XiaoMi-AI文件搜索系统
World File Search SystemQUEUEING
简历 Saurabh Pal 博士
简历 Saurabh Pal 博士 教授兼计算机应用系主任，VBS Purvanchal 大学，Jaunpur -UP 电子邮件：drsaurabhpal@yahoo.co.in 手机：9044487708 教学经历： • 21 年教学和 19 年研究经验。 现任职务： • 自 2018 年 1 月 1 日起担任教授。 教育资格： • 阿拉哈巴德大学理学硕士（计算机科学），获得 70% 分数。（1996 年）。 • 法扎巴德 RML Awadh 大学理学学士（物理、数学），获得 83% 分数。（1994 年）。 • UP 委员会中级，获得 70% 分数。（1991 年） • UP 委员会高中，获得 75% 分数。 （1989）博士学位：• 法扎巴德 RML Awadh 大学博士学位（2002）。博士学位题目：• 某些排队模型及其在计算机和电信中的应用研究。研究领域：• 机器学习、数据挖掘 教授课程：• C 编程、基于计算机的数值和统计技术、离散数学。博士学位。获奖：02 • Ritu Aggrawal (2021)：“基于各种参数的教育数据挖掘以预测学生表现” • Vikas Chaurasia (2022)：“一种诊断疾病的数据挖掘方法” 出版的书籍 • “系统分析与设计”，UPRTOU 自学材料，阿拉哈巴德 (2017) • “कं यूटर व ानं भाग - 1”，Sahitya Bhawan，阿格拉 (2017)
MDM：GPU 内存发散模型
摘要 — 通过使用一组数学方程式捕捉一阶性能现象，分析模型使架构师能够比周期精确模拟快几个数量级地进行早期设计空间探索。但是，如果由于模型不准确而导致通过模型获得的结论具有误导性，则这种速度优势无效。因此，实用的分析模型需要足够准确，以捕捉广泛应用程序和架构配置中的关键性能趋势。在这项工作中，我们专注于分析建模新兴的内存发散 GPU 计算应用程序的性能，这些应用程序在机器学习和数据分析等领域很常见。这些应用程序的空间局部性较差，导致 L1 缓存频繁阻塞，因为应用程序发出的并发缓存未命中数量远远超过缓存可以支持的次数，从而削弱了 GPU 使用线程级并行 (TLP) 隐藏内存延迟的能力。我们提出了 GPU 内存发散模型 (MDM)，该模型忠实地捕捉了内存发散应用程序的关键性能特征，包括内存请求批处理和过多的 NoC/DRAM 排队延迟。我们根据详细的模拟和真实硬件验证了 MDM，并报告了以下方面的重大改进：(1) 范围：除了非内存发散应用程序外，还能够对流行的内存发散应用程序进行建模；(2) 实用性：通过使用二进制插装而不是功能模拟来计算模型输入，速度提高了 6.1 倍；(3) 准确性：平均预测误差为 13.9%，而最先进的 GPUMech 模型为 162%。
国家输电与网络运行 戴文汉
人们相信量子信息科学将引发下一次技术革命。量子网络是量子信息科学的关键要素，它使各种技术成为可能，例如安全通信、分布式量子传感、量子云计算以及下一代定位、导航和授时。量子网络的主要任务是实现网络中不同节点之间的量子通信。这包括涉及多方的量子态传输、端节点的量子信息处理以及远程节点之间的纠缠分布等主题。由于量子通信具有其独特的特性，而这些特性在经典通信网络中是没有的，因此为经典通信网络设计的协议和策略并不适用于量子通信。这就需要为量子网络量身定制的新概念、范例和方法。为此，本论文研究了量子网络的设计和操作，重点关注以下三个主题：状态传输、排队延迟和远程纠缠分布。第一部分开发了将量子态从发射器广播到 N 个不同接收器的协议。该协议表现出多方纠缠、广播经典比特（bcbits）和广播量子比特（bqubits）之间的资源权衡，其中后两者是本论文提出的新型资源。我们证明，要使用共享纠缠将 1 bqubit 发送到 N 个接收者，O（log N）bcbits 是必要和充分的。我们还表明，可以使用由单量子比特门和 CNOT 门组成的多（N）个基本门来实现协议。第二部分介绍了一种用于分析量子数据排队延迟的可处理模型，称为量子排队延迟（QQD）。该模型采用动态规划形式，并考虑了有限内存大小等实际方面。利用该模型，我们开发了一种基于认知内存的内存管理策略，并表明该策略可以使平均排队延迟随着内存大小呈指数级下降。第三部分提出了一种远程纠缠分布 (RED) 协议的设计，以最大化纠缠分布率 (EDR)。我们引入了以下概念