新兴分布式计算技术与系统探究

　　分布式计算与系统一直是承载重要信息化基础设施的基础。一方面，分布式计算的理论、技术与系统的研究发展可有效助力大型信息系统(如云计算、边缘计算、5G网络等)的快速发展;另一方面，新兴的信息技术与应用(如区块链、机器学习等)也在倒逼分布式计算与系统的技术进步。

　　因此，分布式计算与系统一直是国内外研究的热点，在基础科学理论、关键技术方法、新兴系统及应用等方面都产生了诸多创新性和突破性的成果。针对国内分布式计算与系统领域的发展，中国计算机学会分布式计算与系统专委会每年都会召开全国开放式分布与并行计算学术年会(DPCS)，为分布式计算与系统相关领域的研究者、开发者和用户提供一个学术交流和成果展示的平台。

　　计算机技术论文：计算机技术基础上的科技管理模式应用探究

　　本专题收录了DPCS2021的10篇论文，根据研究方向其大体可以分为3类：分布式系统优化、分布式机器学习和分布式系统安全。分布式系统计算框架历经数十年的发展，已经呈现出百家争鸣的状态，有多种不同的程序设计与应用部署框架可供选择，包括传统的MPI，OpenMP以及近期新出现的各类面向大数据、云平台的系统框架，如MapReduce等。尽管这些框架已经得到广泛应用，但仍或多或少地存在一些局限。

　　为此，针对流体力学的多面体网格生成，中国科学院重庆绿色智能技术研究院的刘江等人提出了一种OpenMP和MPI的混合并行方法。此外，南京大学的田冰川等人针对基于Hadoop的大数据分析系统存在的性能瓶颈，基于可用资源敏感的算网融合思想，设计并实现了全新的任务调度系统Duopoly，有效缩短了任务执行时间。随着人工智能的快速发展和应用，由于算力需求、数据安全与隐私等方面的因素，近年来分布式机器学习也得到了学术界和工业界的青睐。

　　特别是联邦学习，作为分布式机器学习的改进版本，同时实现了算力均摊和数据隐私保护，得到了广泛关注。针对移动设备的模型训练参与激励问题，北京信息科技大学的杜辉等人设计了基于在线双边拍卖的分层联邦学习激励机制，该机制能够有效降低移动设备的训练能耗，提升了其参与积极性。

　　浙江工业大学的王鑫等人则从对数据参与方的训练参与进行奖励和对数据参与方的数据可靠性进行评估两方面入手，提出了基于区块链技术的面向电能量数据的可靠的联邦学习激励机制。此外，针对联邦学习通信量大的问题，河海大学的赵罗成等人提出了一种面向边缘混合无线网络的联邦学习模型同步方法，该方法通过多层聚合更新的方法，减小了通信开销，提升了训练效率。在应用层面，河海大学的欧阳卓等人将深度强化学习技术应用于无信号灯交叉路口的车辆控制，可有效提升交叉路口的通行效率。

　　安全与隐私保护始终是计算机系统领域长期探讨的话题，随着各类新兴分布式系统与架构的提出与应用，分布式系统的安全也得到了广泛关注。兰州大学的张潆藜等人针对以太坊Solidity智能合约的安全漏洞问题，从符号执行、模糊测试、形式化验证、污点分析和机器学习漏洞监测等方面对现有工作进行了分析和综述。清华大学的李嘉睿等人针对目前攻击图模型不能实时反映网络攻击事件的问题，提出了基于贝叶斯攻击图的动态网络安全分析方法。

　　在应用层面，北京邮电大学的任花等人针对现有的水印和加密方案大多容易影响受保护图像的视觉质量的问题，提出了一种基于奇异值分解的同态可交换脆弱零水印方案。扬州大学的王梦宇等人针对传统的密文策略属性基加密容易导致共享医疗数据隐私泄露的问题，提出了一个支持访问策略隐藏和密钥追踪的轻量级医疗数据共享方案。近年来，我国分布式计算与系统领域取得的研究成果的国际影响力不断提升，期待未来我国在该领域有更多原创的科研成果，同时产研融合，让更多的成果能够转化应用，赋能数字中国建设。