H3C UIS 7.0超融合软件是新华三集团面向企业和行业数据中心推出的面向未来的超融合创新产品。遵循开放架构标准，在通用X86和ARM服务器上无缝集成计算虚拟化、存储虚拟化、网络安全虚拟化、运维监控管理、云业务流程交付等软件技术。不仅可以精简数据中心服务器数量，整合数据中心 IT 基础设施资源，精简 IT 操作，提高管理效率，达到提高物理资源利用率和降低整体拥有成本的目的，而且UIS在上一代超融合架构基础上集成云原生引擎、赤霄加速引擎、多角色引擎、混合云引擎和智能边缘云引擎，利用ABC融合、全运行态、智能加速、云边端协同、高速网络聚合等先进技术，实现基于虚拟机/容器/函数/裸金属全运行态、云原生应用构建、边缘高性能实时计算、前后端整体加速、算力云边智能调度的超融合方案，提供私有云、混合云、边缘云全场景云计算解决方案。可为客户提供较佳融合、极简规模、极宽场景、智能加速的云基础架构，满足企业未来十年的技术架构变革。 •云原生引擎。可同时承载虚拟机、容器和函数计算。在内置云原生运行环境的优点是体积小、速度快，资源利用率极大提升。通过内置的K8SAPI接口，UIS具备了全运行态的资源编排能力，可以对虚拟机、容器、函数计算等资源统一编排管理，构建以应用为中心的云化数据中心。 •赤霄加速引擎。以智能加速卡为核心前后端到端全程加速、主机侧损耗为零，相同核数CPU条件下，对比非加速方案，可以多创建50%以上的虚拟机，每虚拟机成本降低20%以上。4K随机IOPS性能提升1倍以上。同时拥有业界最短IO路径的无损网络，网络时延从毫秒级降低到纳秒级。 •多角色引擎。UIS超融合管理软件打破了物理资源壁垒，以其自适应架构，不仅可以统一管理X86资源池和ARM资源池，还可以同时管理纯虚拟化节点、纯分布式存储节点、超融合节点、AI加速节点、裸金属节点等。兼容不同芯片、不同款型、不同配置、不同能力的物理节点。 •混合云引擎。结合紫光UIS超融合构建的本地私有云数据中心与在紫光公有云中部署的UISonUniCloud云中云，建立了一套资源同构、软件同构、管理同构、交付同构、灾备同构、迁移同构的全态同构混合云架构。 •智能边缘云引擎。超轻量级边缘云引擎，实现海量的物联网终端设备接入。建立了云、边、端三层技术架构，通过在边缘侧部署UIS-Edge智能边缘云平台，打通云边端数据通道和控制平面。 融合至简 •管理融合：计算、存储、网络、安全、运维监控、云业务等六大软件能力统一平台管理，融合交付，开箱即云。 •内核融合：虚拟化内核与IPv6、高性能虚拟网络交换机、SR-IOV硬件网卡驱动、GPU显卡驱动等无缝集成，从内核层控制系统效率、可靠性与稳定性。 •存储融合：UIS可以通过软件将服务器本地硬盘资源进行整合，构建统一资源池，向上层应用提供块、文件、对象统一存储服务，满足结构化、非结构化和半结构化等多类型数据存储需求。 •业务简化部署：集成一键自动化迁移工具，提供P2V、V2V的迁移服务，助力客户原有业务快速上云。 •可视化极简运维：UIS超融合管理平台构建了扁平化、随需而变、弹性可扩展的业务敏捷交付平台，集成了自定义大屏展示、六大一键操作、系统健康度模型、所画即所得、首页快捷方式等极简运维操作，使运维可视化、数据化、自动化、智能化。 虚拟化成熟度 UIS计算虚拟化软件UISCAS，在国际权威虚拟化性能基准测试SPECvirt中表现优异，并提供业内创新性的动态资源扩展（DynamicResourceeXtension，DRX）、无代理杀毒、应用HA、云彩虹等技术。 统一分布式存储 UIS存储虚拟化软件UISONEStor采用统一分布式存储融合架构，为存储系统的高性能、高扩展、安全可靠、自动化运维提供了有力保证。 •统一分布式存储架构。分布式对称架构，无需单独的元数据服务器；同时支持块、文件、对象存储；分布式全局缓存，有效提高集群读写性能。 •高可用。多副本冗余策略，保证数据可靠性，支持2-6个副本灵活配置；支持N+1到N+4的不同纠删码级别，可基于资源池和目录设置；全面的数据保护和容灾能力，支持复制、快照、克隆、拷贝、故障域、保护域等技术。 •高可靠。采用完全冗余组网，无单点故障，硬盘或节点损坏时保证业务不中断、应用无感知；硬盘或节点故障时自动重构，可调整重构优先级；支持在线不停机扩容，增加或删除节点、硬盘不影响业务正常运行，支持集群自动数据均衡 可靠性监控中心 UIS超融合管理软件提供可视化、极简的运维方式，管理人员可一键获取超融合集群的资源信息和服务状态，了解平台的整体运行状况，并能够迅速定位到具体问题。通过分层的方式，展示UIS超融合集群中服务层、系统层、硬件层的可靠性现状，基于一键巡检模式快速诊断站点的健康状态，为高效运维提供指导。 多维度数据保护 UIS超融合提供了UIS备份方案、UIS容灾方案和UIS双活方案三层防护体系，全面覆盖国家标准《信息安全技术信息系统灾难恢复规范》定义的6个灾难恢复能力等级。 •灵活丰富的冗余策略：UIS集成的分布式存储组件支持以卷为单位设置纠删码或者多副本冗余策略，无需热备盘就可快速完成数据重构，保障用户数据完整性。 •多场景备份：自带无代理备份功能，无需额外投入即可实现对虚拟机的差异、增量、全量备份功能，同时提供CDP连续数据保护 •SRM容灾：基于SRM异步复制等容灾方案，满足用户对异构站点或同构站点间容灾服务的需求，为关键业务永续提供有力保障。 •双活：以超融合集群延展技术为核心，为客户提供中心级容灾，保障用户关键业务永续运行。 一键上云 •IaaS云服务能力：融合云平台功能，提供丰富的IaaS云服务目录，可以实现资源的自助交付、分级分权管理、多租户管理、流程工单管理以及异构虚拟化纳管等功能。 •接口开放：开放标准化的RESTAPI接口及兼容OpenStackH/J/K/L/M/P等版本的插件与接口。 •平台开放：兼容200+种通用GuestOS、20+种开源和商用VNF网元。 •合作开放：开放安全、备份、特定行业应用、云管平台等垂直领域合作，培育商业生态，跨界融合。 核心业务承载 UIS为数据库场景负荷进行了针对性优化，为数据库等关键业务应用的部署、管理、应用提供了以下优势： •优秀I/O处理性能：元数据分离技术减少访问消耗；通过计算端缓存加速技术，提升数据库日志高效处理能力。 •简化基础架构和管理复杂性：通过组合不同负荷系统到统一的资源池，高密度整合计算资源，显著提高计算资源利用率。 •快速部署交付数据库实例：基于UIS超融合数据库部署向导可直接在现有资源池进行计算、存储、网络等资源的分配和配置降低时间和人员技术要求。 •数据库实例部署的较佳实践：计算节点资源规格、操作系统设置以及存储规划及搭配组合建议模板化呈现。 •计算资源随业务需求动态伸缩能力：应对业务峰值需求，提升资源利用率的同时也免除了初期规划和基础架构升级烦恼。 应用场景 UIS主要面向虚拟化、私有云、云桌面、分支机构、混合云、开发测试、边缘计算、容灾备份和数据库/关键应用一共九大应用场景。 •虚拟化场景：采用完全软件定义技术，实现IT基础架构的融合，并通过统一管理界面对所有资源集中管理和监控 •私有云场景：基于超融合构建私有云实现更高的实施效率、更弹性的扩展、更高的资源密度。 •云桌面：减少硬件资源消耗，同时减少机房空间占用量。超融合架构存储技术采用缓存分层技术，加速IO读写应对启动风暴问题。 •分支机构：可大幅简化IT运维管理，实现多分支机构统一管理，轻松横向或纵向扩展，以适应不断变化的需求。 •混合云：实现混合架构统一的运维管理、健康巡检、快速完成故障排场，减少IT运维时间和异构平台运维难度。 •开发测试：实现快速环境获取，模拟生产网络环境、运维自动化、更快的应对新技术发展和加速业务上线 •边缘计算：将网络、计算、存储等能力延伸到网络的边缘，在边缘站点就近提供稳定、可靠、高速的边缘计算服务。 •容灾备份：针对不同的RTO和RPO需求提供更加高效、简单和低成本的的容灾备份解决方案。 •数据库关键应用：大简化传统模式的部署复杂性,显著提高计算、存储资源的利用率和缩短业务部署时间。

