摘要: 5G带来的大连接、低时延、高吞吐等特征以及人工智能技术的普适化为构筑万物互联的智能世界带来了新的机遇，也标志着计算模式从传统的IoT (Internet of Things)走向AIoT （AI与IoT融合）。作为对下管理物理资源、对上提供应用执行环境并被称为”信息产业之魂“的操作系统，在新的AIoT时代将面临什么样的机遇与技术挑战，我们应该如何抓住机遇面对这些挑战构筑新的操作系统及其关键技术呢？针对这些问题，该报告将总结回顾操作系统的发展历史，分析AIoT时代的操作系统面临的新的挑战以及相应的研究方向，最后将展望在当前硬件与应用处于变革下操作系统的发展方向。

个人简介: 陈海波，上海交通大学特聘教授、并行与分布式系统研究所所长、领域操作系统教育部工程研究中心主任、国家杰出青年基金获得者、ACM杰出科学家。主要研究领域为操作系统和系统安全。曾获教育部技术发明一等奖、中国青年科技奖、上海交通大学校长奖、CCF青年科学家奖、全国优秀博士学位论文奖等。目前担任ACM ChinaSys主席、中国计算机学会系统软件专委会副主任、ACM旗舰杂志《Communications of the ACM》中国首位编委与Special Sections领域共同主席、《ACM Transactions on Storage》编委。曾任ACM SOSP 2017年大会共同主席、ACM SIGSAC奖励委员会委员、ACM SIGOPS Dennis M. Ritchie Thesis奖励委员会委员等。按照csrankings.org的统计，其在操作系统领域近5年（2015-2020）发表的高水平会议（SOSP/OSDI, EuroSys, Usenix ATC和FAST）论文数居世界并列第一，并获得ASPLOS、EuroSys、VEE、ICPP等学术会议的最佳论文奖。

摘要: 深度神经网络的可解释性近年来受到大家越来越多的关注，相关技术流派也呈百家争鸣的状态。但是目前大部分可解释性算法往往侧重于工程性的功能实现，侧重于迎合人类对被解释事物的主观认知，而缺少基于统一的理论基础的科学理论体系，影响了可解释性算法的严谨性，阻碍了可解释性研究的进一步发展。在本次演讲中，嘉宾将介绍其团队近年来在构建神经网络可解释性理论方向的众多研究，即如何在博弈交互的理论框架下，统一解释神经网络的归因权重、神经网络的对抗鲁棒性、神经网络的泛化能力、神经网络所建模的视觉概念分类，以及输入图像的视觉美观性。

个人简介: 张拳石，上海交通大学约翰霍普克罗夫特计算机科学中心长聘教轨副教授，博士生导师，获得中组部青年千人计划资助，ACM China新星奖。他于2014年获得日本东京大学博士学位，于2014-2018年在加州大学洛杉矶分校（UCLA）从事博士后研究，主要研究方向包括机器学习和计算机视觉。其研究工作主要发表在计算机视觉、人工智能、机器学习等不同领域的顶级期刊和会议上（包括IEEE T-PAMI、ICML、ICLR、CVPR、ICCV、AAAI、KDD、ICRA等）。近年来，张拳石在神经网络可解释性方向取得了多项具有国际影响力的创新性成果。张拳石承担了ICPR 2020的领域主席，CCF-A类会议IJCAI 2020和IJCAI 2021的可解释性方向的Tutorial，并先后担任了AAAI 2019, CVPR 2019, ICML 2021大会可解释性方向的分论坛主席。

摘要: 深度学习是人工智能最重要的方法之一，在云、边、端都有非常广泛的应用，例如广告推荐、自动翻译、语音识别、图像识别等。近年来，我们提出了一系列深度学习领域专用架构，包括国际上首个深度学习专用处理器架构，能够大幅度提升深度学习推理效率。然而，深度学习训练的开销仍然巨大。量化被认为是有望降低带宽/存储要求从而提升训练效率和计算成本的有效手段。目前，量化算法需要对大量数据进行基于动态统计的量化和高精度的权重更新，这使得这些量化训练算法不能有效地部署在目前的深度学习处理器上。针对这个问题，我们提出了第一个定制的架构用于高效的量化训练，其训练精度损失可忽略不计。

个人简介: 杜子东，博士，现为中国科学院计算技术研究所副研究员，长期从事人工智能体系结构研究。他在深度学习处理器方向做出了一系列开创性的工作，以第一作者身份发表多篇国际顶级会议或期刊论文，曾获得了 CCF A 类会议 ASPLOS‘14’最佳论文奖（亚洲首次），在 ISCA’16 上中获评审最高分，入选 IEEE Micro 评选的国际计算机体系结构领域年度十佳论文。他先后获得多个奖项，包括中科院杰出成就奖、中国计算机学会CCF优秀博士学位论文奖、吴文俊人工智能优秀青年奖、中科院院长特别奖、中科院优秀博士论文奖和。他也入选北京市科技新星、中科院青促会。

