吴建明wujianming_110117

边缘计算架构分析2021云计算十大关键词分别是：云原生、高性能、混沌工程、混合云、边缘计算、零信任、优化治理、数字政府、低碳云、企业数字化转型。本文主要参考了以下文章https://mp.weixin.qq.com/s/sULsk-JNNaLPa9NG69fb3whttps://mp.weixin.qq.com/s/LaqElDQjmr0xpZ7S9sNxwAhttps://mp.weixin.qq.com/s/Jcy_zv4xI7giktRpA4y3-A1云原生：云计算架构正在以云原生为技术

iPhone 14 与iPhone 13iPhone14Pro配置曝光：感叹号+4800w像素 | 小米12Ultra 最新套壳图距离下一代iPhone发布还有半年之久，关于iPhone14系列的传言越来越多，首先是前置设计，iPhone13系列为了给摄像头让出地方，刘海被迫缩窄。而到iPhone14上会用感叹号来取代刘海，并且有一定概率是Pro系列专属，觉得和刘海哪个更好看呢？这个设计比较大的槽点还是不对称，不过正如4年前的刘海，刚发布被吐槽，吐槽着吐槽着也就习惯了，再降个价就真香了…除了新

手机操作系统盘点2021手机系统流畅度排行榜说到流畅度，很多用户都会想到iPhone。作为手机行业的“一哥”苹果，iPhone上的iOS也被很多人认为是最流畅的手机系统。随着安卓手机性能的提升，手机厂商也在不断优化系统底层。目前国产手机的流畅度还没有输给苹果，加上安卓旗舰独有的高屏，视觉流畅度甚至可以部分超越iPhone。对于安卓手机的流畅度，知名评测机构也发布了一份榜单，可以一窥昕手机的流畅度。 手机流畅度测试包括系统文件复制、桌面滑动、网页加载、App使用、图片查看等。根据手机运行性能，综合得出各模

处理器中断的本质，硬中断、软中断、异常的区别硬中断，CPU外部的硬件，引入的中断，随机的。软中断，CPU中运行的软件执行中断指令，，引入的中断，预先设计的。中断屏蔽硬中断是可屏蔽的，软中断不可屏蔽。中断嵌套硬中断是否可以嵌套的，是否有优先级（由硬件设计体系决定）。软中断不能嵌套，但相同类型的软中断可以在不同CPU上并行执行。中断的由来1956年，ERA 1103A计算机系统引入了中断（interrupt）机制。ERA 1103A用于接收、处理风洞试验数据，再将数据处理结果返回给风洞，如

SSD固态硬盘主控技术固态硬盘（Solid State Disk或Solid State Drive，简称SSD），又称固态驱动器，是用固态电子存储芯片阵列制成的硬盘。固态硬盘，因为台湾的英语里把固体电容称为Solid而得名。SSD由控制单元和存储单元（FLASH芯片、DRAM芯片）组成。固态硬盘在接口的规范和定义、功能及使用方法上与普通硬盘的完全相同，在产品外形和尺寸上基本与普通硬盘一致（新兴的U.2，M.2等形式的固态硬盘尺寸和外形与SATA机械硬盘完全不同）。广泛应用于军事、车载、工控、视频监

NXP自动驾驶方案1.安全性概述NXP Automotive High Performance Compute利用无缝互操作和汽车级解决方案，加速自主车辆开发，以最大限度地提高安全性。需要处理（或融合）越来越多的传感器（如摄像头、雷达、激光雷达和V2X通信）生成的数据，以便更准确、可靠地感知车辆周围的环境，从而做出更好、更安全的决策。传感器融合解决方案，涵盖从S32V vision和传感器融合处理器到NXP BlueBox Automotive高性能计算开发平台，为分布式和集中式数据融合，提供必要

SoC（System on chip）与NoC（network-on-chip)NoC是相对于SoC的新一代片上互连技术，要深入了解NoC必须深刻认识SoC，故本文组织结构为： SoC架构 SoC的局限性 SoC设计流程 NoC架构 NOC架构优势 NoC 和 SoC 的区别一．SoC基本架构典型的系统级芯片结构包括以下部分：• 至少一个微控制器(MCU)或微处理器(MPU)或数字信号处理器(DSP)，但是也可以有多个处理器内核;• 存储器可以是RAM、ROM、EEPROM

