三阶张量集成方法，将多个聚类结果进行融合，得到最终的聚类结果。在大规模的真实数据集和合成数据集上验证，相较经典的谱聚类算法、聚类集成算法以及近年来对其改进的算法，该算法表现出更优异的性能。关键词： 数据聚类 ; 大规模数据 ; 谱聚类 ; 三阶张量

摘要健全和完善我国国防网络安全和数据治理架构，既是国家网络安全与数据治理的重要一环，也是在《数据安全法》框架下细分领域内的重要实践。运用比较分析和文献分析法，提炼美国2013—2022年《国防授权法》中国防网络安全与数据治理的逻辑特征，吸收美国国防网络安全与数据治理的成功经验，完善我国国防网络安全与数据治理的总体架构。总体国家安全观下的国防网络安全与数据治理需要兼顾传统安全与非传统安全建设的核心要素，完善国防网络与数据安全的专项立法、构建政民预警交互意识和政企合作交互布局的“双重交互”体系，完善我国国防网络

八卦炉”大模型的训练被扩展到新一代神威超级计算机的全机规模，这是首次在国产超算平台上支持完整的预训练流程，首次支持高达百万亿规模的模型训练。除此之外，我们团队目前已经在青岛超算中心成功适配了LLaMA大模型和国内的百川大模型，半精度和全精度的训练效果可以与英伟达GPU平台完全对齐，而成本只需要英伟达平台的六分之一。如何优化访存性能，可以参考以下方法：一是选择合适的拓扑结构，优化环网上的路由算法，使访存请求能够以最短路径到达目标节点，降低节点之间的通信时延；如何优化检查点存储，是大模型训练面临的重要问题。

摘要当前，人工智能持续升温，大语言模型吸引了众多人士的关注，并在全球范围内掀起了一股热潮。人工智能的成功本质上不是大算力“出奇迹”，而是改变了计算模型。首先，肯定了数据对于人工智能的基础性作用，指出合成数据将是未来数据的主要来源。然后，回顾了计算模型的发展历程，重点介绍了神经网络模型与图灵模型的历史性竞争；指出了大模型的重要标志是机器涌现智能，强调大模型的本质是“压缩”；分析了大模型产生“幻觉”的原因。最后，呼吁科技界在智能化科研中要重视大科学模型。关键词： 人工智能 ; 大数据 ; 计算模型 ; 神经网络

摘要近似最近邻搜索（ANNS）是计算机领域中一种重要的高效相似度搜索技术，可用于在大规模数据集中进行快速信息检索。随着人们对高精度信息检索的需求不断增长，同时使用结构化信息和非结构化信息进行混合查询的方式也得到了广泛应用。然而，基于近邻图的过滤贪心算法在混合查询时可能会因结构化约束条件的影响导致连通性降低，进而损害搜索精度。为此，提出了一种基于容忍因子的过滤贪心算法，通过容忍因子控制不满足结构化约束条件的顶点参与路由，在不改变索引结构的前提下维持原有近邻图的连通性，克服了结构化约束条件对检索精度的负面影响。

边缘智能可以满足这些应用的要求，比如更低的成本、更低的延迟，以及更好的隐私保护。为了发挥边缘计算的力量，本文综述了边缘智能与沉浸式元宇宙服务的关系、影响面向沉浸式元宇宙服务的边缘智能性能关键因素，以及边缘智能驱动的沉浸式元宇宙核心技术，包括面向元宇宙场景的内容自动生成、多元复杂场景的内容自动生成研究，以及延迟与精度联合感知的边缘推理。在支持用户风格偏好、个性需求实时生成内容方面，可利用基于不同目标的适应度函数，离线训练多种对抗生成网络模型，根据用户移动的历史轨迹和摄像头捕捉的物理环境，生成新的虚拟场景。

