葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

大數(shù)據(jù)應(yīng)用的多樣化 需要的計(jì)算模型、數(shù)據(jù)模型多樣化； 目前每類模型需要單獨(dú)的開源系統(tǒng)來支持（如HDFS、HBase、Neo4j、MongoDB，F(xiàn)link，Spark，Tensorflow等）。 多系統(tǒng)導(dǎo)致大數(shù)據(jù)分析平臺非常復(fù)雜、效率低下。研究目標(biāo)：研究和開發(fā)面向新型多計(jì)算模型融合架構(gòu)的、高時(shí)效、可擴(kuò)展的新 一代大數(shù)據(jù)分析支撐系統(tǒng)與工具平臺FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。針對目前大數(shù)據(jù)分析平臺復(fù)雜、效率低下的痛點(diǎn)，該系統(tǒng)具有三個(gè) 方面的優(yōu)勢：首先，這套系統(tǒng)采用融合架構(gòu)，一方面實(shí)現(xiàn)關(guān)系、圖、鍵 值、文檔等多種數(shù)據(jù)模型的高效融合，另一方面實(shí)現(xiàn)批處理計(jì)算、流計(jì) 算的深度融合，并可以通過SQL擴(kuò)展語言來進(jìn)行多模型的統(tǒng)一查詢，實(shí)現(xiàn)高效的跨模型查詢。其次，對于復(fù)雜系統(tǒng)來說，時(shí)效性非常重要，這 套系統(tǒng)采用融合架構(gòu)提高效率是實(shí)現(xiàn)高時(shí)效的基礎(chǔ)，更重要的是，我們 對大數(shù)據(jù)分析從數(shù)據(jù)到用戶進(jìn)行了端到端的全棧時(shí)效優(yōu)化。最后，對于 大數(shù)據(jù)應(yīng)用來說，系統(tǒng)擴(kuò)展性非常重要，本系統(tǒng)在資源層、存儲(chǔ)層和計(jì) 算層進(jìn)行了全面的擴(kuò)展性優(yōu)化。下面在融合架構(gòu)、高時(shí)效和可擴(kuò)展這三 個(gè)方面，分別詳細(xì)介紹FAST系統(tǒng)的三個(gè)主要亮點(diǎn)。融合架構(gòu)FAST系統(tǒng)的第一個(gè)亮點(diǎn)是融合架構(gòu)，我們在技術(shù)方面的創(chuàng)新主要包 括多數(shù)據(jù)模型融合和多計(jì)算模型融合兩方面。多數(shù)據(jù)模型融合：設(shè)計(jì)和研發(fā)了多模型數(shù)據(jù)管理與查詢引擎，支持關(guān)系、圖、鍵值、 文檔等多種數(shù)據(jù)模型，實(shí)現(xiàn)了查詢解析、查詢優(yōu)化、元數(shù)據(jù)管理、數(shù)據(jù) 分布等功能，將多種數(shù)據(jù)模型進(jìn)行統(tǒng)一管理和深度融合。同時(shí)擴(kuò)展了SQL語言，通過統(tǒng)一的查詢接口支持對關(guān)系、鍵值、圖、文檔等數(shù)據(jù)進(jìn)行獨(dú)立訪問或者跨模型查詢。經(jīng)過試驗(yàn)，多模型數(shù)據(jù)融合查詢，比Spark 2.3.4的查詢時(shí)間能平均減少70.7%。目前spark等現(xiàn)有系統(tǒng)還需要手工編程方式來實(shí)現(xiàn)跨模型查 詢，所以FAST系統(tǒng)在易用性上也表現(xiàn)良好，降低使用門檻，提高開發(fā)效率。