张量转置(tensor transposition)作为基础张量运算原语,广泛应用于信号处理、科学计算以及深度学习等各种领域,在张量数据密集型应用及高性能计算中具有重要作用。随着能效指标在高性能计算系统中的重要性日益凸显,基于数字信号处理器(d...张量转置(tensor transposition)作为基础张量运算原语,广泛应用于信号处理、科学计算以及深度学习等各种领域,在张量数据密集型应用及高性能计算中具有重要作用。随着能效指标在高性能计算系统中的重要性日益凸显,基于数字信号处理器(digital signal processors,DSPs)的加速器已被集成至通用计算系统。然而,传统面向多核CPU和GPU的张量转置库因架构差异无法充分适配DSP架构。一方面,DSP架构的向量化计算潜力尚未得到充分挖掘;另一方面,其复杂的片上存储体系与多层次共享内存结构为张量并行程序设计带来了显著挑战。针对国产多核DSP的架构特点,提出ftmTT算法,并设计实现了一个面向多核DSP架构的通用张量转置库。ftmTT算法通过设计适配DSP架构的高效内存访问模式充分挖掘其并行化和向量化潜力,其核心创新包括:1)采用分块策略将高维张量转置转化为多核DSP平台所提供的矩阵转置内核操作;2)提出基于DMA点对点传输的张量数据块访存合并方案来降低数据搬运开销;3)通过双缓冲设计异步重叠转置计算与DMA传输实现计算通信隐藏,最终面向多核DSP实现高性能并行张量转置。在国产多核DSP平台FT-M7032的实验表明,ftmTT张量转置算法取得了最高达理论带宽75.96%的性能,达到FT-M7032平台STREAM带宽99.23%的性能。展开更多
We propose an optimal stochastic scheduling strategy for a multi-vector energy complex(MEC),considering a fullblown model of the power-to-biomethane(Pt M)process.Unlike conventional optimization that uses a simple eff...We propose an optimal stochastic scheduling strategy for a multi-vector energy complex(MEC),considering a fullblown model of the power-to-biomethane(Pt M)process.Unlike conventional optimization that uses a simple efficiency coefficient to coarsely model energy conversion between electricity and biomethane,a detailed Pt M model is introduced to emphasize the reactor kinetics and chemical equilibria of methanation.This model crystallizes the interactions between the Pt M process and MEC flexibility,allowing to adjust the operating condition of the methanation reactor for optimal MEC operation in stochastic scenarios.Temperature optimization and flowsheet design of the Pt M process increase the average selectivity of methane(i.e.,ratio between net biomethane production and hydrogen consumption)up to 83.7%in the proposed synthesis flowsheet.Simulation results can provide information and predictions to operators about the optimal operating conditions of a Pt M unit while improving the MEC flexibility.展开更多
【目的】工业控制系统(industrial control system,ICS)中设备间通信过程高度依赖工控协议来实现,协议安全性对保障ICS稳定运行起到关键作用。漏洞挖掘与入侵检测等作为ICS安全防御体系的核心技术组件,其有效性依赖于对工控协议结构及...【目的】工业控制系统(industrial control system,ICS)中设备间通信过程高度依赖工控协议来实现,协议安全性对保障ICS稳定运行起到关键作用。漏洞挖掘与入侵检测等作为ICS安全防御体系的核心技术组件,其有效性依赖于对工控协议结构及语义功能的精确解析。协议逆向分析作为解析协议结构与语义功能的关键技术,其核心环节语义推断精度直接决定协议理解的准确性。然而,受限于工控协议文档缺失、格式异构性强等现实条件,现有语义推断方法普遍依赖专家经验,存在自动化水平不足、跨协议泛化性能有限等固有瓶颈,难以适应实际工业环境中多源异构协议的高精度解析需求。【方法】为解决上述问题,本文提出mBERT协同多源领域自适应与结构化掩码策略的语义推断方法。通过mBERT模型实现跨协议通用语义表示;利用结合注意力权重与位置编码设计的结构化掩码策略,增强模型对协议结构和语义内在联系的表示能力,提高语义推断方法的自动化程度和效率;利用结合对抗训练的多源领域自适应逐步微调策略,提升模型对多个源协议的语义通用表示能力,增强其在多种工控协议上的适用性,实现关键字语义的有效推断。【结果】在辽宁省石油化工行业信息安全重点实验室的典型能源企业攻防演练靶场中开展实验验证,采集了S7comm、Modbus/TCP和EtherNet/IP三种工控协议数据,并利用协议复杂度评分机制组建训练数据集。结果表明,多源领域自适应逐步微调策略能够显著提升模型性能,将其与结构化掩码策略结合,进一步提高了语义推断精度,且本文方法在精确度、召回率与F_(1)分数指标上均显著优于现有基线方法。【结论】本文提出了mBERT协同多源领域自适应与结构化掩码策略的语义推断方法,在语义推断中采用高维球面映射与多任务损失函数,增强了不同语义类别的区分度与模型对协议语义的深层辨识能力。本文方法不仅显著降低了对人工先验知识的依赖,也提升了语义推断效率与跨协议适用性,为工控协议逆向分析及工业系统安全防护提供了具备理论支撑的新路径。展开更多
