01项目背景 片上网络将片上路由器按照一定的拓扑结构互连，从而构成一个片上微网络结构。不同功能的IP核通过网络接口NI接入到片上网络中来，网络接口对IP核发送的数据进行数据封装，形成固定格式的分组。片上路由器根据分组的目的地址信息，将数据分组在网络中正确的传输到目的IP核。片上网络可以为系统中任意一对IP核之间实现透明的数据通信。互连网络中的一些控制协议，例如流量控制机制、路由算法、任务调度机制、服务保障机制等，都可以应用到片上网络中来，以提高系统的通信效率。由于片上网络采用分组交换，IP核之间数据通信的基本数据单元是分组，不同的分组根据目的地址信息在网络中独立传输。片上网络技术能够有效的克服基于总线结构的片上系统在大规模集成下的瓶颈，在时延、吞吐、功耗、可扩展性和可靠性等方面体现出了巨大的优势。多核，多片架构将成为芯片设计的发展趋势。 处理器多芯片之间的通信已经成为制约系统性能的瓶颈，处理器之间进行数据交互的能力或将成为下一个集成电路发展的关键技术指标。针对不同应用场景和性能要求，根据各自的架构设计出更适合的高效而可靠的片间互连(NetworkonPackage，NoP)协议，将使得集群芯片的性能得到进一步优化。 02项目简介 研究基于路由交换的异构计算系统算力扩展总体架构，包含异构计算资源节点之间、片上交换路由与片上处理资源之间、片上处理资源与外部接口之间的互连结构与互连拓扑，如图3所示。 设计与物理层解耦的轻量级网络架构，使之可以在不同的物理连接方式之上灵活的构建多种拓扑的网络。针对机载计算任务的算力提升需求，研究异构计算节点的算力扩展问题，通过基于路由交换的、可扩展的互连构建异构计算系统，采用轻量化互连协议实现异构计算节点的低延时、高带宽互连，验证基于路由交换的异构计算系统对于特定应用的高速并行分布式处理效果。本系统的主体思想是将片上网络（NetworkonChip，NoC）互连协议扩展到片间互连（NetworkonPackage，NoP），实现芯片内部计算资源到集群芯片的延伸。

一种可扩展的重复数据检测方法，属于计算机存储技术领域， 解决现有重复数据检测方法中存储容量无法高效扩展的问题，以适应 存储需求扩大，重删系统面临升级换代的现状。本发明包括分块处理、 指纹提取、布隆过滤器检索、指纹子集表检索、未满布隆过滤器判断、 新指纹标记、布隆过滤器数量判断以及布隆过滤器阵列扩展步骤。本 发明采用布隆过滤器阵列来检索指纹数据，可快速定位检索范围，提 高检索效率，实现重复数据的检测，具有高扩展性、高查

本发明属于视频图像数据处理领域，公开了一种监控视频行人检测匹配方法，包括视频行人目标检测步骤；帧间同目标关联步骤；目标序列及待匹配目标特征提取步骤；特征相似度计算步骤和目标匹配判别步骤。由于相邻帧间行人目标不会有太大的位移，本发明使用被检测出的行人的位置信息对序列连续帧中的同一目标进行关联得到目标序列；目标序列特征提取的方法一是提取目标序列多帧的灰度直方图特征，一是目标序列的 PCA 模板，由于都采用了多帧的信息，相