多計(jì)算模型融合：在計(jì)算層實(shí)現(xiàn)了最常見的批處理計(jì)算和流計(jì)算深度融合，批流融合的核心方法是在系統(tǒng)內(nèi)部實(shí)現(xiàn)批和流的統(tǒng)一表達(dá)，批是對有限數(shù)據(jù)集 的運(yùn)算，流是對無限數(shù)據(jù)流的計(jì)算，我們設(shè)計(jì)了UCollection結(jié)構(gòu)對批和 流數(shù)據(jù)進(jìn)行統(tǒng)一表達(dá)，通過識別的bounded標(biāo)志，來確定是批、流、或批流融合。有了統(tǒng)一表達(dá)，可以開展一系列融合優(yōu)化來提升系統(tǒng)性能。 并且對上通過Unified API統(tǒng)一用戶的批、流接口，實(shí)現(xiàn)二者在編程范式上的統(tǒng)一表達(dá)。對于批流混合的計(jì)算，融合架構(gòu)系統(tǒng)的查詢延遲比Flink 1.4.2能減少57%，吞吐量平均可以提升到6.72倍。高時(shí)效FAST系統(tǒng)的第二個(gè)亮點(diǎn)是高時(shí)效，即縮短大數(shù)據(jù)分析的時(shí)間消耗， 提高效率。由于大數(shù)據(jù)分析平臺是一個(gè)非常復(fù)雜的系統(tǒng)，為了做到高時(shí)效，系統(tǒng)不能存在性能短板，因此需要對大數(shù)據(jù)分析的整個(gè)過程進(jìn)行端到端的全棧時(shí)效優(yōu)化。如圖中所示，自下而上，需要在多模態(tài)存儲(chǔ)、批流融合、機(jī)器學(xué)習(xí)、人工操作各層都進(jìn)行優(yōu)化。對于多模態(tài)存儲(chǔ)，面向應(yīng)用負(fù)載和異構(gòu)硬件特征進(jìn)行自適應(yīng)優(yōu)化；對于批流融合計(jì)算，在統(tǒng)一表達(dá)基礎(chǔ)上，進(jìn)行系列融合優(yōu)化技術(shù)， 包括DAG優(yōu)化、迭代優(yōu)化、部署優(yōu)化、操作符優(yōu)化等；在機(jī)器學(xué)習(xí)層面，進(jìn)行模型優(yōu)化、消息優(yōu)化、梯度優(yōu)化、概率優(yōu)化 等來提高時(shí)效；而且我們也考慮到大數(shù)據(jù)分析過程中用戶人工操作的時(shí)效性問題， 通過智能地進(jìn)行大數(shù)據(jù)分析方法和模型的推薦，來縮減人工操作的 時(shí)間。可擴(kuò)展FAST系統(tǒng)的第三個(gè)亮點(diǎn)是可擴(kuò)展，由于大數(shù)據(jù)應(yīng)用規(guī)模很大，數(shù)據(jù)增速快，對系統(tǒng)可擴(kuò)展性的要求非常高，為此我們在系統(tǒng)的資源層、 存儲(chǔ)層和計(jì)算層進(jìn)行了全面的擴(kuò)展性優(yōu)化。在資源層，系統(tǒng)都部署在云計(jì)算的虛擬化資源之上，利用了云計(jì)算資源的彈性機(jī)制進(jìn)行系統(tǒng)擴(kuò)展。并在系統(tǒng)中實(shí)現(xiàn)了可伸縮調(diào)整模塊， 能實(shí)時(shí)監(jiān)控軟硬件系統(tǒng)的狀態(tài)，按照應(yīng)用需求來自適應(yīng)地進(jìn)行彈性伸縮。在存儲(chǔ)層，分布式存儲(chǔ)系統(tǒng)擴(kuò)展性的關(guān)鍵在于分布式共識和一致性 協(xié)議（Raft），因此提出了KV-Raft、vRaft等進(jìn)行Raft的擴(kuò)展優(yōu)化。