当前公有云中的资源竞争管控仍然是一个悬而未决的问题。新型应用框架（如深度学习和微服务）和专用硬件（如GPU和TPU）的开发与部署给资源管理系统的设计带来新的挑战。现有的解决方案往往为保证应用性能而牺牲集群效率，如资源超额分配导致的低利用率。由于涉及到了软件栈中的不同模块，突破该困境并非易事。尽管如此，产学界为寻找高效的性能隔离和资源调度进行了大量的研究。本文从协同的角度对相关工作进行了全面概述，并揭示其中的技术发展趋势。简言之，本文涉及如下四个主题：不同层次上（包括微体系结构、系统和虚拟层）的资源隔离机制，包括GPU多任务处理；机器层和集群层的资源调度技术，包括面向深度学习应用的GPU调度技术；自适应资源管理技术，包括微服务相关的最新研究；最后探讨了未来的研究方向。希望本文能帮助相关研究人员了解公有云中资源管理技术的概貌，并更好地把握其发展趋势。

随着超级计算机性能不断提高，人工智能与传统科学计算的进一步融合，应用的并行规模逐渐增加，从数百万个计算核心到数千万个计算核心，这对超大规模系统上实现并行应用的高可扩展性和高效率提出巨大挑战。本文首先以神威E级原型系统为例，分析了E级时代并行应用的高可扩展性和高效率面临的挑战。为克服这些挑战，重点介绍了神威E级原型系统上并行支撑环境软件的优化技术，包括并行操作系统、I/O优化技术、超大规模并行调试技术、千万核心并行算法、混合精度方法等。并行操作系统和I/O优化技术主要支持大规模系统扩展，而超大规模并行调试技术、千万核心并行算法和混合精度方法主要提升大规模应用的效率。最后，介绍了运行在神威E级原型系统上的应用程序取得的重要成果，从而验证了并行支撑环境设计的有效性。

深度学习为心律失常的自动分类提供了一种有效的方法，但在临床决策中，纯数据驱动的方法以黑盒形式运行，可能会导致不良预测结果。将领域知识与深度学习相结合是一种很有前景的解决方案。本文开发了一个灵活且可扩展的框架，用于集成领域知识与深度神经网络。该模型由深度神经网络和知识推理模块组成，深度神经网络用于捕捉输入数据的统计模式，知识模块用于确保与领域知识的一致性。这两个组成部分经过交互训练，以实现两种机制的最佳效果。实验表明，领域知识可以较好地改善神经网络的预测结果，从而提高预测精度。

会话型推荐旨在根据用户在短时间内有限的交互来预测下一个时间戳将要进行交互的物品。现有模型主要使用循环神经网络（RNN）或图神经网络（GNN）来建模顺序序列或物品之间的传递关系。然而，此类模型要么忽略了GNN的过度平滑问题，要么直接利用交叉熵损失和softmax层进行模型优化，容易导致过拟合问题。为了解决上述问题，本文提出一种融合自监督图学习与目标自适应屏蔽的会话型推荐方法（SGL-TM）。具体来说，首先根据所有涉及到的会话构建全局图，然后从物品之间的全局连接中捕捉自监督信号，用来监督模型生成当前会话中准确的物品表示。之后，通过比较真值与经过我们设计的目标自适应屏蔽模块调整后的物品的预测分数来计算主监督损失。最后，将主监督组件与辅助自监督模块相结合，以获得用来优化模型参数的最终损失。在两个真实数据集（Gowalla和Diginetica）上的大量实验结果表明，SGL-TM在Recall@20和MRR@20方面的性能优于最先进的基准模型，尤其体现在短会话上。

图像秘密分享（ISS）的研究越来越多，主要因为数字图像的重要性以及ISS可以广泛应用于云分布式存储和多方安全计算。影子图像认证日渐重要，通常包括影子图像真实性检测和识别。然而，传统处理者参与的方法主要是单向验证，即在解码阶段验证影子图像，存在像素扩张或额外辅助信息等不足。因此，分发（编码）阶段的影子图像认证对参与者来说也很重要。本文引入一种基于公钥的双向影子图像认证方法，实现（k，n）门限且无像素扩张。当处理者将每个影子图像分发给相应参与者时，参与者可以用其私钥验证接收到的影子图像。在解码阶段，处理者可以用其秘钥验证每个接收到的影子图像；此外，当获得任何k个或更多影子图像时，处理者可以无损解码秘密图像。理论分析、实验和比较验证了所提方法有效性。

外骨骼作为一种可穿戴的机器人，通过拟人化的构型直接传递机械动力来辅助或增强穿戴者运动。当外骨骼用于促进穿戴者的运动时，运动生成过程通常在高层控制中发挥重要作用。该领域的主要挑战之一是实时生成符合人类意图且可以适应不同情况的参考轨迹。在本文中，我们首先提出了一种基于概率运动基元（ProMP）的下肢外骨骼运动建模方法，它是一种用于生成运动轨迹的新型且强大的代表性工具。为了在不同穿戴者使用外骨骼时使轨迹适应不同情况，我们接着提出了一种基于黑盒优化PIBB结合ProMP的新型运动学习方案。运动模型首先由ProMP离线学习，它可以生成参考轨迹供外骨骼控制器在线使用，再采用PIBB在线学习和更新模型，提供了系统的自适应能力，消除了不确定性的影响。使用下肢外骨骼HEXO对六名受试者进行的模拟和实验证明了所提出方法的有效性。