摘要: 数据中心是智能互联世界的基础设施。硬件方面，通用处理器的性能提升速度远远落后于网络、存储和定制化计算硬件；应用方面，大数据、机器学习与IoT对数据驱动计算的需求与日俱增。数据中心的网络和存储基础设施主要使用通用处理器上的软件处理，成为数据密集型系统的瓶颈。智能网卡可以加速云计算数据中心的网络功能、数据结构、通信原语等，进而实现计算、网络、存储的全栈加速。未来，智能网卡将与CPU和操作系统更紧密结合，为数据中心系统构建智能的数据面。

个人简介: 李博杰博士2019年在中国科学技术大学与微软亚洲研究院取得联合培养博士学位，现任华为计算机网络与协议实验室高级工程师，主要从事数据中心网络与系统方面的研究，在SIGCOMM、SOSP、NSDI、ATC、PLDI等顶级学术会议上发表多篇论文。

摘要: Memory disaggregation is a promising technique in datacenters with the benefit of improving resource utilization, failure isolation, and elasticity. Hashing indexes have been widely used to provide fast lookup services in distributed memory systems. However, traditional hashing indexes become inefficient for disaggregated memory since the computing power in the memory pool is too weak to execute complex index requests. To provide efficient indexing services in disaggregated memory scenarios, this paper proposes RACE hashing, a one-sided RDMA-Conscious Extendible hashing index with lock-free remote concurrency control and efficient remote resizing. RACE hashing enables all index operations to be efficiently executed by using only one-sided RDMA verbs without involving any compute resource in the memory pool. To support remote concurrent access with high performance, RACE hashing leverages a lock-free remote concurrency control scheme to enable different clients to concurrently operate the same hashing index in the memory pool in a lock-free manner. To resize the hash table with low overheads, RACE hashing leverages an extendible remote resizing scheme to reduce extra RDMA accesses caused by extendible resizing and allow concurrent request execution during resizing. Extensive experimental results demonstrate that RACE hashing outperforms state-of-the-art distributed in-memory hashing indexes by 1.4 - 13.7× in YCSB hybrid workloads.

个人简介: 华为云存储创新实验室技术专家。分别于2014年和2019年在华中科技大学获得学士和博士学位，于2018-2019年在加州大学圣巴巴拉分校联合培养。主要研究领域为内存和存储系统。在OSDI、MICRO、ASPLOS、USENIX ATC、DAC等国际会议和期刊上发表论文30余篇，研究成果获得NVMW’2019 Memorable Paper Award提名。服务于ICDCS’2021、ICPADS’20、CloudCom’20等多个会议的PC Member，和IEEE TC、TPDS、ACM TOS等多个期刊的审稿人。

摘要: Today, we have seen a huge number of IoT devices deployed in various scenarios, such as warehouse, smart retail, etc. The vision is that we are going to embrace a world where IoT devices are ubiquitously deployed. This brings us with both opportunities and challenges. On one side, the ubiquitously deployed IoT devices and the pervasive wireless signal provide us with a vehicle to sense and perceive the world. On another hand, however, this vision of IoT is still limited by the disconnection between the increased number of IoT devices and the limited channel resource. Frequent collision and interference among the signal of the IoT devices lead to poor communication reliability and throughput of IoT. In this talk, I will first discuss how we build high-throughput connectivity for IoT devices. Specifically, I will describe how we can support parallel transmission from multiple IoT devices, which increases the throughput by over 10x. I will also describe how we build new signal models and design new signal processing technologies to recover both the bit sequence and channel parameters of individual devices from the collided signal. In the second part of this talk, I will describe how we designed novel inference algorithms that build on these techniques to deliver a variety of sensing tasks in industrial scenarios, including eccentricity detection for rotation machinery, and liquid leakage detection for pipelines. I believe that our research works can support the IoT devices to better interact with the physical world.

个人简介: Meng Jin is an assistant professor at Shanghai Jiao Tong university. Before that, she received the B.S., M.S. and Ph.d. degrees in Computer Science from Northwest University, in 2012, 2015, and 2018, respectively, under the supervision of Prof. Dingyi Fang. Meng’s main research interests include backscatter communication, wireless sensing, wireless network co-existence at 2.4GHz and etc. She for the first time proposes a practical parallel decoding and sensing system for backscatter systems. Her research results push the deployment of large-scale and heterogeneous IoT systems.