有了NPU，还要DSP吗？• 其实都是针对某种算法进行加速的处理器，不过NPU针对的是那些神经元算法，DSP针对的是信号处理算法，二者各有侧重NPU采用普林斯顿结构。DSP采用哈弗结构。各自有自己的指令系统。DSP是专注数字信号处理的，即使DSP处理器其实也是分了很多针对不同类型的信号的不同型号类型，比如有音频信号的、图像的等待NPU是专注于神经网络处理的，处理不同的数据。用通用架构的CPU处理AI和用NPU处理AI，速度是不同，但为什么还是离不开CPU呢，因为NPU只能处理AI计算，其它的也

MLIR Python绑定当前状态：正在开发中，默认情况下未启用build前提条件• 相对较新的Python3安装• pybind11 必须已安装，可被CMake定位（如果通过进行安装，则会自动检测到 python -m pip install pybind11）。注意：所需的最低版本：：2.6.0。CMake的变量• MLIR_BINDINGS_PYTHON_ENABLED:BOOL启用构建Python绑定的功能。默认为OFF。• Python3_EXECUTABLE：STRING指定

Rust和C / C ++的跨语言链接时间优化LTO链接时间优化（LTO）是LLVM实施整个程序优化的方法。跨语言LTO是Rust编译器中的一项新功能，使LLVM的链接时间优化可以在混合的C / C ++ / Rust代码库中执行。也是一项功能，完美结合了Rust编程语言和LLVM编译器平台的两个优点：• Rust缺乏语言运行时和底层访问能力，几乎具有与现有C / C ++代码库无缝集成的独特能力，并且• 作为语言不可知的基础，LLVM提供了一个通用基础，在该基础上不再需要编写特定代码的源语言。那么

阿里中台业务架构很多企业都将促进业务与科技的深度融合作为发展战略，也都想学学阿里的中台战略，其实，除了中台战略之外，基于企业级业务架构设计来实现组件化开发也是企业数字化转型的优选路径，是弥合业务与技术之间“数字鸿沟”的有效手段。未来，业务不再仅仅是业务，技术也不再仅仅是技术，谁先实现思维方式的改进，谁能更好地联动整个企业，谁就能赢得竞争的先手，而业务架构能力可以在这方面发挥关键作用，而且是超越中台之上的作用。阿里中台阿里的中台是个累积的过程，从 2009 年建立共享事业部开始，几经曲折，但是一直在积累

Dockerfile构建实践本文介绍了用于构建有效图像的推荐最佳实践和方法。Docker通过从一个Dockerfile文本文件中读取指令来自动构建映像，该文本文件按顺序包含构建给定映像所需的所有命令。ADockerfile遵循特定的格式和指令集，可以在Dockerfile参考中找到该指令。Docker映像由只读层组成，每个只读层代表一个Dockerfile指令。这些层是堆叠的，每个层都是与上一层相比变化的增量。考虑一下Dockerfile：FROM ubuntu:18.04COPY . /app

Docker基本原理概述Docker是一个用于开发，交付和运行应用程序的开放平台。Docker能够将应用程序与基础架构分开，从而可以快速交付软件。借助Docker，可以以与管理应用程序相同的方式来管理基础架构。通过利用Docker的快速交付，测试和部署代码的方法，可以显着减少编写代码和在生产环境中运行代码之间的延迟。Docker平台Docker提供了在松散隔离的环境（称为容器）中打包和运行应用程序的功能。隔离和安全性可以在给定主机上同时运行多个容器。容器是轻量级的，包含运行该应用程序所需的所有内容，因

AIoT开放平台及应用阿里AIoT开放平台，是阿里云IoT面向开发者的能力接入渠道，开发者可以在这里完成能力的申请、开通、部署、配置和集成开发等一些列工作。这些能力并不的独立交付，而是通过关联到行业平台实例的形式进行交付，以实现相同能力在不同平台实例中的隔离和权限控制。开放平台整体逻辑及角色对应，如下图所示：使用流程开放平台及行业能力的开通、配置、开发、使用流程。开放平台的使用流程，分成两大部分：行业平台的实例化过程和能力的使用流程。整体使用流程平台入驻：用户在使用开放平台之前，会要求用户进

AI+IoT+电池应用AIoT电池突破你的想象将行业领先的电池电化学技术与前沿的能源物联网最佳实践相结合，利用智能物联技术开展电池全生命周期的管理优化和交叉领域的协同应用，解锁动力电池全生命周期价值。AIoT手段提升产品研发效率行驶数据积累，通过AI算法优化原材配方，数字化解构电池使用工况，大数据分析每个失效的机理，作为AIoT数据的输入端。C利用电化学仿真优化加速电芯设计节奏，预测不同工作环境下的电池表现，在提升研发效率，缩短开发周期同时，促进新一代产品研发。可追溯管理系统海量数据节点形成

