本发明公开了一种面向 NUMA 架构的 VCPU 调度优化方法，具 体地：采集每个 VCPU 的访存信息，分析计算各 VCPU 的访存特征； 根据每个 VCPU 的内存块位置和类型，在将访存密集型 VCPU 平均分 配到不同 NUMA 节点的基础上，保证最大限度的本地内存访问；当存 在空闲的 CPU 时，根据 CPU 负载大小以及 CPU 所属节点信息，为该 空闲的 CPU 选取一个合适的 VCPU 来运行。本发明针对访存密集型应

多架构建模软件基于多架构统一建模语言KARMA开发。KARMA语言是一种可读文本式语言，多架构建模指在软件中采用一种建模语言及技术实现多种架构描述及表达的方法。基于KARMA语言，可以实现基于模型系统工程相关语言建模，架构驱动，代码生成，系统行为动态描述，指标分析及验证，数值分析，支持数据显示化（表格，甘特图）、二维固定语法展示及三维固定可视化建模，与工业本体的互转化。 本项目可解决航空、航天、防务、船舶等领域复杂装备研制过程中存在的子系统多、不同部门人员专业语言不通、开发沟通过程困难等问题。用户在基于模型的软件工具环境中，高效的建立各种专业模型，进而实现复杂装备产品开发过程中的自动化开发。 使用本项目不仅可以在系统开发的早期阶段形式化其需求、功能、逻辑、架构等视点，还可以在系统方案初步确认前的概念设计阶段检查系统设计是否满足需求规范，从而极大地降低产品开发的成本与风险。 本项目相较目前市场上现有产品，支持更多建模功能，并可兼容十余种建模语言，具有良好的可扩展性。

DMV是业界领先的IT架构图管理平台，致力于为IT运维团队提供更加准确、易用、丰富的架构图。通过DMV，实现架构搜索、版本管理、团队协作等架构管理，实现组合透视、运维分析等场景使用，实现标准绘图、数据联动等架构设计。

本发明公开了一种多核多线程环境下 NUMA 感知的同步方法， 属于并行计算领域。本发明提出的方法是：线程将同步请求结点插入 链表并在局部锁上自旋，如果局部锁被释放并且请求已被执行则返回， 否则该线程作为 combiner 线程，设置宿主 NUMA 节点，执行请求的 回溯位置，然后开始执行自己以及其他线程的同步请求，执行完毕后 从当前位置向前遍历寻找来自宿主 NUMA 节点内的线程，若找到则将 其作为新的 combin

随着新信息技术的应用，我们走进云时代 云突破了IT基础设施的物理限制 云桌面技术的应用，让你拥有一台长在云上的电脑，本地没有主机，也看不见电脑CPU和硬盘 操作系统和应用运行所需的计算和存储能力都集中在云端数据中心 如果你是IT管理者 你是否在寻找—种高效的模式去部署、管理、维护大规模工作和学习的电脑? 你是否能灵活的、动态的调度电脑的资源配置，按需统一交付和回收? 你是否能保障电脑无故障运行的连续性和稳定性? 你是否拥有可集中管控、灵活且自由弹性扩展的平台，以满足不断变化的业务需求? 如果你是桌面使用用户 你或许希望能自由移动你的电脑，桌面和数据随身携带 你想要远程完成工作和学习任务 你想要更便捷的获得一台更高性能的电脑配置 一朵云，覆盖行业全场景桌面需求 多架构融合桌面云 传统桌面vs多架构融合桌面云 产品八大优势 产品核心技术 产品极致性能体验

本实用新型涉及一种装配式建筑架构组合板，包括工字型板、连接条和锚钉，工字型板上成型有第一平面板，第一平面板的下平面中心成型有支撑柱，支撑柱的下端成型有第二平面板，支撑柱的下端位于第二平面板的上平面中心；本实用新型的支撑柱能大大提高架构组合板的抗压和抗弯强度，在运输和施工过程中不易发生破损，从而减少了材料消耗，降低了建筑成本，同时，相比之下，连接条的使用量较少，施工简单方便，施工效率高，适合大面积推广。

一种面向多云架构的网络性能提升方法，属于云计算领域，解 决传统多云架构系统未考虑不同云存储服务器之间性能差异的问题， 以提升网络性能。本发明采用多云架构，将用户文件通过纠删码编码 后冗余地储存在多个云存储服务器中，每个云存储服务器都只能获得 文件的部分数据，在进行文件传输时能根据实际的网络环境尽可能多 地利用性能好的云存储服务器，同时避免被性能差的云存储服务器拖 累，使得系统的网络性能比传统的多云架构系统以及任一云存

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。

本发明公开了一种基于极化码的分段CRC校验堆栈译码方法，包括：将信息序列分为N部分；对每一段最后一位比特在极化码码字序列中的位置进行标记；在进行堆栈译码的过程中，当译码长度到达标记位置时，实施CRC检验，若通过，则该译码路径存活，若不通过，则该译码路径被淘汰。与传统的方法相比，本发明大大降低了算法复杂度并使译码性能得到提升，并提升了译码的正确率。此外，在译码方法的基础上，硬件架构同时被提出，资源占据较传统算法实现了降低。