131 Arbeiten
Die Arbeit stellt Nezha vor, ein verteiltes Key-Value-Speichersystem, das durch eine innovative Trennung von Schlüsseln und Werten sowie eine optimierte Raft-Integration die durch überlappende Persistenzvorgänge verursachten I/O-Overheads reduziert und dabei die Durchsatzleistung für Schreib-, Lese- und Scan-Operationen signifikant steigert, ohne die Sicherheitsgarantien von Raft zu beeinträchtigen.
Diese Arbeit stellt ein hierarchisches Observe-Orient-Decide-Act (H-OODA)-Framework vor, das durch die Integration von Cloud-Edge-Terminal-Schichten und Network Function Virtualization (NFV) die Entscheidungsfindung und Steuerung von UAV-Schwärmen in unsicheren Umgebungen verbessert, während gleichzeitig potenzielle Herausforderungen und zukünftige Forschungsrichtungen analysiert werden.
Die Arbeit stellt PIM-SHERPA vor, eine rein softwarebasierte Methode, die durch die Einführung von DRAM-Doppelbuffering und online Gewichtsumordnung die Speicherattribut- und Layout-Inkonsistenzen bei der Inferenz von Large Language Models auf PIM-fähigen Endgeräten löst und dabei erhebliche Speichereinsparungen bei vergleichbarer Leistung ermöglicht.
Die Arbeit stellt Flash-KMeans vor, eine GPU-basierte Implementierung des K-Means-Algorithmus, die durch innovative Kernel-Techniken wie FlashAssign und sort-inverse update IO-Engpässe und atomare Konflikte eliminiert und damit im Vergleich zu etablierten Bibliotheken wie cuML und FAISS Geschwindigkeitssteigerungen von bis zu 17,9-fach bis über 200-fach erzielt.
Diese Arbeit demonstriert, dass sich Mamba-2 durch compilerbasierte XLA-Optimierungen ohne handgeschriebene CUDA-Kernels effizient auf CPU, NVIDIA-GPUs und TPUs portieren lässt, wodurch eine theoretische -Zustandsverwaltung und hardwareunabhängige Inferenz mit hoher Leistung erreicht werden.
Diese Studie analysiert die Leistung einer virtualisierten XRootD-Frontend-Architektur am T2_BR_SPRACE unter Hochlastbedingungen und dokumentiert, dass das System mit heterogenen VMs und modernen TCP-Optimierungen aggregierte Durchsätze von bis zu 51,3 Gb/s sowie Spitzenwerte von 41,5 Gb/s zu Fermilab erreicht.
Die Arbeit stellt das RDFC-Framework vor, das als Form semantischer Kommunikation durch die Übertragung minimaler Informationen zur Erzeugung privater Zufallsfunktionen dient und nachweist, dass selbst ohne gemeinsame Zufallsdaten eine starke lokale Differentialprivatsphäre erreicht werden kann, wobei gemeinsame Zufallsdaten die Kommunikationsrate im Vergleich zu herkömmlichen Methoden drastisch senken.
Die Arbeit stellt SparseLoom vor, ein Demonstratorsystem für Edge-SoCs, das durch eine neuartige „Model Stitching"-Methode zur rekombinierenden Erstellung von Modellvarianten ohne Nachtraining die SLO-Verletzungsraten um bis zu 74 % senkt, den Durchsatz um das 2,31-Fache steigert und den Speicherbedarf im Vergleich zu bestehenden Multi-DNN-Inferenzsystemen um durchschnittlich 28 % reduziert.
Dieses Paper stellt einen neuen, auf Datenfrische basierenden Scheduling-Rahmen für Multi-Rate-Aufgabenketten vor, der durch die Einführung von Just-in-Time-Versatzzeiten und einen Konsens-Versatz-Suchalgorithmus die End-to-End-Datenfrische in sicherheitskritischen Systemen gewährleistet, ohne dabei die Nachteilige Latenz des Logical-Execution-Time-Paradigmas oder die Ineffizienz von Überabtastung in Kauf zu nehmen.