针对最大信息系数计算与传统支持向量机进行电力系统动态频率预测时计算或训练时间过长、精度较低、模型泛化性能较差等问题,通过改进最大信息系数计算的网格划分方法,并改造原有SVR模型的不等式约束条件以及模型损失函数,提出基于统计...针对最大信息系数计算与传统支持向量机进行电力系统动态频率预测时计算或训练时间过长、精度较低、模型泛化性能较差等问题,通过改进最大信息系数计算的网格划分方法,并改造原有SVR模型的不等式约束条件以及模型损失函数,提出基于统计信息系数与多输出最小二乘支持向量机(multi-output least squares support vector regreesion,MLSSVR)的频率响应曲线预测模型,实现对电力系统动态频率的特征提取、整体输出与链式预测,从而提升原有机器学习模型速度、精度和准确性。利用灰狼优化算法对MLSSVR算法中的核函数宽度以及惩罚因子进行寻优以提高模型综合性能。基于IEEE16机68节点的仿真实验证明,相较SVR算法及其他机器学习模型,本文所提模型的准确度、精度与训练预测速度均有提升,模型性能更强。展开更多
文摘张量转置(tensor transposition)作为基础张量运算原语,广泛应用于信号处理、科学计算以及深度学习等各种领域,在张量数据密集型应用及高性能计算中具有重要作用。随着能效指标在高性能计算系统中的重要性日益凸显,基于数字信号处理器(digital signal processors,DSPs)的加速器已被集成至通用计算系统。然而,传统面向多核CPU和GPU的张量转置库因架构差异无法充分适配DSP架构。一方面,DSP架构的向量化计算潜力尚未得到充分挖掘;另一方面,其复杂的片上存储体系与多层次共享内存结构为张量并行程序设计带来了显著挑战。针对国产多核DSP的架构特点,提出ftmTT算法,并设计实现了一个面向多核DSP架构的通用张量转置库。ftmTT算法通过设计适配DSP架构的高效内存访问模式充分挖掘其并行化和向量化潜力,其核心创新包括:1)采用分块策略将高维张量转置转化为多核DSP平台所提供的矩阵转置内核操作;2)提出基于DMA点对点传输的张量数据块访存合并方案来降低数据搬运开销;3)通过双缓冲设计异步重叠转置计算与DMA传输实现计算通信隐藏,最终面向多核DSP实现高性能并行张量转置。在国产多核DSP平台FT-M7032的实验表明,ftmTT张量转置算法取得了最高达理论带宽75.96%的性能,达到FT-M7032平台STREAM带宽99.23%的性能。
基金supported by the National Key R&D Program of China“Large-scale energy storage systems based on high temperature solid oxide electrolysis cells and biogas methanation technologies”(No.2021YFE0191200)。
文摘We propose an optimal stochastic scheduling strategy for a multi-vector energy complex(MEC),considering a fullblown model of the power-to-biomethane(Pt M)process.Unlike conventional optimization that uses a simple efficiency coefficient to coarsely model energy conversion between electricity and biomethane,a detailed Pt M model is introduced to emphasize the reactor kinetics and chemical equilibria of methanation.This model crystallizes the interactions between the Pt M process and MEC flexibility,allowing to adjust the operating condition of the methanation reactor for optimal MEC operation in stochastic scenarios.Temperature optimization and flowsheet design of the Pt M process increase the average selectivity of methane(i.e.,ratio between net biomethane production and hydrogen consumption)up to 83.7%in the proposed synthesis flowsheet.Simulation results can provide information and predictions to operators about the optimal operating conditions of a Pt M unit while improving the MEC flexibility.