智能物联网（AIoT，2020年）（下）12工业物联网是AIoT在工业领域第一战场工业物联网分为感知、决策、执行，OS与软件是大脑+神经13工业场景下一步如何使用AIoT不止工业物联网：用人工智能提升柔性生产的顶层设计14城市场景的AIoT集中在监管、调度、公共服务领域15 城市：人类智慧+机器智能的高度互动体AIoT赋予智慧城市中台毛细血管级感知与响应能力16 城市AIoT的投入与发展从智慧到智能，以人工智能提升城市运转效率中国AloT发展趋势AIoT撬动新玩法

智能物联网（AIoT，2020年）（中）05 中国AIoT产业图谱06 中国AIoT商业模式标准程度越低人力和时间成本投入越多，2B2C模式附加值高07 中国AIoT玩家分布简介四类玩家，优势与策略各异08 建筑人居类场景的AIoT通过单品+系统联动场景，向“管家模式”迈进增强安防措施、改善居住体验、运营降本增效是场景共性09 建筑人居：AIoT实现人与环境自主适应以智能端为入口，配合平台完成感知、分析与联动10 中国AIoT住宅与人居的发展现状超半数智慧人居住

智能物联网（AIoT，2020年）（上）中国AloT的概念与现状01智能物联网（AIoT）定义人工智能与物联网的协同应用02 AIoT2025产业瞭望：家庭AI管家智能家居交互方式无感化，跨终端无缝体验03 AIoT2025产业瞭望：建筑人居人居关怀使五千万人居住和工作体验提升04 AIoT2025产业瞭望：工业制造人机协同使7万工厂、630万制造从业者受益05 AIoT2025产业瞭望：智慧城市AIoT能够广泛应用于城市中普遍存在的各类终端设备上06 AIoT整体架构

AIoT 2020 年分析2020年，从智能手机到智能手表，从智能摄像头到智能汽车，随着AI、芯片、云计算、通信等基础技术的逐渐成熟，又一个行业来到了历史性的时刻——AIoT。从“万物互联”到“万物智联”所谓的万物智联，或许正如写出《数字化生存》的麻省理工教授尼葛洛庞帝所言，“物联网时代的创新应该是往微波炉里放一只鸡，微波炉自己知道如何烹饪这只鸡，而不是可以通过手机打开微波炉的开关”。在万物智联的场景中，设备与设备间将互联互通，形成数据交互、共享的新生态。在这个过程中，终端不仅需要有更加高效的计算能

CUDA 7流简化并发异构计算是指有效使用系统中的所有处理器，包括CPU和GPU。为此，应用程序必须在多个处理器上同时执行功能。CUDA应用程序通过在流（按顺序执行的命令序列）中，执行异步命令来管理并发性。不同的流可能同时执行，或彼此相对执行命令。在不指定流的情况下执行异步CUDA命令时，运行时runtime将使用默认流。在CUDA 7之前，默认流是特殊流，它与设备上的所有其他流隐式同步。CUDA 7引入了大量强大的新功能，其中包括为每个主机线程使用独立默认流的新选项，从而避免了对传统默认流的序列化。

C ++基本输入/输出本文将学习如何使用cin对象从用户那里获取输入，并使用cout对象在示例的帮助下向用户显示输出。C ++输出在C ++中，cout将格式化的输出发送到标准输出设备，例如屏幕。将cout对象与<<运算符一起使用以显示输出。示例1：字符串输出#include using namespace std;int main() {// prints the string enclosed in double quotescout << “This is

GPU编程和流式多处理器（六）5. 纹理和表面读取和写入纹理和表面的指令，所引用的隐式状态，比其他指令要多得多。header中包含诸如基地址，尺寸，格式和纹理内容的解释之类的参数，该header是一种中间数据结构，其软件抽象称为纹理参考或表面参考。当开发人员操纵纹理或表面引用时，CUDA运行时runtime和驱动程序，必须将这些更改转换为header，纹理或表面指令，将其作为索引引用。在启动在纹理或表面上运行的内核之前，驱动程序必须确保，在硬件上正确设置了所有状态。结果，启动此类内核，可能需要更长的时

GPU编程和流式多处理器（五）4. 条件代码硬件实现了“条件代码”或CC寄存器，其中包含用于整数比较的常用4位状态向量（符号，进位，零，溢出）。可以使用比较指令（例如ISET）来设置这些CC寄存器，并且它们可以通过谓词或发散来指导执行流程。预测允许（或禁止）在warp内基于每个线程执行指令，而分歧则是较长指令序列的条件执行。因为SM内的处理器以warp粒度（一次32个线程）以SIMD方式执行指令，所以如果warp内的所有线程都采用相同的代码路径，则差异会导致执行的指令更少。4.1. 谓词由于管理发散

