CNCC | 面向大模型的存算技术

何水兵

CCF杰出会员，浙江大学计算机学院研究员，之江实验室副主任，浙江省大数据智能计算重点实验室副主任

CCF杰出会员，CCF信息存储专委常委，CCF体系结构专委常委，浙江大学计算机学院研究员，之江实验室副主任，浙江省大数据智能计算重点实验室副主任。担任第17届国际网络结构存储会议NAS 2024程序委员会主席和第26届中国计算机系统大会ChinaSys 2024大会主席。主要从事智能计算、存储系统、存算一体、计算机体系结构等方面研究工作。主持或参与了国家自然科学基金、国家重点研发、科技部重大项目、教育部重点、浙江省重点研发、企业项目等20余项。在国际会议和期刊上发表论文90多篇，包括ASPLOS、MICRO、HPCA、SC、EuroSys、ATC、TOCS、TC和TPDS等CCF A类论文30余篇。担任国际期刊TPDS、TC编委，获2020年TPDS优秀编辑奖。

冯丹

CCF会士，华中科技大学教授、副校长、计算机科学与技术学院院长，武汉光电国家研究中心信息存储研究部主任，信息存储系统教育部重点实验室主任

CCF会士，教授，华中科技大学副校长，计算机科学与技术学院院长，武汉光电国家研究中心信息存储研究部主任，信息存储系统教育部重点实验室主任。国家杰出青年基金获得者、长江学者、IEEE Fellow。从事信息存储系统与技术、存算一体、计算机系统结构等研究，担任存储领域2个973项目首席科学家，863重大项目“海量存储系统关键技术”总体专家组组长、基金委创新研究群体项目负责人等。授权发明专利100余项，发表论文300余篇，著作3部，主持完成国家标准6项和电子行业标准3项。获国家技术发明二等奖2项、国家科技进步二等奖1项。曾获“中国青年科技奖”、“全国三八红旗手称号”等。

报告题目：存内计算系统的可靠性和性能提升方法

摘要 ：基于非易失存储器的存内计算（Computing-in-Memory, CIM）系统可以通过原位计算高效加速矩阵向量乘法。但其中数据布局、存算阵列控制调度、磨损均衡等对存内计算系统的性能影响重大。为了解决通信性能和可靠性之间的平衡问题，同时协调现有存内计算编译器和动态调度，提出了抗乱序的计算转换层，通过数据布局和动态调度的协同优化，提高系统寿命和通信性能；提出了针对阵列的行列协同并行计算方法，提高了系统性能。

张广艳

CCF信息存储技术专业委员会副主任、计算机历史工作委员会副主任，清华大学计算机系长聘副教授

CCF信息存储技术专业委员会副主任、CCF计算机历史工作委员会副主任，清华大学计算机系长聘副教授，国家杰出青年科学基金获得者。主要从事大规模数据存储与分析的理论和方法研究，包括存储系统、数据压缩、大数据计算、AI计算系统等方面。研究得到包括国家杰出青年科学基金、国家重点研发计划、中国工程院战略研究与咨询项目、973和863等国家科研项目的支持。发表学术论文60余篇，其中包括FAST、SOSP、SIGMOD、USENIX ATC、EuroSys、ACM TOS、IEEE TC、IEEE TPDS等计算机系统领域顶级国际会议和期刊论文20余篇。以第一发明人获得美国发明专利授权、中国发明专利授权10余项。研究成果应用到多家国内骨干企业的存储产品中，效果良好。

报告题目：在文件扫描负载与快速存储设备双重压力下，系统缓存该如何设计？

摘要 ：基于内核缓冲I/O来执行文件扫描的方法，能够实现应用透明、异步写回、小写聚合和自动地址对齐的文件访问，被广泛应用于高性能计算和深度学习的检查点读写中。然而，随着存储设备性能的不断提升，现有的内核缓存I/O软件栈无法充分发挥存储设备的性能。我们的分析发现上述问题的原因在于前后台激烈的锁竞争和较慢的内存分配。进而，我们提出了一种内核页缓存管理方法StreamCache，旨在降低后台写回对前台写入的干扰，并优化内存分配速度。然而，这样做还面临一系列挑战，包括：如何在细粒度页缓存索引上实现较低的前后台干扰，如何针对高带宽需求的应用优化内存分配的速度。在本报告中，我们将共同探讨这些问题、挑战以及初步的解决方案。

毛波

厦门大学信息学院教授

CCF信息存储技术、分布式计算与系统、体系结构专委会执行委员，厦门大学信息学院教授，专注计算机存储系统及应用研究，承担了国家重点研发计划课题、国家自然科学基金和多项企业委托研发项目等，在国际著名会议和期刊上发表论文60多篇，包括FAST、HPCA、ISCA、ATC、ICS、ICDCS和IEEE/ACM会刊等，研究成果获DATE 2019最佳论文提名。担任TPDS技术审查委员会和可重现审查委员会委员，ChinaSys程序委员会共同主席和大会共同主席等，并担任ICS、ICDCS、IPDPS、CCGrid等国际会议PC等。

报告题目：智能存算融合关键技术研究

摘要 ：存储是数字经济的基石，新型计算应用和新型硬件对存储系统重构提出了更高的要求和挑战。为了更好地发挥硬件性能以更好的服务上层应用，软硬件协同设计的智能存算融合技术就非常重要，报告将介绍我们在这智能存算融合的两项最近研究工作：（1）面向闪存的基于学习索引的FTL设计LearnedFTL，结合应用负载特点和闪存设备的硬件特性，提供更高效的存储数据索引和管理；（2）面向DPU的键值存储参数调优技术TonicDB，通过挖掘DPU的数据面和控制面功能更好的加速键值存储系统。通过智能化的软硬件协同设计使存储系统能够更好地满足不断增长的高性能数据处理需求。

林芃

浙江大学计算机科学与技术学院、脑机智能全国重点实验室研究员，博导

浙江大学计算机科 学与技术学院、脑机智能全国重点实验室研究员，博导，国家高层次青年人才，美国麻萨诸塞大学博士、麻省理工学院博士后，主要研究方向是新型类脑计算系统，近年来在Nature Electronics, Nature Nanotechnology等期刊发表高水平论文50余篇，包括多篇Nature子刊封面论文，担任中国人工智能学会脑机融合与生物机器智能专委会委员。

报告题目：基于新兴存储器件的存算一体技术

摘要 ：人工智能的快速发展对硬件系统提出了越来越高的性能需求，在神经网络模型规模日益增长的大趋势下，处理器与内存间的数据搬运问题逐渐凸显，对高效完成神经网络训练与推理任务提出新的挑战。以忆阻器为代表的新兴存储器件可以高效实现存算一体化及并行计算等处理范式，并为类脑计算提供全新的人工神经元及突触元器件。在这个报告中，我将主要讨论存算一体系统底层器件的设计与挑战，并探讨其在神经网络硬件加速方面的一些尝试。