新型网络体系结构CEIO: A Cache-Efficient Network 1/O Architecture for NIC-CPU Data Paths 1. 摘要与核心贡献 摘要清晰指出,随着网络链路速度扩展至 100Gbps 乃至更高,传统 I/O 加速技术(如 Intel 的 DDIO 和 RDMA)由于 LLC 利用率低而性能受限。CEIO 的核心创新在于:在 NIC 入口处部署 I/O 管理器,通过信用-based 主... hhx 10小时前
人工智能A Switch-Centric In-Network Architecture for Accelerating LLM Inference in Shared-Memory Network 1. 摘要(Abstract) 本文研究的是大模型推理中的通信瓶颈问题,具体聚焦在 Tensor Parallelism(TP)推理场景下的 All-Reduce 加速。随着 LLM 参数规模不断扩大,单个 GPU 很难独立完成低延迟推理,多加速器并行已经成为常态。但在 ... cz 1天前
新型网络体系结构Centralium: A Hybrid Route-Planning Framework for Large-ScaleData Center Network Migrations . 研究背景:BGP 在超大规模网络迁移中的局限性 在 Meta(原 Facebook)的超大规模数据中心(DCN)中,网络迁移(如拓扑扩展、设备更迭、链路重组)已成为日常。传统的 BGP 协议虽然在可扩展性和容错性上表现卓越,但在处理动态迁移任务时却显得捉襟见肘。 BG... hhx 2周前 (04-28)
未来网络智能生态网络(IEN):知识驱动的未来价值互联网基础设施 Source: 应用科学学报 2020 年第 38 卷第 1 期 期刊:应用科学学报 Vol. 38 No. 1, January 2020 单位:北京大学信息工程学院 深圳市内容中心网络与区块链重点实验室;北京大学互联网研究院 作者:雷凯、黄硕康、方俊杰、黄... 杨, 宗霖 2周前 (04-26)
未来网络边缘智能融合区块链:研究现状、应用及挑战 Source: 信息与控制 2024 年第 53 卷第 1 期 期刊:信息与控制 Vol. 53 No. 1, 2024 DOI:10.13976/j.cnki.xk.2024.3222 单位:天津大学智能与计算学部;雄安国创中心科技有限公司 作者:任晓旭、仇... 杨, 宗霖 2周前 (04-26)
人工智能Enhancing LLM-based Search Agents via Contribution Weighted Group Relative Policy Optimization 1. 摘要(Abstract) 本文聚焦于 LLM-based Search Agent 的训练问题。现有方法在强化学习训练中主要面临一个核心难点credit assignment(贡献归因)。一方面,基于最终答案的 outcome supervision 虽然训练稳定,... cz 2周前 (04-22)
人工智能Learning with Semantics- Towards a Semantics-Aware Routing Anomaly Detection System ① 研究背景 在当前互联网域间路由系统中,BGP作为核心协议,其安全性长期受到路由劫持(hijack)、路由泄露(leak)等异常行为的威胁。尽管近年来RPKI、ROV等机制逐步部署,为路由验证提供了“可信锚点”,但实际网络环境却远比理想模型复杂。问题的关键在于:BGP是... 前康 3周前 (04-20)
ICNTGraph: A Tensor-centric Graph Processing Framework 1. 摘要(Abstract) TGraph是首个基于张量的通用图处理框架,旨在解决现有图系统难以跨硬件后端迁移的问题。传统图处理系统(如Ligra、Gunrock、cuGraph等)多针对特定硬件(如NVIDIA GPU或FPGA)进行深度优化,虽然在特定平台上性能突出... hhx 3周前 (04-20)
人工智能VEGA: An Active-tuning Learned Index with Group-Wise Learning Granularity 1. 摘要(Abstract) VEGA提出了一种全新的只读型(immutable)学习索引,旨在同时实现最先进的经验查询性能和严格的理论查询复杂度保证。现有最快的不变学习索引(如RMI)虽在实际查询吞吐量上表现突出,但缺乏非平凡的最坏情况查询界限;相反,提供紧致界限的索... hhx 4周前 (04-13)
人工智能Detecting Influence Structures in Multi-Agent Reinforcement Learning ① 研究背景:从“策略学习”走向“影响建模” 在多智能体强化学习(MARL)中,一个几乎所有工作都默认但很少被真正刻画的问题是:智能体之间到底是如何相互影响的?论文开篇就明确指出:“理解智能体之间的相互影响对于有效学习策略至关重要”在MARL系统中,所有智能体都处在一个共... 前康 1个月前 (04-07)