摘要实体获取是信息抽取的核心任务。近年来，在大数据训练模型的趋势下，深度学习在实体获取任务上取得了成功。但在自然环境等领域中，地形、灾害等类型的实体样本或者标注样本很少，而且对无标签样本进行标注又耗时费力。因此，面向低资源场景的实体获取逐渐受到关注，该任务被称作低资源实体获取或小样本实体获取。系统地梳理了当前低资源实体获取的相关工作，具体来说介绍了基于元学习、基于多任务学习和基于提示学习这3类方法的研究现状；总结了目前常用的低资源实体获取数据集和代表性模型在这些数据集上的实验结果；对低资源实体获取的方法进行

摘要联邦学习使用来自多个参与者提供的数据协同训练全局模型，近年来在促进企业间数据合作方面发挥着越来越重要的作用。另外，联邦学习训练范式常常面临数据不足的困境，因此为联邦学习参与者提供公平性保证以激励更多参与者贡献他们宝贵的资源是非常重要的。针对联邦学习的公平性问题，首先依据公平目标不同，从模型表现均衡、贡献评估公平、消除群体歧视出发进行了联邦学习公平性的3种分类；然后对现有的公平性促进方法进行了深入介绍与比较，旨在帮助研究者开发新的公平性促进方法；最后通过对联邦学习落地过程中的需求进行剖析，提出了未来联邦学

摘要可解释AI（explainable AI，XAI）是可信AI技术的重要组成。当前，业界对XAI的技术点展开了深入的研究，但在工程化实施方面尚缺少系统性研究。提出了一种通用的XAI技术架构，从原子解释生成、核心能力增强、业务组件嵌入、可信解释应用4个方面入手，设计了XAI基础能力层、XAI核心能力层、XAI业务组件层、XAI应用层4个层级，通过各技术层之间的分工协作，XAI工程化的落地实施得到了全流程保障。基于该XAI架构，可以灵活地引入新的技术模块，支撑XAI的产业化应用，为XAI在行业中的推广提供了一

通过数据驱动的方法发现因果拓扑关系，确定故障的特征，以实现故障诊断，主要包括基于特征关联的学习方法，基于特征工程的学习方法（如决策树、支持向量机、贝叶斯网络等）以及基于时序特征的时序分析方法。随着数字化技术的发展，越来越多的工业故障数据被收集和存储，这为数据主导的故障诊断方法提供了支撑，决策树、支持向量机和贝叶斯网络等机器学习算法的应用也逐步从数据驱动与领域经验结合的阶段，过渡到以数据驱动主导和可解释性结合的阶段，逐步减少了特征工程的需求和降低了特征工程的复杂性。这些数据在不同的阶段有不同的处理方式。

摘要基层治理是国家治理体系的基石，对夯实国家安全和维护社会稳定有极其重大的意义。当前，基层治理也面临诸多挑战，尤其是居民与政府之间的信息互通问题，需要重点解决各部门多头采集、居民反复填报信息、基层治理工作庞杂多变、负担繁重等难题。针对这些挑战，以数据为中心，构建政民互通的信息通道，通过灵活配置、自由组合的方式来快速搭建各类基层治理应用，实现政府基层部门与居民之间的双向互联、通而不扰，基层治理工作精准高效开展，信息及时、多级共享，为基层工作者减负赋能，畅通和规范群众诉求表达、权益保障通道。同时，政民信息通道有

摘要在中国数字经济发展过程中，相关部门充分发挥法治的保障作用，积极推进数据领域法律法规制定工作，初步构建形成了纵横结合的数据法律制度体系。首先，介绍了中国数据法律制度体系的基本概况，包含横向体系和纵向体系两个维度。其次，分析了中国数据法律制度的纵向体系，包括中央立法和地方立法两个层面，涵盖法律、行政法规、部门规章以及地方性法规和地方规章多个层级。再次，分析了中国数据法律制度体系的横向体系，主要包括数据安全与发展制度、个人信息保护制度、商业数据流通制度和政务数据管理制度四大制度板块。最后，总结了中国数据立法的

智慧服务体系旨在提供订票、订房、订车、旅游线路定制、线上线下互动交流等一体化功能，面向游客提供无缝化、即时化、精确化、互动化的旅游服务；甘肃旅游大数据中心主要面向政府旅游管理部门，接入电信、移动、联通、公安、公路、铁路、民航、气象、环保、景区、OTA平台、微信、其他网络平台13类数据，对行业数据进行信息化加工，构建相应的数据模型，从客流分析、客源地分析、游客属性分析、客流目的地分析、游客画像分析、车辆交通分析、网络舆情分析、宣传统计分析八大类数据维度出发，实现旅游相关数据的实时统计分析。