在計(jì)算層，我們擴(kuò)展了機(jī)器學(xué)習(xí)模型的參數(shù)規(guī)模，使系統(tǒng)可以支持 到百億級別的超大規(guī)模機(jī)器學(xué)習(xí)模型訓(xùn)練，并且性能方面有明顯提 升。亮點(diǎn)成果：融合架構(gòu)大數(shù)據(jù)分析平臺目前已經(jīng)在阿里巴巴雙十一進(jìn)行示范應(yīng)用。 從2020年11月10日至11月16日一周的時(shí)間，在阿里的生產(chǎn)環(huán)境中，研發(fā) 的系統(tǒng)一直連續(xù)穩(wěn)定運(yùn)行，基于淘寶和天貓的實(shí)際用戶信息進(jìn)行大數(shù)據(jù) 分析，綜合運(yùn)用了本系統(tǒng)的存儲(chǔ)、計(jì)算、機(jī)器學(xué)習(xí)等多個(gè)模塊的能力， 累計(jì)進(jìn)行了184億件商品推薦。同時(shí)在雙十一期間，基于智能交互向?qū)Ъ夹g(shù)，也面向電子商務(wù)應(yīng)用 的賣家提供了“生意參謀”應(yīng)用，基于大數(shù)據(jù)分析，幫助賣家分析產(chǎn)品 銷量變化的原因，以及促銷的有效手段等。

三維顱頜面部成像儀及診斷分析系統(tǒng)，解決傳統(tǒng)口腔臨床面臨的基于二維圖像顱面測量丟失深度信息的問題。 系統(tǒng)基于立體視覺原理，開發(fā)高效、準(zhǔn)確（精度

成果描述：本實(shí)用新型公開了一種基于物聯(lián)網(wǎng)的微功耗分析儀,對無線傳感器網(wǎng)絡(luò)中傳感節(jié)點(diǎn)進(jìn)行功耗分析,包括電壓獲取電路、電流獲取電路、采集控制模塊、模擬積分器和采用獨(dú)立電源供電的微處理器,電壓獲取電路、電流獲取電路通過采集控制模塊與微處理器連接；所述采集控制模塊包括同步信號發(fā)生器、門控時(shí)鐘電路和依次連接的模數(shù)轉(zhuǎn)換器、放大器、濾波器,電壓獲取電路采集的電壓信號、電流獲取電路采集的電流信號分別依次通過模數(shù)轉(zhuǎn)換器轉(zhuǎn)換成對應(yīng)的數(shù)據(jù)信號,由放大器進(jìn)行信號放大,經(jīng)濾波器濾波后輸入微處理器；所述放大器采用多級放大電路或?qū)?shù)放大電路中任一種。本實(shí)用新型較為準(zhǔn)確的檢測被測傳感節(jié)點(diǎn)的功耗。市場前景分析：本實(shí)用新型公開了一種基于物聯(lián)網(wǎng)的微功耗分析儀,對無線傳感器網(wǎng)絡(luò)中傳感節(jié)點(diǎn)進(jìn)行功耗分析,包括電壓獲取電路、電流獲取電路、采集控制模塊、模擬積分器和采用獨(dú)立電源供電的微處理器,電壓獲取電路、電流獲取電路通過采集控制模塊與微處理器連接；所述采集控制模塊包括同步信號發(fā)生器、門控時(shí)鐘電路和依次連接的模數(shù)轉(zhuǎn)換器、放大器、濾波器,電壓獲取電路采集的電壓信號、電流獲取電路采集的電流信號分別依次通過模數(shù)轉(zhuǎn)換器轉(zhuǎn)換成對應(yīng)的數(shù)據(jù)信號,由放大器進(jìn)行信號放大,經(jīng)濾波器濾波后輸入微處理器；所述放大器采用多級放大電路或?qū)?shù)放大電路中任一種。本實(shí)用新型較為準(zhǔn)確的檢測被測傳感節(jié)點(diǎn)的功耗。與同類成果相比的優(yōu)勢分析：國內(nèi)領(lǐng)先

