XiaoMi-AI文件搜索系统
World File Search System云中
云中的粒度委派管理特权（GDAP）...
网络安全仍然是我们数字时代最重要的挑战之一。创建安全的生态系统需要采用整体安全方法，其中包括零信任的心态，云端姿势以及对人和技能的投资。零信托遵循明确验证的原则，使用最小特权访问并假设违反。根据这些原则运作的组织更有弹性，一致和对新攻击的反应。与我们的合作伙伴一起，我们正在采取与这些原则保持一致的步骤，以保护渠道。
通过云中的机器学习算法优化数据仓库性能
通过机器学习算法优化数据仓库性能，美国美国云的独立研究人员，电子邮件：sina0 [at] acm.org摘要：这种全面的概述探讨了机器学习（ML）在数据仓库中的整合，专注于优化挑战，方法，方法，结果，结果以及未来趋势。数据仓库，报告和分析的核心，通过ML进行变革性转变，以应对高维护成本和失败率等挑战。集成通过查询优化，索引和自动数据管理增强了性能。结果显示了ML在工作负载管理，自动查询优化和自适应资源分配中的预测分析中的应用，从而提高了效率。但是，挑战包括数据隐私，安全问题和技能/资源约束。未来的范围可以预测诸如可解释的AI，自动化的ML，增强分析，联合学习和持续情报等趋势，从而对决策，资源分配，数据管理，隐私和实时响应产生潜在的影响。此简洁的摘要封装了ML在数据仓库中的关键方面，以进行整体理解。关键字：云，数据仓库，机器学习，算法1。简介数据仓库巩固了来自组织内各种来源的数据，作为数据管理和分析的关键工具。机器学习ML的集成最近增强了这些数据仓库，从而促进了创新和竞争优势。机器学习对于云的数据仓储优化至关重要。机器学习算法可确保减少延迟，增强查询优化并轻松处理需求。这为创新创造了新的机会，因此，竞争优势[1]。
IEEE 网络和云中的 AI/ML 研讨会
时间 主题 演讲者 08:00 – 08:50 AM 注册、咖啡和简便早餐 08:50 – 09:00 AM 欢迎致辞 研讨会主席 09:00 – 09:20 AM 压缩通信下的分布式学习 Christopher Matthew De Sa，康奈尔大学 09:20 – 09:40 AM 360 度视频流的深度学习 Yao Wang，纽约大学 09:40 – 10:00 AM COSMOS 智能交叉路口的边缘云深度学习 Zoran Kostic，哥伦比亚大学 10:00 – 10:20 AM 自动驾驶的机器学习 Urs Muller，NVIDIA 10:20 – 10:40 AM 学习利用多路径 TCP 控制带宽 Anwar Walid，诺基亚贝尔实验室 10:40 – 11:00 AM 咖啡休息 11:00 – 11:20 AM企业系统中的原因分析 Haifeng Chen，NEC 实验室 11:20 – 11:40 AM 云作为 IoT 智能的托管基础设施 Ken Birman，康奈尔大学 11:40 – 12:00 PM 5G 互联世界的自优化结构 David Krauss，Ciena 12:00 – 12:40 PM 午餐 12:40 – 01:00 PM 利用人工智能和开源打造 5G Mazin Gilbert，AT&T 01:00 – 01:20 PM 无线边缘的学习 Vincent Poor，普林斯顿大学 01:20 – 01:40 PM 在移动边缘云场景中支持基于 ML 的增强现实应用程序 Dipankar Raychaudhuri，WINLAB 罗格斯大学 01:40 – 02:00 PM 边缘的视觉识别：挑战与机遇 Bharath Hariharan，康奈尔大学02:00 – 02:20 PM 机器学习最佳实践及其在有线电视和电信行业中的应用 Ranjit Jangam，康卡斯特 02:20 – 02:40 PM 人工智能运营及其挑战 Ulrika Jägare，爱立信 02:40 – 03:00 PM 基于机器学习的 5G 切片网络管理以满足 SLA Sudhakar Reddy Patil，威瑞森 03:00 – 03:20 PM 咖啡休息 03:20 – 03:40 PM 康卡斯特如何利用人工智能改善客户体验 Hongcheng Wang，康卡斯特 03:40 – 04:00 PM 人工智能时代的企业对消费者通信 Venkatesh Krishnaswamy，Koopid 04:00 – 04:20 PM 无线信号接收：利用人工智能的新面貌 Harish Viswanathan，诺基亚贝尔实验室 04:20 – 04:40 PM 使用基于云的 AI 和 ML 有效管理无线接入点 Stuart Mackie，瞻博网络 04:40 – 05:00 PM 信息时代：实时状态更新的边缘云处理 Roy Yates，WINLAB 罗格斯大学 05:00 – 05:20 PM 用于有限可观测性状态估计的物理信息深度神经网络方法 Jonathan Ostrometzky，哥伦比亚大学 05:20 – 05:30 PM 闭幕词 研讨会主席
模拟深云中的二级冰生产
摘要：已经提出了多种机制来解释次级冰的产生（SIP），并且已经认可SIP在形成云冰晶体中起着至关重要的作用。但是，大多数天气和气候模型都不考虑其云微物理方案中的SIP。在这项研究中，除了默认的rime分裂（RS）过程外，将超冷的雨/细雨滴（DS）和冰上的分解 - 冰碰撞 - 冰碰撞（BR）的两种SIP过程，即粉碎/碎片化。此外，还引入了两个不同的参数化方案。进行了一系列的灵敏度实验，以研究在欧洲中部开发的基于温暖的深对流云中，SIP如何影响云微物理学和云相位分布。仿真结果表明，云微物理特性受到SIP过程的显着影响。冰晶数浓度（ICNC）增加了20倍以上，并且考虑到SIP过程，表面沉淀降低了20％。有趣的是，发现BR占主导地位，并且BR过程速率分别大于RS和DS过程速率，分别为四个和三个数量级。在实现所有三个SIP过程时，云中的液体像素数馏分在云层内部和云顶部下降，但降低取决于BR方案。模拟深度对流云中冰的增强面（IEF）的峰值为10 2-10 4，并在2 24 8 c处位于所有三个SIP过程，而IEF的温度依赖性对BR方案敏感。但是，如果仅包括RS或RS和DS操作，则IEF是可比的，峰值为6个，位于2 7 8 C，此外，关闭CASCADE效应导致ICNC和冰晶体混合率显着降低。
用于云中的自适应VCPU超额标准
贝特提取的安全优化运营成本是成功产生收入的云系统和容量/资源效率的圣杯之一，是实现这一现实的关键因素。在主要云提供商的其他资源效率策略外，超额订购是一种极为普遍的实践，在该实践中，提供的虚拟资源比实际的物理能力更多，可以最大程度地减少对冗余能力的收入损失。虽然资源可以是任何类型的，包括计算，内存，电源或网络带宽，但我们重点介绍了虚拟CPU（VCPU）过度订阅的场景，因为VCPU内核主要是云服务的可计费单位，并且对业务以及用户以及用户以及用户也具有重大影响。对于无缝的云体验，虽然对提供商的成本效益，但要控制超额检查边缘的合适政策至关重要。狭窄的利润率导致利用不足的资源能力支出冗余，并且更广泛的利润率导致客户工作负载可能遭受资源争议的情况下的不足。
通过滚动曲线在大规模点云中的全局本地化...