首先，对告警进行分类，通常分为对业务有直接影响的告警［6］（如在线下降、服务器 ping 不通、业务进程崩溃、业务进程日志中出现致命字符串等）和预警（如在线波动、CPU和内存异常等）［7］，其次，完成告警的去重、合并和聚合，最后，通过规则库过滤进行告警收敛［8］，对于误报、连锁告警、大量告警等现象，会进行根因定位分析等，并做可视化数据呈现［9］。例如在图1中，Ts = 0，Te = 600，告警序列 s由多个有序的告警向量（A，t）组成（其中A为告警监控项，t为告警发生的时间，A∈E）。

在CD代码中，该项目使用kustomize实现对不同的环境，使用不同的配置进行部署，同样是如同terraform一样的目录结构，base目录是基本的配置，通常我们这里放的是开发环境的配置，而在overlay中的四个目录对应用于dev，staging、perprod，production四个环境，可以把对不同环境所对应的配置写在里面。刚开始的时候，出现的是服务器自动化部署工具，就是如Cobbler、Ux-ignite等，这种类型工具是部署操作系统的，可以一键部署几十台甚至上百台的服务器，如图一。

为此，需检查相关达梦本身系统级的运行情况，以及影响sql返回相关环节的组件运行情况分析。在确定性能问题来自慢日志记录后，进一步对慢日志配置进行分析排查，结合业务场景和配置分析发现，当前配置会产生大量慢日志，同时考虑到在进行基线配置时，慢日志缓冲区大小当前配置仅有 1M，在开启慢日志记录参数时如果碰到大并发压测，记录相关的参数的量很大，占用了本就不足的磁盘 IO，5 分钟是否开启记录参数日志量对比，开启慢日志参数记录时5分钟日志产生约153MB，不开启参数记录时，约704KB，日志记录相差约 200 倍。

如果一味的使用传统的ELK架构模式，随着业务规模扩大，系统日志量激增，这种架构将不足以支撑。本文介绍了日志模块常使用的技术组件，结合企业实践，分析常见日志场景下的几种技术架构选型，希望可以给大家在进行日志模块/中心建设规划时提供参考。

对于业务活动，业务负载有明显上升的预期，到达一定程度之后，应用和数据库服务器的压力都会上升，当现有服务器处理能力不足时，应用和数据库服务器的计算资源都可能需要扩展。但对本地存储的主从架构，即使在主机层面的故障，也必须要对脑裂以及双主情况判断、防范和处理，避免双主情况的发生。金融企业的数据业务有很多种类，以保险为例：有支持前端的出单业务，有支持售后的理赔业务，也有支持客户管理的数据分析类业务，每一种业务的数据访问、数据量级、并发数量都是不同的，这必然导致数据库系统的计算任务和存储任务的负载比例是有差异的。

如表5所示，OLTP系统中，单进程的LGWR进程有可能成为一个大瓶颈，特别是在无法保证在线日志IO写性能的情况下，很容易出现排队等LGWR进程的情况。而小IO的应用，比如数据库，则需要通过IOPS和延时的指标来评测性能，高IOPS和低延时同时满足的情况下，才能应对高并发且快速的数据库访问，如表2。这里表1的数据仅提供一个通用的参考。存储IO性能优化一直是一个老大难的问题，同时多数时候存储性能问题是一个全局性问题，需要通盘考虑应用、DB、主机、网络、存储设备全IO链路栈的各层可能出现的性能问题或是性能瓶颈。