Diese Arbeit stellt einen Finite-Blocklängen-Rate-Distortion-Rahmen für heterogene Zufallsfelder auf endlichen Gittern vor, der die durch kachelbasierte Architekturen in wissenschaftlichen Kompressionsverfahren auferlegten Beschränkungen explizit berücksichtigt und nicht-asymptotische Schranken sowie eine zweite-Ordnung-Entwicklung zur Quantifizierung des Einflusses von räumlicher Korrelation, Heterogenität und Kachelgröße herleitet.
Die Arbeit stellt ein Capability Coherence System (CCS) vor, das durch die Übertragung von Speicher-Konsistenzmodellen auf die Autorisierungsverwaltung die Anzahl nicht autorisierter API-Aufrufe bei schnellen Agenten-Revokationen im Vergleich zu herkömmlichen zeitbasierten Strategien drastisch reduziert.
Diese Arbeit analysiert theoretisch und experimentell die Konvergenz des Approximationsfehlers bei allgemeinen kodierten Berechnungsverfahren (BACC und LeTCC) unter probabilistischen Straggler-Bedingungen und zeigt, dass die Fehler trotz einer mit der Serveranzahl skalierenden erwarteten Anzahl von Stragglern gegen Null konvergieren.
Das Paper stellt EROICA vor, ein Online-Troubleshooting-System, das durch feinkörnige Profilierung und differenzielle Beobachtbarkeit Leistungsprobleme in großen GPU-Clustern für das Training großer Modelle effizient diagnostiziert und sich bereits erfolgreich in einer Produktionsumgebung mit rund 100.000 GPUs bewährt hat.
Die Arbeit stellt Co-LoRA vor, eine Methode zur personalisierten Federated Learning, die durch eine aufgabenrelevante Aggregationsstrategie und ein dimensionsinvariantes Modul sowohl Daten- als auch Modellheterogenität in realistischen, multimodalen Szenarien effektiv adressiert und dabei den aktuellen Stand der Technik übertrifft.
Die Arbeit stellt NANOMIND vor, ein Hardware-Software-Co-Design-Framework, das durch modulare Zerlegung und dynamisches Offloading von Large Multimodal Models auf heterogene Beschleuniger in SoCs die Energieeffizienz und den Durchsatz auf batteriebetriebenen Kleingeräten signifikant verbessert und es ermöglicht, komplexe Modelle wie LLaVA-OneVision über 20 Stunden ohne Netzverbindung lokal auszuführen.
Der Artikel argumentiert, dass Resilienz bei der Integration von HPC und Quantenprozessoren als vorrangiges Designkriterium etabliert werden muss, und fordert die Entwicklung quantitativer Modelle und Metriken, die Methoden aus dem Bauingenieurwesen nutzen, um die Zuverlässigkeit hybrider Systeme zu bewerten und den Wert von Verbesserungen in der Quantentechnologie-Stack zu quantifizieren.
Die Arbeit stellt NEST vor, ein Framework für das Gerätelayout im verteilten Deep Learning, das durch strukturierte dynamische Programmierung Parallelismus, Speicherkapazität und Netzwerktopologie gemeinsam optimiert und damit im Vergleich zu bestehenden Methoden eine bis zu 2,43-fach höhere Durchsatzleistung sowie verbesserte Skalierbarkeit und Speichereffizienz erzielt.
Dieses Paper stellt ein konfigurationsgesteuertes Framework für die dynamische Orchestrierung von Datenabrufen in verteilten Systemen vor, das durch die generierung von Ausführungsgraphen zur Laufzeit eine flexible und skalierbare Integration ermöglicht, ohne bei sich ändernden Anforderungen einen Code-Neubereitstellung zu erfordern.
Das Paper stellt AIReSim vor, einen diskreten Ereignissimulator zur Bewertung und Optimierung von Zuverlässigkeitsstrategien, Parametern und Kapazitätsplanungen in großen KI-Clustern, um die Auswirkungen von Ausfällen und die Effizienz von Wiederherstellungsprozessen zu analysieren.
Die vorgestellte Uber-Failover-Architektur (UFA) optimiert die Hyperscale-Microservice-Infrastruktur, indem sie ein einheitliches 2x-Kapazitätsmodell durch eine differenzierte Strategie ersetzt, die nicht-kritische Dienste bei Bedarf vorübergehend unterbricht, um die Auslastung von 20 % auf 30 % zu steigern, über eine Million CPU-Kerne einzusparen und gleichzeitig eine Verfügbarkeit von 99,97 % zu gewährleisten.