文摘【目的】工业控制系统(industrial control system,ICS)中设备间通信过程高度依赖工控协议来实现,协议安全性对保障ICS稳定运行起到关键作用。漏洞挖掘与入侵检测等作为ICS安全防御体系的核心技术组件,其有效性依赖于对工控协议结构及语义功能的精确解析。协议逆向分析作为解析协议结构与语义功能的关键技术,其核心环节语义推断精度直接决定协议理解的准确性。然而,受限于工控协议文档缺失、格式异构性强等现实条件,现有语义推断方法普遍依赖专家经验,存在自动化水平不足、跨协议泛化性能有限等固有瓶颈,难以适应实际工业环境中多源异构协议的高精度解析需求。【方法】为解决上述问题,本文提出mBERT协同多源领域自适应与结构化掩码策略的语义推断方法。通过mBERT模型实现跨协议通用语义表示;利用结合注意力权重与位置编码设计的结构化掩码策略,增强模型对协议结构和语义内在联系的表示能力,提高语义推断方法的自动化程度和效率;利用结合对抗训练的多源领域自适应逐步微调策略,提升模型对多个源协议的语义通用表示能力,增强其在多种工控协议上的适用性,实现关键字语义的有效推断。【结果】在辽宁省石油化工行业信息安全重点实验室的典型能源企业攻防演练靶场中开展实验验证,采集了S7comm、Modbus/TCP和EtherNet/IP三种工控协议数据,并利用协议复杂度评分机制组建训练数据集。结果表明,多源领域自适应逐步微调策略能够显著提升模型性能,将其与结构化掩码策略结合,进一步提高了语义推断精度,且本文方法在精确度、召回率与F_(1)分数指标上均显著优于现有基线方法。【结论】本文提出了mBERT协同多源领域自适应与结构化掩码策略的语义推断方法,在语义推断中采用高维球面映射与多任务损失函数,增强了不同语义类别的区分度与模型对协议语义的深层辨识能力。本文方法不仅显著降低了对人工先验知识的依赖,也提升了语义推断效率与跨协议适用性,为工控协议逆向分析及工业系统安全防护提供了具备理论支撑的新路径。
文摘针对最大信息系数计算与传统支持向量机进行电力系统动态频率预测时计算或训练时间过长、精度较低、模型泛化性能较差等问题,通过改进最大信息系数计算的网格划分方法,并改造原有SVR模型的不等式约束条件以及模型损失函数,提出基于统计信息系数与多输出最小二乘支持向量机(multi-output least squares support vector regreesion,MLSSVR)的频率响应曲线预测模型,实现对电力系统动态频率的特征提取、整体输出与链式预测,从而提升原有机器学习模型速度、精度和准确性。利用灰狼优化算法对MLSSVR算法中的核函数宽度以及惩罚因子进行寻优以提高模型综合性能。基于IEEE16机68节点的仿真实验证明,相较SVR算法及其他机器学习模型,本文所提模型的准确度、精度与训练预测速度均有提升,模型性能更强。