本文对分布式数据库的技术实现原理进行分析，试图梳理出分布式数据库的技术框架和功能模块，以及各功能模块采用的关键技术和技术特点，以帮助从业人员，在进行分布式数据库选型时，能更清晰地了解各类数据库产品的特点，并能够根据业务场景，选择合适的数据库。在集群中可作为网关使用，提供客户端应用程序和数据节点集群之间的外部API接口，或简单的SQL支持，负责语法解析、优化，形成执行计划，下压给数据节点执行，负责数据分片和聚合，记录元数据到配置节点，或从配置节点读取元数据。负责分片数据的实际存储和管理。

使应用从一开始被创建就具备云的特性，为云而生，它是为了充分利用云计算的分布式和弹性扩展等特征，使其具备或适应云上部署运行的要求，或者直接用云的思想、方法、工具在云中创建，天生具备云的特性。包括容器、服务网格、微服务、不变的基础设施和声明式API等。自服务敏捷响应基础设施为云原生应用的自动化环境准备、构建、部署、监控、反馈、健康检查、故障自愈、资源调度、弹性伸缩、动态路由和负载均衡等提供支撑， 实现自主服务平台进行云原生应用的部署和运行，使配置管理自动化、基础设施资源透明，无需关注应用运行在什么地方；

整体切换过程中，前期先引流业务量较小的公司，验证各个交易渠道的功能，待前期功能验证充分后，再做切换业务量较大的公司，降低整体切换的风险。以高并发插入场景优化为例，大量插入场景中使用sequence ，一般默认CACHE设置为20，而在某国产头部分布式数据库产品中，sequence加大cache缓存，避免业务高峰期额外生成sequence值对性能提升较为明显，通过将sequence的CACHE从 20优化为2000，插入性能提升了约2.7倍，满足了海量高并发插入场景性能的需求。

在金融领域财务报表对企业的发展规划具有重要作用，但提取报表中的有效信息仍然高度依赖于人工。为此，提出一种融合关键信息和实体边界信息的财务报表命名实体识别方法，以提升财务报表有效信息提取效率。首先，通过两个卷积层、自注意力机制及门控机制组成的卷积门控单元对编码器的输出进行局部特征提取，筛选关键信息来引导实体识别；其次，通过实体边界预测模块将实体边界信息融入具有句子依赖关系的长序列语义特征；

针对腰椎骨结构复杂智能辅助诊断难的问题，提出一种基于深度学习的计算机辅助诊断方法框架，对腰椎间盘突出症（LDH）进行辅助诊断。首先，在U-Net的编码和解码过程中加入Resblock模块且保留U-Net的跳跃连接，以增强目标区域特征传递、减少特征丢失并加快模型收敛速度。其次，通过最小包络矩形法定位椎骨中心，根据定位在椎骨矢状面原图上裁剪合适大小的ROI，实现全自动ROI获取。最后，在Xception网络中使用平均池化代替Flatten操作，添加BN层、Droupout层和动态学习率提升模型的速度和精确度。

大语言模型因其出色的情景学习和因果推理能力已越来越多地应用于人们的生活中，与大语言模型能力相对应的是在社区矛盾调解中需调解员在了解完矛盾纠纷后，对是非有一定的辨别能力，并站在中立角度对矛盾进行调解。大语言模型可以在一定程度上缓解现有的社区矛盾调解制度中存在的人力资源不足、调解难度高、公信力缺失的问题，但大语言模型昂贵的调用费用，又限制了其在基层社区中的使用。鉴于此，提出一种基于大小语言模型协同的社区矛盾调解框架，该框架使用免费的小语言模型生成矛盾摘要，并根据调解员的参与方式分为人机分流与人机协同。

由于AIGC（人工智能生成的内容）发展迅速，网络上涌现出一大批生成视频，但生成式AI可能会产生许多虚假信息，会对公众造成严重误导，不法之徒可以利用低成本高效率伪造文本、图片甚至视频进行诈骗、恐吓、诽谤等行为。据此，提出一个可以对孪生数字人的语言和行为进行授权的框架，该框架通过人脸识别和区块链加密生成数字签名，最后生成数字证书对信息进行保存授权。该方法有效地对生成的孪生数字人视频进行了真人核对、信息验证和物理信息保存授权。