摘要 - 由于LiDar，Camera和IMU之间的固有互补性，最近对激光 - 视觉惯性大满贯付出了越来越多的努力。但是，现有方法在两个方面受到限制。首先，在前端，它们通常采用离散的时间表示，需要高精度硬件/软件同步，并基于几何激光功能，从而导致稳健性和可扩展性低。第二，在后端，视觉循环限制遭受了规模的歧义和点云的稀疏性，扫描到扫描环的检测恶化。To solve these problems, for the front-end, we propose a continuous-time laser-visual-inertial odometry which formulates the carrier trajectory in continuous time, organizes point clouds in probabilistic submaps, and jointly optimizes the loss terms of laser anchors, visual reprojections, and IMU readings, achieving accurate pose estimation even with fast motion or in unstructured scenes where it is difficult to extract meaningful几何特征。在后端，我们通过通过激光辅助视觉重新定位匹配预计的2D子包和6-DOF视觉约束来建立5-DOF激光限制，从而确保在大型场景中映射一致性。结果表明，我们的框架实现了高精度的估计，并且比载体在大型场景或快速移动时工作时更健壮。相关的代码和数据在https://cslinzhang.github.io/ct-lvi/ct-lvi/ct-lvi.html上进行开源。
3D点云中的结构感知：预印本
这项工作是由美国能源公司联盟（Alliance for of Contery No.DE-AC36-08GO28308。由美国能源部能源效率和可再生能源办公室提供的资金。这项工作得到了美国能源部科学办公室，教师和科学家劳动力发展办公室（WDTS）的部分支持，科学本科实验室实习计划（SULI）计划。这项工作得到了NREL实验室定向研发（LDRD）计划的部分支持。此处表达的观点不一定代表美国能源部或美国政府的观点。美国政府保留和出版商，通过接受该文章的出版物，承认美国政府保留了不可限制的，有偿的，不可撤销的，全球范围内的许可，以出版或复制这项工作的已发表形式，或允许其他人这样做，以实现美国政府的目的。
云中的量子计算：分析作业和机器特征
摘要 - 随着量子计算的普及，量子机上的量子机访问对全球的学术和行业研究人员至关重要。以及随着云量子计算的要求呈指数增长，对资源消耗和执行特征的分析是供应商和客户端的工作和资源有效管理的关键。虽然对资源消耗和管理的分析在经典的HPC域中很受欢迎，但对于诸如量子计算等更新生的技术，它严重缺乏。本文是一项第一本学术研究，分析了量子云系统上工作执行和资源消耗 /利用的各种趋势。我们专注于IBM量子系统，并在两年期间分析特征，包括6000多个工作，其中包含600,000多个量子电路执行，对应于近100亿个“镜头”或20次 +量子机的试验。特别是，我们分析了趋势的重点，但不限于量子机上的执行时间，云中排队 /等待时间，电路汇编时间，机器利用率以及作业和机器特征对所有这些趋势的影响。我们的分析确定了与经典HPC云系统的几个相似性和差异。根据我们的见解，我们为改善未来量子云系统的资源和工作的管理做出建议和贡献。
在数据仓库公共云中使用 Impala AI 功能（预览）
Cloudera、Cloudera Altus、HUE、Impala、Cloudera Impala 和其他 Cloudera 标志是在美国和其他国家/地区注册或未注册的商标。所有其他商标均为其各自所有者的财产。免责声明：除非与 CLOUDERA 的书面协议中明确规定，否则 CLOUDERA 不会就 CLOUDERA 技术或与此相关的支持做出或给予任何明示或暗示的陈述、保证或承诺。 CLOUDERA 不保证 CLOUDERA 产品或软件将不间断运行，不保证其没有缺陷或错误，不保证其将保护您的数据免遭丢失、损坏或不可用，不保证其将满足客户的所有业务需求。在不限制前述条款的前提下，并在适用法律允许的最大范围内，CLOUDERA 明确否认任何及所有默示保证，包括但不限于对适销性、质量、非侵权、所有权和针对特定用途的适用性的默示保证以及任何基于交易过程或贸易惯例的陈述、保证或契约。