XiaoMi-AI文件搜索系统
World File Search System跨云
探索跨云的网络安全多租期...
I.简介云计算中的多租户表示关键的体系结构概念，其中众多实体公司或个人共享服务器，存储和数据库等通用计算资源，同时确保其数据和配置保持独特且安全[1-4]。该模型对于云计算至关重要，提供了出色的好处，例如可伸缩性，成本效率以及提供各种服务的灵活性，包括基础架构作为服务（IAAS），平台作为服务（PAAS）（PAAS）和软件作为服务（SAAS）[5-6]。我们的探索将深入研究云网络安全领域中多租赁的复杂性，强调其重要性和所需的细微安全模型。我们的讨论将浏览云多租赁固有的共同责任模型，普遍的威胁以及在这种环境下加强安全性所需的基础组件。我们旨在提供有关增强安全措施的最佳实践，选择安全工具的最佳实践，以及合规性和监管要求对多租户体系结构的影响[1-6。]通过此镜头，我们预计将对多租赁在塑造云平台内网络安全的未来中的作用有全面的了解。
基于点云处理的仿人机器人楼梯障碍物识别与剔除方法
引用本文: 于乃功, 谢秋生, 李洪政.基于点云处理的仿人机器人楼梯障碍物识别与剔除方法[J].北科大：工程科学学报 , 2025, 47(2): 339-350. doi: 10.13374/j.issn2095-9389.2024.05.10.001 YU Naigong, XIE Qiusheng, LI Hongzheng.Obstacle recognition and elimination method for humanoid robots based on point cloud processing[J].Chinese Journal of Engineering , 2025, 47(2): 339-350. doi: 10.13374/j.issn2095-9389.2024.05.10.001
语义增强图像-文本预训练模型的零样本三维模型分类
Cheraghian 等人 [ 21 – 23 ] 在零样本 3 维模型分类方 面提出了 3 维点云的零样本学习方法、缓解 3 维零样 本学习中枢纽点问题的方法和基于直推式零样本学 习的 3 维点云分类方法，并将它们封装进一个全新 的零样本 3 维点云方法 [ 24 ] 中。以上方法均是利用已 知类样本的点云表征及其词向量对未知类别进行分 类，开创了零样本 3 维模型分类方法。近年来， CLIP 在零样本图像分类上取得了良好的效果，因此有研 究者将 CLIP 应用到零样本 3 维模型分类方法中， Zhang 等人 [ 25 ] 提出了基于 CLIP 的 3 维点云理解 (Point cloud understanding by CLIP, PointCLIP) 模型， PointCLIP 首先将 3 维点云投影成多个深度图，然 后利用 CLIP 的预训练图像编码器提取深度图特 征，同时将类别名称通过 CLIP 预先训练的文本编 码器提取文本特征。但是 PointCLIP 的性能受到深 度图和图像之间的域差异以及深度分布的多样性限 制。为了解决这一问题，基于图像 - 深度图预训练 CLIP 的点云分类方法 (transfer CLIP to Point cloud classification with image-depth pre-training, CLIP2Point) [ 26 ] 将跨模态学习与模态内学习相结合 训练了一个深度图编码器。在分类时，冻结 CLIP 的图像编码器，使用深度图编码器提取深度图特 征，该方法缓解了深度图和图像间的模型差异。用 于 3 维理解的图像 - 文本 - 点云一致性表征学习方法 (learning Unified representation of Language, Im- age and Point cloud for 3D understanding, ULIP) [ 27 ] 构建了一个图像、文本和点云 3 种模态的 统一嵌入空间，该方法利用大规模图像 - 文本对预 训练的视觉语言模型，并将 3 维点云编码器的特征 空间与预先对齐的视觉 - 文本特征空间对齐，大幅 提高了 3 维模型的识别能力。与之相似的是，基于 提示文本微调的 3 维识别方法 (CLIP Goes 3D, CG3D) [ 28 ] 同样使用 3 元组形式确保同一类别的 3 维模 型特征和图像特征之间以及 3 维模型特征和文本特 征之间存在相似性，从而使点云编码器获得零样本 识别的能力。另外， PointCLIP V2 [ 29 ] 在 Point- CLIP 的基础之上，通过利用更先进的投影算法和 更详细的 3 维模型描述，显着提高了零样本 3 维模型 分类准确率。本文采用语义增强 CLIP 解决图像和文 本的语义鸿沟问题，通过在语义层面为图像和文本 提供更多相似的语义信息，使图像和文本对齐更具有 一致性，从而有效提高 3 维模型的零样本分类性能。 2.2 提示工程
ML云GPU短缺培训：跨区域是答案吗？水管工
摄入和转换输入数据的b缩合输入管道是训练机学习（ML）模型的重要组成部分。然而，实施有效的输入管道是一项挑战，因为它需要有关并行性，异步和可变性信息的可变性的推理。我们对Google数据中心中超过200万ML职位的分析表明，大量的模型培训工作可能会从更快的输入数据管道中受益。同时，我们的分析表明，大多数作业都不饱和主机硬件，指向基于软件的瓶颈的方向。是由这些发现的动机，我们提出了水管工，这是一种在ML输入管道中找到瓶颈的工具。水管工使用可扩展且可解释的操作分析分析模型来自动调整并行性，预取，并在主机资源约束下进行缓存。在五个代表性的ML管道中，水管工的速度最高为47倍，用于误导的管道。通过自动化缓存，水管工的端到端速度超过50％，与最先进的调谐器相比。
ML云GPU短缺培训：跨区域是答案吗？ 水管工
摘要ML的广泛采用导致对GPU硬件的需求很高，因此，公共云中GPU的严重短缺。通常很难在单个云区域分配足够数量的GPU来训练或微调当今的大型ML模型。如果用户愿意使用不同地理区域的设备进行ML培训工作，则可以访问更多的GPU。但是，GPU节点与较低的网络带宽连接，并且云提供商为跨地理区域的数据传输提供了额外的费用。在这项工作中，我们探讨了何时以及如何有意义地利用跨区域和地区进行分布式ML培训的GPU。我们根据不同模型并行性策略的计算和通信模式分析了跨区域培训的吞吐量和成本影响，开发了一种基于配置文件的分析模型，用于估计培训吞吐量和成本，并为有效分配地理分配资源提供指南。我们发现，尽管在节点跨越地理区域时，ML训练吞吐量和成本会显着降低，但使用管道等级的跨区域训练是实用的。
跨...
摘要：在电缆中的绝缘层的交联聚乙烯（XLPE）的广泛使用可能归因于其出色的机械和介电性能。为了定量评估热老化后XLPE的绝缘状态，建立了加速的热老化实验平台。极化和去极化电流（PDC）以及在不同老化持续时间下XLPE绝缘裂纹时的伸长率。XLPE绝缘状态取决于断裂保留率（ER％）的伸长率。基于扩展的Debye模型，本文提出了稳定的松弛电荷数量和0.1 Hz的耗散因子，以评估XLPE的绝缘状态。结果表明，XLPE绝缘的ER％随着衰老程度的增长而降低。XLPE绝缘的极化和去极化电流将随着热老化而明显增加。电导率和陷阱水平密度也将增加。扩展Debye模型的分支数量增加，并出现新的极化类型。在本文提出的0.1 Hz处的稳定的松弛电荷量和耗散因子与XLPE绝缘的ER％具有良好的拟合关系，可以有效地评估XLPE绝缘的热老化状态。