图书借阅主题分析能够挖掘读者借阅喜好和阅读规律，通过使用借阅主题热度预测模型能够预测读者借阅主题热度变化趋势，对图书馆开展阅读推广活动具有重要意义。为了解决图书借阅主题提取、主题热度预测问题，提出基于LDA与双向GRU神经网络的借阅主题热度预测模型。该算法通过LDA算法提取读者不同时间段中的借阅图书特征和借阅主题，在计算不同时间段借阅主题热度、构建借阅主题热度序列数据集的基础上，构造基于双向GRU神经网络的主题热度预测模型以预测未来主题热度变化趋势，并在厦门大学图书馆纸质文献借阅记录数据集上进行实验评估。

影响力最大化是社交网络研究领域备受瞩目的问题之一，其目的是通过选择少量种子节点，尽量将影响力的传播范围最大化。传统的启发式算法往往只关注节点的单一特征，忽略了多个网络中心性指标的结合，受网络结构的影响较大，且容易导致“富人俱乐部”现象。为此，提出一种基于邻居重叠比与结构洞的影响力最大化算法ORSH，通过邻居重叠比和结构洞性质两个指标衡量一个节点是否拥有成为种子节点的特征。

设有回归数据集表示第i个样本的输入特征或属性，yi表示第i个样本的实值输出标签.若数据中存在数值型标签噪声，则实际标签yi可能不等于未知的真实标签标签噪声：(1)定义1. 真实经验误差.回归模型f(x)经数据D训练后基于无噪标签的真实经验误差：(2)定义2. 实际经验误差.模型在第i个样本的实际误差ri=f(xi)-yi，基于含噪标签的实际经验误差:(3)实际中由于真实标签未知，真实经验误差Remp(f,D)无法计算.虽然可以采用式(3)来近似真实经验误差，但通常会低估真实误差.

利用5G网络高可靠低时延（uRLLC）、超大带宽（eMBB）的特性，为远控驾驶构建5G虚拟专网承载业务，采用5G SA模式，分配专用的DNN，同时结合切片技术，在5G无线网侧采用RB资源预留、专用FlexE通道（传输通道带宽≥200 M）的硬切片，采用共享UPF，实现全网范围的网络隔离，充分保证业务数据的安全性和隔离性。5G 承载网系统是 5G 无线网、5G核心网、5G MEC以及驾驶舱的承载系统，采用智能城域网架构，主要由MCR、MER、MAR组成，满足各系统的接入需求以及数据可靠传输需求。

本文分析了面向工商业的分布式光伏电站在设计、建设过程中LCOE、IRR指标的优化思路与方法，并结合实际项目进行了仿真测算，验证了优化方法的有效性，为分布式光伏系统所生产的电能“平价上网”提供了参考依据。通过简易计算得知，在不考虑屋面租金、光伏支架、配套线缆及一二次设备等配套支出的情况下，仅将光伏组件单板造价、发电量、维护成本（按功率计算）、保险费等代入式（1）计算得到的LCOE远远小于工程实践中的平均值，因此在特定的装机容量下确保配套设备的高效利用，有助于降低LCOE。实际计算中，折现率可考虑取5%。

基于运营商数据特性，本文在业务理解和技术创新的基础上，采用事实抽取、统计分析、学习类算法等方式对多源合规数据进行标准化、集约化、流程化的设计与研发，形成了一套跨行业、分场景的标签体系，包括通用标签和金融、汽车、文旅3套行业标签。对于合规样本中的异常理赔人群，可基于图计算引擎快速对其内外部共有联系人进行研判分析，准确识别出56%的号码存在亲密关系以及15%的异常号码，进而采用数据挖掘、机器学习等技术，对风险团体成员的联系人、地点、时间等进行关联分析，找到团体活动的规律和特征。

图数据具有不规则的结构，图的节点之间是无序的，图中每个节点与其他节点之间存在复杂的依赖关系。研究了用户精准感知系统的构建方案，系统具备对运营商网络数据、业务数据以及声音、图像、文本数据进行多模态融合的能力，并能够通过图神经网络算法进行建模分析，实现对用户的精准感知与洞察。系统具备一套面向多模态数据处理和图谱挖掘的通用算子库，为相关人员进行算法模型开发提供个性化开发工具，包括图表示学习、图神经网络、数据预处理、多模态信息融合、语音识别、语义理解、文本处理、机器学习、情感识别、文本生成、关系抽取、深度学习等。