1.痛点问题 随着图在各领域的广泛应用，对图上相关高效查询方法的需求也与日俱增，特别是在社交网络、金融、电商、安全和航天等众多领域具有重要作用的子图匹配查询。 然而，现有子图匹配方法在实际使用中速度均较慢，当数据量较大时，现有方法的时间开销巨大，难以满足具体匹配过程中的时效性需求。同时，这些方法没有充分利用图数据的本质结构特点进行剪枝，在运行效率上仍有较大的改进空间。 2.解决方案 本技术提出一种基于社区结构的子图匹配方法，基于社区结构在匹配过程中进行剪枝从而加快子图匹配的速度。流程图如图1所示。 图1 本技术子图匹配计算流程 首先，本技术识别数据图中的社区结构，将数据图划分为若干“内部紧密关联、相互之间连接松散”的社区。接着，基于社区结构，提出三种优化策略对子图匹配过程进行优化，并实现了相关技术。 具体地，这三种优化策略包括两阶段破对称策略、基于社区路径的剪枝策略和基于社区结构的边界剪枝策略。其中，两阶段破对称策略利用模式图中的自同构映射，根据已得到的若干匹配结果推断出新的匹配结果，从而减少匹配过程中的计算量；基于社区路径的剪枝策略根据数据图中的跨社区的路径构建索引，在匹配过程中提前发现无法产生匹配结果的匹配尝试，减少匹配开销；基于社区结构的边界剪枝则考虑各社区的边界节点，即那些和其他社区的节点间有边关联的节点，根据边界节点的邻居情况进行剪枝，减小搜索空间，加快子图匹配速度。 基于上述优化策略，本技术提出的基于社区结构的高效子图匹配方法能根据给出的数据图和模式图快速返回子图匹配结果。该技术可以作为模块嵌入金融、电商和航天等已有软件系统，也可作为单独软件工具并支持二次开发。 3.合作需求 1）应用场景：在图数据中快速查找满足某种特定结构的子图结构，进而作为查询结果返回或用于后续深入分析。可用于包括但不限于社交网络、金融、电商、安全和航天等众多场景中。 2）资源对接：对图查询、图分析有需求且对其高效性有要求的个人、单位和企业等。

项目简介 冷却系统是现代汽车的重要组成部分，它对于汽车的动力性、经济性以及整车的运 行可靠性均有很大的影响，目前的研究主要集中在风洞试验测试和对系统单个部件的优 化设计，而对整个系统的匹配性研究较少。本项目可针对常规发动机汽车、混合动力汽 车以及新能源汽车，结合一维和三维耦合仿真技术，通过计算分析获取各个部件之间的 匹配性能，并提出散热器、中冷器、电子风扇等部件及系统整体匹配的优化设计方案。 在此基础上，还可凝练出风扇、水泵压缩机等的部件的最佳控制策略

本发明公开了一种基于模板匹配的芯片定位方法，具体包括以下步骤：步骤一，制作模板；步骤二，对待定位图片进行预处理，增大背景与芯片基体的对比度；步骤三，对预处理后的图片进行图像分割，得到blob块，利用blob块的面积和blob块对应的最小外接矩形的边长信息排除存在连晶、缺损缺陷的芯片；获取剩下的blob块的最小外接矩形的中心位置坐标，以及短边与水平方向的夹角；步骤四，根据步骤三得出的中心位置坐标和夹角，在待定位图片上采用模板匹配芯片，定位出芯片的位置和角度。本方法主要适用于芯片制造过程中对芯片的定位，采用先筛选再匹配的方法能快速准确定位出合格芯片的位置，排除掉带有连晶、缺损缺陷的芯片。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。

本发明涉及箱式房技术领域，公开一种可自动折展的可扩展箱式房，包括底板、顶板、两个侧板以及两个墙板，两个侧板相互远离的一侧设置均有顶升机构，顶升机构两端分别与底板、顶板连接，顶升机构包括与底板、顶板共同连接的剪叉杆，剪叉杆上安装有电缸，电缸伸展时带动剪叉杆竖向伸长，剪叉杆带动顶板竖向上升。通过顶升机构以及卷扬机构的驱动，折叠状态下的箱式房可自动展开至房屋构型，实现了箱式房折展运动的自动化，从而能够有效降低安装难度，提升安装效率，同时折叠状态下的箱式房更加便于运输，从而降低使用成本，丰富了适用场景。

本发明公开了一种基于图像边缘矢量的匹配方法。利用边缘的 方向和大小，实现对缩放、噪声、光照变化、局部遮挡、旋转平移等 情况的匹配；提取模板边缘中有代表性的矢量，与目标图像的边缘特 征进行比较，而不是逐边缘点比较，大大减少计算量，具有较好匹配 准确度；先用金字塔得到较小的模板和目标图像，并采用较大且合适 的参数步长，得到较为粗匹配的匹配位置和参数，再选取更为精细且 满足匹配要求的参数步长，在粗匹配的结果基础上再次搜索匹配，得 到精确的匹配位置和参数。