【学术动态】
博士生万天宇的论文被会议Euro-Par 2025录用
分解内存将计算和存储节点分成两个独立的内存池，通过RDMA或CXL链路连接。分解内存提高了资源利用率，节省了成本开销，并确保了内存和计算资源的弹性可扩展性。树索引是数据库或KV存储等存储系统的重要保证。现有的分解内存系统存在写入性能差的问题，主要是由于并发冲突、频繁的结构修改操作（SMO）和树索引上的高锁开销。信息存储系统教育部重点实验室博士生万天宇，以及硕士生龚世佳，胡杨扬，在导师陈俭喜副教授的指导下，...
硕士生郑欣觉的论文被会议Euro-Par 2025录用
随着深度神经网络（DNN）的快速发展和数据集规模的持续增长，分布式深度神经网络训练系统在梯度同步过程中面临通信瓶颈。梯度压缩技术能够极大程度上减少通信开销，但是由于只传输压缩的梯度，会造成模型准确率的损失。为了确保模型准确率和收敛性能，通常将原始梯度与压缩梯度的差值（残差）存储在GPU内存中以补偿损失。然而，残差通常会在训练过程中产生显著的GPU内存开销，限制了集群可训练模型的大小。为了解决这个问题，信...
博士生明章强的论文被会议HPDC 2025录用
跨节点（Worker）部署的分布式深度神经网络（DNN）训练系统已广泛应用于各个领域，而Worker之间同步梯度张量的通信开销往往成为性能瓶颈。为了优化通信效率，最先进的研究通常采用两种优化技术：i）梯度稀疏化压缩，即将梯度截断为最大的元素，以减少通信流量；ii）张量融合，将多个梯度张量合并在一个融合缓冲区内一起传输，以减少通信启动开销。然而，进过测量发现现有的研究往往在张量融合后才进行梯度稀疏化（称之为“张量...
博士生姜聪的论文被会议DAC 2025录用
实验室博士生姜聪的论文“Generalizable Lithographic Hotspot Detection Using Asynchronous Meta-Learning with Only One Shot”被IEEE/ACM Design Automation Conference (DAC’25)录用。随着制造工艺的发展，芯片设计版图的规模越来越大，且特征尺寸急剧缩小，导致传统EDA在版图优化方面面临挑战。基于深度学习的光刻热点检测成为先进制程中对超大规模芯片版图实现快速、准确光刻热点检测的关键技术。然而， 现有光刻热点检...
博士生姜聪的论文被期刊TODAES录用
实验室博士生姜聪的论文“LithoExp: Explainable Two-stage CNN-based Lithographic Hotspot Detection with Layout Defect Localization”被IEEE/ACM Transactions on Design Automation of Electronic Systems(TODAES)录用。在芯片设计制造流程中，光刻热点检测是保证芯片制造版图与设计版图内容一致的关键技术。当前光刻热点检测模型普遍沿用原始深度学习的训练范式，自动探索芯片版图布局关键特征的提取方法并用于热点检测...
博士生亓文杰的论文被期刊TACO录用
新兴的分区命名空间（Zoned Namespace，ZNS）为主机提供细粒度的、性能可预测的存储管理。ZNS将地址空间组织成由固定大小、顺序写入、不可覆盖的块组成的Zone，使其适用于日志结构文件系统。然而，实验分析表明，ZNS的写约束带来了文件同步开销。首先，数据块的异地更新需要对文件元数据块进行频繁的小修改，以记录最新的逻辑块地址。其次，一些文件（如数据库的WAL文件）经常执行小的同步写操作，其I/O大小通常小于逻辑块。这...
博士生董超的论文被会议SIGMETRICS 2025录用
在大规模信息系统中，存储设备的性能不断提升，而工作负载的规模和访问特征也在持续扩大。这种增长在并发吞吐量方面给缓存和存储层次结构带来了巨大压力。然而，现有的缓存淘汰策略通常依赖于粗粒度锁机制和复杂的数据结构，难以提供足够的并发吞吐量。信息存储与光显示功能实验室博士生董超，在王芳教授的指导下，提出了一种名为 Mobius 的无锁缓存淘汰方案设计，该方法优化了缓存的并发吞吐量，降低了缓存操作的延迟，同时通...
硕士生石玉洁的论文被会议Cluster 2024录用
非易失内存拥有与传统内存近似的低访问延迟，同时保证系统掉电后数据不会丢失。为保证数据的机密性和完整性，现有的安全非易失内存系统需要额外的完整性机制，引入额外的安全元数据。系统崩溃或断电时，缓存中的最新安全元数据会丢失，导致数据与安全元数据以及安全元数据之间的数据不一致，最终导致系统重启后无法正常运行。为了解决数据不一致问题，信息存储与光显示功能实验室硕士生石玉洁在华宇教授的指导下，提出了一种用...
博士生莫宇轩的论文被会议EuroSys 2025录用
为了减轻内存开销并减少关键路径上的数据移动，一种计算和空间效率高的学习索引有望提供高性能，并对传统索引结构进行补充。然而，在动态工作负载中，由于新插入项的数据放置效率低下和密集的锁争用，学习索引会导致性能下降，可扩展性差。此外，模型的重新训练耗时且阻塞，影响了索引操作的性能。为了满足动态工作负载和高效重训练的需求，信息存储与光显示功能实验室博士生莫宇轩在华宇教授的指导下，提出了一种高度可扩展的...
硕士生杨雨鑫的论文被会议ICDE 2025录用
学习型索引技术作为传统索引结构的有力竞争者近年来受到了广泛研究。该技术利用静态的学习模型来拟合排序数据的分布，并通过模型对键值对位置进行预测，展现出了卓越的查询速度。然而，在并发插入场景下，频繁的重训练开销很大程度上限制了学习索引性能。尽管已有研究通过引入稀疏插槽和增量缓冲区来减轻这一问题，但是学习型索引在高并发读写场景下的性能仍未达到预期。为了提升学习索引在并发读写场景下的性能表现，信息存储...
分享文章