本發(fā)明公開了一種基于社會(huì)網(wǎng)絡(luò)的網(wǎng)絡(luò)輿情行為分析方法，首先基于網(wǎng)絡(luò)新聞或者帖子之間的相似度建立起一個(gè)網(wǎng)絡(luò)輿情事件社會(huì)網(wǎng)絡(luò)，然后通過分析社會(huì)網(wǎng)絡(luò)參數(shù)隨時(shí)間的變化以及參數(shù)之間的對比，自動(dòng)的實(shí)現(xiàn)網(wǎng)絡(luò)輿情的識別和網(wǎng)絡(luò)輿情事件緊急程度的評估，方便相關(guān)政府部門更有效的監(jiān)控和管理網(wǎng)絡(luò)輿論。

本成果以軟件著作權(quán)形式體現(xiàn)（登記號 2016SR322691 ），生命科學(xué)大多以微生物為研究對象，因此如何進(jìn)行微生物的分類鑒定是生命科學(xué)領(lǐng)域的基礎(chǔ)研究工作。本成果可根據(jù)微生物的序列自動(dòng)完成多種類型的系統(tǒng)發(fā)育樹分析，并且以直觀的圖標(biāo)形式展示，并可與各種專業(yè)數(shù)據(jù)庫對接，簡單、專業(yè)、直觀，可以作為生物醫(yī)藥行業(yè)鑒定微生物的專業(yè)工具。本成果具有預(yù)留對接數(shù)據(jù)庫接口、具有進(jìn)化距離、集成  BLAST 功能、集成 ClustalW2.1 、可生成標(biāo)準(zhǔn)系統(tǒng)發(fā)育樹圖形結(jié)果、自動(dòng)合并分析多種進(jìn)化樹結(jié)果、可在線使用等優(yōu)勢。

超高分辨率光矢量分析設(shè)備采用“微波光子學(xué)方法”，首創(chuàng)具有國際領(lǐng)先水平的“超高分辨率光矢量分析技術(shù)”，集成了電-光、光-電和光-光3類元器件頻譜響應(yīng)的測量功能，可應(yīng)用于光纖通信、光纖傳感、光信號處理和集成光子學(xué)等領(lǐng)域。 技術(shù)特征 關(guān)鍵技術(shù)與創(chuàng)新點(diǎn)一：基于120度電橋的高抑制比光單邊帶調(diào)制技術(shù)和基于光載波抑制與平衡光電探測的非線性誤差對消技術(shù)。 關(guān)鍵技術(shù)與創(chuàng)新點(diǎn)二：光頻梳通道化測量技術(shù)和基于光希爾伯特變換的鏡像邊帶抑制技術(shù)。 關(guān)鍵技術(shù)與創(chuàng)新點(diǎn)三：多種測量模式融合與系統(tǒng)軟硬件集成技術(shù)。 工作波長：1528-1565 nm 最高波長分辨率：50 kHz（即0.4 fm） 幅度分辨率：0.01 dB 幅度精確度：±0.11 dB 相位分辨率：0.01° 相位精確度：±1.2° 對比國際上最高水平商用光矢量分析儀表LUNA OVA5000，設(shè)備的分辨率提升了4000倍，動(dòng)態(tài)范圍提升了31倍（15dB），相位精確度提升了2.5倍（單通道40GHz范圍內(nèi)），幅度分辨率也提升5倍以上，打破國外技術(shù)壁壘，實(shí)現(xiàn)進(jìn)口替代。