GPU编程和流式多处理器（四）3.2. 单精度（32位）单精度浮点支持是GPU计算的主力军。GPU已经过优化，可以在此数据类型上原生提供高性能，不仅适用于核心标准IEEE操作（例如加法和乘法），还适用于非标准操作（例如对先验的近似（例如sin（）和log（）））。32位值与整数保存在同一寄存器文件中，因此单精度浮点值和32位整数（使用__float_as_int（）和__int_as_float（））之间的强制转换是免费的。加法，乘法和乘加编译器自动将浮点值的+，–和运算符转换为加，乘和乘加指令。所

GPU编程和流式多处理器（三）3. Floating-Point Support快速的本机浮点硬件是GPU的存在理由，并且在许多方面，它们在浮点实现方面都等于或优于CPU。全速支持异常可以根据每条指令指定直接舍入，特殊功能单元可为六种流行的单精度先验函数，提供高性能的近似函数。相比之下，x86 CPU在微代码中实现异常，其运行速度可能比在规范化浮点算子上运行的速度慢100倍。舍入方向是由一个控制字指定的，该控制字需要数十个时钟周期来更改，并且SSE指令集中唯一的超越逼近函数是用于倒数和倒数平方根的，给出

GPU编程和流式多处理器（二）2. 整数支持SM具有32位整数运算的完整补充。• 加法运算符的可选否定加法• 乘法与乘法加法• 整数除法• 逻辑运算• 条件码操作• to/from浮点转换• 其它操作（例如，SIMD指令用于narrow整数，population人口计数，查找第一个零）CUDA通过标准C运算符公开了大部分此功能。非标准运算（例如24位乘法）可以使用内联PTX汇编或内部函数进行访问。2.1. 乘法在Tesla级和Fermi级硬件上，乘法的实现方式有所不同。特斯拉实现了2

适用于AMD ROC GPU的Numba概述Numba通过按照HSA执行模型将Python代码的受限子集直接编译到HSA内核和设备功能中，从而支持AMD ROC GPU编程。用Numba编写的内核似乎可以直接访问NumPy数组。术语以下列出了HSA编程主题中的几个重要术语：内核：由主机启动并在设备上执行的GPU功能设备功能：在设备上执行的GPU功能，只能从设备（即从内核或其他设备功能）调用需求本文档 介绍了使用ROC的要求。从本质上讲，需要AMD dGPU（iji, Polaris and V

Numba实时变量分析Numba使用引用计数进行垃圾回收，这是一种需要编译器配合的技术。Numba IR对必须插入decref的位置进行编码。这些位置通过实时变量分析确定。相应的源代码是https://github.com/numba/numba/blob/master/numba/interpreter.py中的_insert_var_dels() 方法。在Python语义中，一旦在函数内部定义了变量，该变量就一直存在，直到该变量被显式删除或函数作用域结束为止。但是，Numba会分析代码，以根据每个变

适用于CUDA GPU的Numba 随机数生成随机数生成Numba提供了可以在GPU上执行的随机数生成算法。由于NVIDIA如何实现cuRAND的技术问题，Numba的GPU随机数生成器并非基于cuRAND。相反，Numba的GPU RNG是xoroshiro128 +算法的实现。xoroshiro128 +算法的周期为2**128 - 1，比cuRAND中默认使用的XORWOW算法的周期短，但是xoroshiro128 +算法仍然通过了随机数发生器质量的BigCrush测试。在GPU上使用任何RNG

• 适用于CUDA GPU的Numba例子矩阵乘法这是使用CUDA内核的矩阵乘法的简单实现：@cuda.jitdef matmul(A, B, C):“”“Perform square matrix multiplication of C = A * B“””i, j = cuda.grid(2)if i < C.shape[0] and j < C.shape[1]:tmp = 0.for k in range(A.shape[1]):tmp += A[i, k] * B

共享CUDA内存进程间共享此功能仅限于Linux。将设备阵列导出到另一个进程使用CUDA IPC API，可以与同一台计算机上的另一个进程共享设备阵列。为此，请使用.get_ipc_handle()设备阵列上的方法获取一个IpcArrayHandle对象，该对象可以转移到另一个进程。DeviceNDArray.get_ipc_handle（）返回一个IpcArrayHandle对象，该对象可以安全地序列化并传输到另一个进程以共享本地分配。注意：此功能仅在Linux上可用。类numba.cud