随着人工智能技术的发展，出现了基于特征工程的机器学习算法，常见的有逻辑回归、LightGBM等梯度提升模型，这类算法在线性模型的基础上提高了模型的复杂度，模型准确率也有一定幅度提升，同时也衍生了一些基于数据驱动的深度学习预测模型，常见的有循环神经网络（RNN）及其改进模型LSTM等，通常模型可解释性差，需要大量的训练数据且训练耗时。图3为时空图卷积模块的具体结构，模块的计算过程如下，其中f(A,xt)为前面介绍的卷积过程，即式（4），w和b为训练过程每一步骤的权重和偏移量，其他标识含义同上述GRU模块。

传统的宽带维护工作往往只围绕接入段质量开展，且系统、数据分散，不能有效协同，无法满足用户业务质差问题定位和解决，亟需形成宽带网络端到端维护优化工作方法，构建宽带网络全维度质量管理体系，开展面向用户家庭网络、网络侧、设备侧、业务侧、服务侧的数字化生产作业。设备故障和群障管理。拉通B、O、M域数据，构建端、网、业、服多维度全场景的大数据模型，统一数据规范，形成围绕智能规划、运行监控、质量感知、业务支撑、品质服务等“规、建、维、优、营、服”全场景的集约的数字化运营能力（见图5）。d）智能运维能力不足。

在《电力工程电缆设计标准》（GB50217-2018）中，对电缆的布放提出了明确的要求，包括电缆路径的选择、电缆在支架上的敷设要求、电缆敷设方式的选择等，但在实际工程实施时，由于部分施工人员对相关条款的要求理解不深刻，在电缆敷设过程中采用了不规范的施工方法，施工完成后遗留了不安全因素，导致后期产生各类故障，甚至发生严重的事故。在新装的列头柜内敷设连接电缆的过程中，由于电缆的另一端（电缆头用绝缘胶带包扎好）是悬空的，无论保护地线、工作地线和-48 V电缆的接线顺序如何，都非常安全，不会发生电源短路事故；

该项目在设计阶段，结合国家东数西算政策总体要求，面对该地区土地资源紧张的问题，在工艺要求和投资受控的基础上，通过高指标牵引，土地资源最大化利用，集约模块化布局等方面的多措施并举，最终各项指标均在业界领先：超高亩产率（173架/亩）、超高建筑利用率（81%）、超高出柜率〔7.9 ㎡/架（8 kW）〕。以某数据中心项目为例，对园区和建筑平面的集约化布局进行实证研究分析，提出在满足工艺要求和投资受控的基础上，适合数据中心园区在有限空间内最大化提升出柜率的措施，助力东部大数据产业园区的建设推广。

不同于传统的NTA流量分析技术，5G信令流量安全监测技术更多基于5G网络的业务特点和5G网络的协议特点去做分析，例如5G网络中N1/N2接口的NGAP协议、N3接口的GTP-U（GPRS Tunnelling Protocol for the User plane）协议、N4接口的PFCP协议等，并根据5G网络用户的特点和业务特点构建流量分析模型，对5G网络的安全监测更有针对性。因此，研究5G网络场景下的信令流量监测，对发现5G网络威胁及进行威胁溯源，提高5G网络全网安全态势感知能力，有着重要的意义。

a）由于卫星高速移动，UE和NTN网关之间的传播时延是持续变化的，当传播时延很大时，gNB发送的TA命令到达UE的时刻，TA命令可能是过期的。对于上述方案，UE能够补偿大部分的TA，gNB处理残余的定时误差，由于残余的定时误差足够小，PRACH接收机按照地面5G蜂窝网络的方法即可补偿残余的定时误差，然后gNB向UE发送MSG2即随机接入响应（Random Access Response，RAR），以便对UL定时进一步校准，UE根据MSG2中的定时命令，在MSG3（PUSCH）中应用新的定时校准。