近年来，多智能体深度强化学习（multi-agent deep reinforcement learning，MADRL）的研究进展使其在现实世界的任务中更加实用，但其相对较差的可扩展性和部分可观测的限制为MADRL模型的性能和部署带来了更多的挑战。人类社会可以被视为一个大规模的部分可观测环境，其中每个人都具备与他人交流并记忆经验的功能。基于人类社会的启发，我们提出一种新的网络结构，称为层次图递归网络（hierarchical graph recurrent network，HGRN），用于部分可观测环境下的多智能体合作任务。具体来说，我们将多智能体系统构建为一个图，利用新颖的图卷积结构来实现异构相邻智能体之间的通信，并采用一个递归单元来使智能体具备记忆历史信息的能力。为了鼓励智能体探索并提高模型的鲁棒性，我们进而设计一种最大熵学习方法，令智能体可以学习可配置目标行动熵的随机策略。基于上述技术，我们提出一种名为Soft-HGRN的基于值的MADRL算法，及其名为SAC-HGRN的actor-critic变体。在三个同构场景和一个异构环境中进行实验；实验结果不仅表明我们的方法相比四个MADRL基线取得了明显的改进，而且证明了所提模型的可解释性、可扩展性和可转移性。

确保行人的安全对自动驾驶汽车而言至关重要，同时也具有一定挑战。经典的行人避撞策略无法应对不确定性，而基于学习的方法缺乏明确的性能保障。本文提出一种基于混合强化学习的行人避撞方法，以使自动驾驶车辆能够与具有行为不确定性的行人安全交互。该方法集成了规则策略和强化学习策略，并设计了一个激活函数选择具有更高置信度的作为最终策略，通过这种方式保证最终策略的表现不亚于规则策略。为说明所提方法的有效性，本文使用一种加速测试方法生成了行为随机的行人进行仿真验证。结果表明，该方法在测试场景中的成功率，相比基准方法的94.4%，提升至98.8%。

相机的几何精度不足是制约大视场红外地球敏感器精度提升的主要因素。红外地球敏感器相机超大的视场与中心的盲区极大地限制了传统几何标定方法的准确性与可行性。本文提出并验证了一种新型的适用于红外地球敏感器的相机标定方法。三个红外靶标被用作控制点，而相机被安装于双轴转台上。随着转台的旋转，这些控制点将均匀地分布在整个相机视场中。与传统的平行光管与转台配合方法相比，传统方法无法有效覆盖大视场且需要苛刻的实验设备，而该方法更易于实施且成本较低。本文还提出了相应的三步参数估计算法，从而不需要精确测量相机和控制点的位置。本文用10台红外地球敏感器进行了实验，以验证标定方法的有效性。结果表明，所提出的方法是高度稳定可靠的，标定精度与现有其他方法相比提升至少30%。

通信行业的快速发展催生了更多新业务与新应用。6G网络面临更严苛、更多样的需求。在保证高速率、低时延等性能要求的同时，5G网络中存在的高能耗问题也成为6G网络需要解决的问题之一。广域覆盖信令小区技术顺应未来无线接入网的发展趋势，具有低网络能耗、高资源利用率的优势。在广域覆盖信令小区中，多维资源按需分配是保证用户极致性能需求的重要技术手段，其效果将直接影响网络资源使用效率。本文构建以用户为中心的无线资源动态分配模型，并提出一种基于深度Q网络的资源动态分配算法。该算法可根据用户上报的数据速率和时延等需求，实现动态灵活的接纳控制及多维资源分配。仿真结果表明，所提算法可有效提高长时间尺度下网络平均用户体验，在资源分配过程中保证高速率和低能耗。

在水下媒介中，声速随着水深、温度和盐度而变化。水体的不均匀性导致声线弯折，使得现有基于声信号直线传播假设的定位算法不够精确。为实现水下声学传感网络中的高精度节点定位，本文首先使用线性分割近似方法，提出多层等梯度声速剖面（sound speed profile，SSP）模型。基于此模型，可将声线跟踪问题转化为多项式寻根问题。利用传感器节点处信号多普勒频移的导数，提出一种新的使用到达时间差（time difference of arrival，TDOA）和到达频率差（frequency difference of arrival，FDOA）的水下节点定位算法。通过模拟仿真，可以证明所提算法的有效性。与传统基于直线传播假设的方法相比，所提算法可有效处理声线弯折现象。此外，研究了不同SSP建模误差下的估计精度。总体而言，新提出的方法可以实现准确可靠的节点定位。

功率放大器的线性度决定了通信系统的信号发射质量与系统的发射效率。非线性失真会导致系统误码、带外辐射以及临近信道干扰，严重影响着通信系统的质量和可靠性。论文从毫米波功率放大器的三阶互调点入手，对电路的非线性进行补偿。介绍了基于格罗方德（GlobalFoundries） 45 nm绝缘体硅工艺的AB类线性毫米波功率放大器（PA）的分析、设计和测试情况。设计了三种工作在U波段的基于共源共栅和三管堆叠单元结构的单端和差分堆叠功率放大器。根据非线性分析和在片测试结果对比，发现基于三管堆叠单元的设计要优于基于共源共栅单元的设计。使用单端测量方法设计的差分功率放大器在44 GHz时实现了47.2%的峰值功率附加效率（PAE）和25.2 dBm的饱和输出功率（Psat）。该放大器在44 GHz至50 GHz的工作带宽内实现了Psat高于23 dBm和峰值PAE高于25%的性能。