CUDA功能和通用功能本文描述了类似于CUDA ufunc的对象。为了支持CUDA程序的编程模式，CUDA Vectorize和GUVectorize无法产生常规的ufunc。而是返回类似ufunc的对象。该对象是一个近似的对象，但与常规的NumPy ufunc不完全兼容。CUDA ufunc增加了对传递设备内阵列（已在GPU设备上）的支持，以减少PCI Express总线上的流量。它还接受用于以异步模式启动的stream关键字。示例：基本示例import mathfrom numba impor

编写CUDA内核介绍与用于CPU编程的传统顺序模型不同，CUDA具有执行模型。在CUDA中，编写的代码将同时由多个线程（通常成百上千个）执行。解决方案将通过定义网格，块和线程层次结构进行建模。Numba的CUDA支持提供了用于声明和管理此线程层次结构的工具。这些功能与NVidia的CUDA C语言开放的功能非常相似。Numba还开放了三种GPU内存：全局设备内存（连接到GPU本身的大型，相对较慢的片外内存），片上 共享内存和本地内存。对于除最简单算法以外的所有算法，务必仔细考虑如何使用和访问内存，以

LLD-LLVM链接器LLD是LLVM项目中的链接器，是系统链接器的直接替代，并且运行速度比它们快得多。它还提供了对工具链开发人员有用的功能。链接器按完整性降序支持ELF（Unix），PE / COFF（Windows），Mach-O（macOS）和WebAssembly。在内部，LLD由几个不同的链接器组成。ELF端口是本文档中将要描述的端口。PE / COFF端口已完成，包括Windows调试信息（PDB）支持。WebAssembly端口仍在开发中（请参阅WebAssembly lld port）。

Pass Infrastructure基础架构（下）pass注册PassRegistration该类在示例中简要显示了各种pass类型的定义 。该机制允许注册pass类，以便可以在文本pass管道描述中创建它们 。注册示例如下所示：void registerMyPass() {PassRegistration(“argument”, “description”);}• MyPass 是派生密码类的名称。• “参数”是用于以文本格式引用过程的参数。• “说明”是pass的简短说明。对于无法默

Pass Infrastructure基础架构（上）OperationPassOperationPassOp-SpecificOperationPassOp-AgnosticDependentDialectsAnalysisManagementQueryingAnalysesPreservingAnalysesPassFailurePassManagerOpPassManagerDynamicPass PipelinesInstanceSpecific Pa

算子规范化规范化是编译器IR设计的重要组成部分：它使实现可靠的编译器转换和确定代码中优劣的原因变得更加容易，并且使有关IR特定级别的目标的讨论变得更加有趣。丹·高曼（Dan Gohman）写了一篇文章 探讨这些问题。如果不熟悉这些概念，则值得阅读。大多数编译器都有规范化的遍历，有时它们有很多不同的遍历（例如LLVM中的instcombine，dag Combine等）。因为MLIR是一个多级IR，所以可以提供一个规范的基础架构，并在它代表的许多不同IR中重用它。本文介绍了通用方法，执行全局规范化，并提供

多级中间表示概述MLIRMLIR项目是一种构建可重用和可扩展的编译器基础结构的新颖方法。MLIR旨在解决软件碎片，改善异构硬件的编译，显着降低构建特定于域的编译器的成本以及帮助将现有编译器连接在一起的问题。要引用MLIR，请使用this Arxiv publication 。更多资源有关MLIR的更多信息，请参见：• LLVM论坛的MLIR部分中有 任何问题。• LLVM不和谐 服务器的MLIR通道上的实时讨论 。• 以前的 talks 。另请参阅 TensorFlow MLIR SIG ，

Docker Context基本原理介绍本指南介绍了上下文如何使单个Docker CLI轻松管理多个Swarm集群、多个Kubernetes集群和多个单独的Docker节点。单个Docker CLI可以有多个上下文。每个上下文包含管理不同集群或节点所需的所有端点和安全信息。docker context命令使配置这些上下文和在它们之间切换变得很容易。例如，您公司笔记本电脑上的单个Docker客户端可能配置有两个上下文：dev-k8s和prod swarm。dev-k8s包含用于在开发环境中配置和管理K

Docker Buildx插件OverviewDocker Buildx是一个CLI插件，它扩展了Docker命令，完全支持Moby BuildKit builder toolkit提供的功能。它提供了与docker build相同的用户体验，并提供了许多新功能，如创建作用域生成器实例和针对多个节点并发构建。安装Docker Buildx包含在Docker19.03中，并与以下Docker Desktop版本捆绑在一起。请注意，必须启用“实验特性”选项才能使用Docker Buildx。Docke