本發(fā)明公開了一種高速網(wǎng)絡(luò)數(shù)據(jù)包內(nèi)容分析裝置，包括：網(wǎng)卡， 用于獲取高速網(wǎng)絡(luò)數(shù)據(jù)包；FPGA，用于過濾掉不屬于需要檢測的應(yīng)用 層協(xié)議類型的網(wǎng)絡(luò)數(shù)據(jù)包，然后將過濾得到的網(wǎng)絡(luò)數(shù)據(jù)包分流到各眾 核處理器中；至少一個(gè)的眾核處理器，根據(jù)核分配策略對其包含的多 核進(jìn)行任務(wù)分工，用于對分流得到的網(wǎng)絡(luò)數(shù)據(jù)包并行執(zhí)行協(xié)議還原、 數(shù)據(jù)包內(nèi)容提取以及數(shù)據(jù)包內(nèi)容分析融合任務(wù)；主控板，用于對 FPGA 和眾核處理器進(jìn)行配置。本發(fā)明只需獲取原始的網(wǎng)絡(luò)數(shù)據(jù)包，就可利 用眾核處理器的并行計(jì)算能力，直接進(jìn)行協(xié)議還原和敏感信息的分析 檢測，與傳統(tǒng)方法相比，計(jì)算能力大幅提升，實(shí)時(shí)性強(qiáng)，檢測效率高。

(1)交通影響分析(交評) 對于各種類型的建筑，交通影響分析的方法是不同的，但是基本流程和步驟是相同的。一般的交通影響分析的流程大概分為以下幾個(gè)步驟:收集資料、確定研究范圍、確定預(yù)測年 限、現(xiàn)狀調(diào)查及分析、交通量的預(yù)測、交通影響評價(jià)、交通誘導(dǎo)系統(tǒng)、結(jié)論。(2)道路交通管理規(guī)劃道路交通管理規(guī)劃涉及調(diào)查數(shù)據(jù)分析及數(shù)據(jù)庫集成、現(xiàn)狀分析與問題診斷、交通需求預(yù) 測、交通流組織優(yōu)化方案、靜態(tài)交通管理方案、交叉口渠化、公交發(fā)展及規(guī)劃建議、交通標(biāo) 志標(biāo)線設(shè)置、交通需求管理方案、交通事故與安全教育對策、交通法規(guī)及宣傳教育計(jì)劃、交 通指揮系統(tǒng)建設(shè)規(guī)劃、交通環(huán)境影響對策、交通管理發(fā)展戰(zhàn)略、規(guī)劃的實(shí)施計(jì)劃與滾動(dòng)發(fā)展 等多項(xiàng)內(nèi)容。技術(shù)流程如下圖所示。

研究背景：  大數(shù)據(jù)應(yīng)用的多樣化  需要的計(jì)算模型、數(shù)據(jù)模型多樣化；  目前每類模型需要單獨(dú)的開源系統(tǒng)來支持（如HDFS、HBase、Neo4j、MongoDB，F(xiàn)link，Spark，Tensorflow等）。  多系統(tǒng)導(dǎo)致大數(shù)據(jù)分析平臺非常復(fù)雜、效率低下。 研究目標(biāo)： 研究和開發(fā)面向新型多計(jì)算模型融合架構(gòu)的、高時(shí)效、可擴(kuò)展的新 一代大數(shù)據(jù)分析支撐系統(tǒng)與工具平臺FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 針對目前大數(shù)據(jù)分析平臺復(fù)雜、效率低下的痛點(diǎn)，該系統(tǒng)具有三個(gè)  方面的優(yōu)勢：首先，這套系統(tǒng)采用融合架構(gòu)，一方面實(shí)現(xiàn)關(guān)系、圖、鍵  值、文檔等多種數(shù)據(jù)模型的高效融合，另一方面實(shí)現(xiàn)批處理計(jì)算、流計(jì)  算的深度融合，并可以通過SQL擴(kuò)展語言來進(jìn)行多模型的統(tǒng)一查詢，實(shí)現(xiàn)高效的跨模型查詢。其次，對于復(fù)雜系統(tǒng)來說，時(shí)效性非常重要，這  套系統(tǒng)采用融合架構(gòu)提高效率是實(shí)現(xiàn)高時(shí)效的基礎(chǔ)，更重要的是，我們  對大數(shù)據(jù)分析從數(shù)據(jù)到用戶進(jìn)行了端到端的全棧時(shí)效優(yōu)化。