产品详细介绍红外测温传感器TS118-3——非接触式测温，另有HL Planar同系列产品TS118-1/TS118-10等多种型号 一、非接触式红外测温传感器TS118-3 详细说明： （1）精确度： 80V/W （2）滤波范围：8～14um （3）输出： 4.4±1.1 mV （4）工作温度： -20～100℃ （5）电气连接： PC板安装 （6）量程： 跟处理电路相关 （7）尺寸：?5.34*2.7 mm（8）特点： 尺寸小，安装方便；非接触式测量温度；封装形式为TO-18 二、非接触式红外测温传感器TS118-3 典型应用： 耳温枪，高温计，二氧化碳检测仪，气候调节，汽车，室内空调，复印机，打印机，手机，工业烤炉，烤箱，微波炉 

成果介绍本发明公开了一种虚拟家装室内场景设计中的阴影渲染方法。包括阴影映射图生成步骤，半影估计步骤，基于泊松碟采样的百分比渐近滤波步骤，最后通过加入漫反射环境光，生成具有真实感的虚拟家装室内场景阴影效果图。本发明方法能够高效且能改善阴影映射图锯齿走样的问题。技术创新点及参数本发明提供一种真实感强烈，生成了场景中物体的软阴影而且速度快， 可以满足虚拟家装实时渲染要求的虚拟家装室内场景设计中的阴影渲染方法。市场前景本发明方法结合阴影映射图与百分比渐进滤波技术实现虚拟室内家装 的实时阴影效果渲染，不仅能够生成具有真实感的家装室内设计中的阴影渲染，而且 不会随着场景中三维物体复杂度增加而增加，无需预处理能够满足实时应用需求。该 技术对计算机虚拟现实在虚拟家装领域的应用具有重要意义。

本成果以专利形式体现（专利号 201310723968.2 ），生命科学大多以微生物为研究对象，有很多物种都是近缘的，无法用普通方法区分，本方法通过 PCR 方法可以快速区分，建立了一种设计特殊引物的方法。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

针对子载波非连续可用的情况下，基于迭代平均处理的思想，设计了适用于载波扩展OFDM系统中的导频符号，使用这种导频符号，能有效地克服OFDM系统峰均功率比过高的问题，且能保证较优异的误比特性能。

采用本发明得到的低相关区域序列组，在一定的相关区域内，绝大部分自相关函数取值为零，并且全部互相关函数取值为零。本发明所得到的低相关区域序列组，可以广泛应用于认知无线电系统，如信号同步、信道估计、多用户扩频等方面。

目前，多媒体视频领域存在多个编码标准，包括 mpeg1/mpeg2/mpeg4/h.264，以及我们国家拥有自主知识产权的 AVS 标准。mpeg4 标准之中又包括 xvid、divx 等，而 h.264 可能 93 合作方式 商谈。4 所属行业领域 电子信息领域。也将存在多种编码标准。其中新的编码标准，如 h.264、VC-1 等，由于其需要较高的处理能 力，仅仅依靠嵌入式 CPU 或 DSP 的多媒体解决方案是无法获得满意的性能指标的，因此必 须采用专用集成电路(ASIC)方法来实现硬件加速功能。但这种 ASIC 设计方法——即通过硬件实现直接提供某种(些)编码格式的支持缺乏灵 活性，一旦有种新的编码标准推出，就需要重新设计开发芯片。面对众多的媒体编码标准， 这种方式增加了设计以及应用成本。而就目前市场发展来看，多种视频编解码技术将长期共 存，迫使芯片业界必须迅速攻克灵活性、兼容性等难题。为解决这一问题，清华大学设计了 一种软硬件混合的多媒体处理器解决方案，支持 mpeg1/mpeg2/mpeg4 /h.264/AVS 视频标准 以及相关的音频编码标准。其核心是设计一种多媒体处理芯片，该芯片对于通用的多媒体编 码中的计算密集型的数据处理，如运动补偿算法(Motion Compensation)、反离散余弦变化 (iDCT)、色彩空间转换等，采用 ASIC 实现。在此硬件平台之上，设计一套与具体标准无 关的多媒体处理通用软件开发接口，实现软硬件混合的媒体处理。这样就能够增加媒体处理 的灵活性——可以通过修改软件来支持新的编码标准或者新的应用。

综观5G、智能化电子设备、导航定位、柔性可穿戴、RFID、物联网、覆盖系统、通信系统等领域，都需要不同类型的高性能换能器件─天线。对于不同的应用体系、不同的频段，天线具有不同的形貌及技术特征。随着以上多种应用日益紧密地融入人们的生活之中，多功能调控管理一体化技术研究的深入，对于这个基本器件的需求在数量上和质量上都有着持续不断增长的需求。团队具有从设计理念到器件材质选取/研发系列自主知识产权国家发明专利100多项，具有按合作方需求完成多种交叉应用的按需新产品研发天线及相关产品能力，兼顾系统EMC集成化的设计，完成一体化智能化的高端装备制作。 天线是应用面极为广泛、技术含量极高的产品，制作各类天线的材料小型化后用量有限，本身价格一般不超过成品售价十分之一，既可以通过购置知名品牌的基材满足常规需求，也可以通过本团队联合的研究团队按需开发特种基材，获取更高的天线特性。从投资的角度，天线批量制作工艺要求并不复杂，采用常规具有一定精度的机械加工设备或者高稳定度的PCB制版设备就可以完成平面小型化天线，设备寿命较长，在高科技设计技术的保障下操作调控也很方便。扣除产品的后期包装和推广成本，利润极高，需求量大，保守估计各种类别的天线年产值都会在数千万以上，前端创新的可以有数亿，属于低投入高回报的产业。 项目投资额视合作关系而定，一般前期投入每个特需专项前期 100~150万人民币，后期再追加及提成(不包括厂房等投入)。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：