最后，對于  大數(shù)據(jù)應(yīng)用來說，系統(tǒng)擴(kuò)展性非常重要，本系統(tǒng)在資源層、存儲(chǔ)層和計(jì)  算層進(jìn)行了全面的擴(kuò)展性優(yōu)化。下面在融合架構(gòu)、高時(shí)效和可擴(kuò)展這三  個(gè)方面，分別詳細(xì)介紹FAST系統(tǒng)的三個(gè)主要亮點(diǎn)。 融合架構(gòu) FAST系統(tǒng)的第一個(gè)亮點(diǎn)是融合架構(gòu)，我們在技術(shù)方面的創(chuàng)新主要包  括多數(shù)據(jù)模型融合和多計(jì)算模型融合兩方面。 多數(shù)據(jù)模型融合： 設(shè)計(jì)和研發(fā)了多模型數(shù)據(jù)管理與查詢引擎，支持關(guān)系、圖、鍵值、  文檔等多種數(shù)據(jù)模型，實(shí)現(xiàn)了查詢解析、查詢優(yōu)化、元數(shù)據(jù)管理、數(shù)據(jù)  分布等功能，將多種數(shù)據(jù)模型進(jìn)行統(tǒng)一管理和深度融合。同時(shí)擴(kuò)展了SQL語言，通過統(tǒng)一的查詢接口支持對關(guān)系、鍵值、圖、文檔等數(shù)據(jù)進(jìn)行獨(dú)立訪問或者跨模型查詢。 經(jīng)過試驗(yàn)，多模型數(shù)據(jù)融合查詢，比Spark 2.3.4的查詢時(shí)間能平均減少70.7%。目前spark等現(xiàn)有系統(tǒng)還需要手工編程方式來實(shí)現(xiàn)跨模型查 詢，所以FAST系統(tǒng)在易用性上也表現(xiàn)良好，降低使用門檻，提高開發(fā)效率。 多計(jì)算模型融合： 在計(jì)算層實(shí)現(xiàn)了最常見的批處理計(jì)算和流計(jì)算深度融合，批流融合的核心方法是在系統(tǒng)內(nèi)部實(shí)現(xiàn)批和流的統(tǒng)一表達(dá)，批是對有限數(shù)據(jù)集  的運(yùn)算，流是對無限數(shù)據(jù)流的計(jì)算，我們設(shè)計(jì)了UCollection結(jié)構(gòu)對批和  流數(shù)據(jù)進(jìn)行統(tǒng)一表達(dá)，通過識別的bounded標(biāo)志，來確定是批、流、或批流融合。有了統(tǒng)一表達(dá)，可以開展一系列融合優(yōu)化來提升系統(tǒng)性能。 并且對上通過Unified API統(tǒng)一用戶的批、流接口，實(shí)現(xiàn)二者在編程范式上的統(tǒng)一表達(dá)。對于批流混合的計(jì)算，融合架構(gòu)系統(tǒng)的查詢延遲比Flink 1.4.2能減少57%，吞吐量平均可以提升到6.72倍。 高時(shí)效 FAST系統(tǒng)的第二個(gè)亮點(diǎn)是高時(shí)效，即縮短大數(shù)據(jù)分析的時(shí)間消耗，  提高效率。由于大數(shù)據(jù)分析平臺是一個(gè)非常復(fù)雜的系統(tǒng)，為了做到高時(shí)效，系統(tǒng)不能存在性能短板，因此需要對大數(shù)據(jù)分析的整個(gè)過程進(jìn)行端到端的全棧時(shí)效優(yōu)化。如圖中所示，自下而上，需要在多模態(tài)存儲(chǔ)、批流融合、機(jī)器學(xué)習(xí)、人工操作各層都進(jìn)行優(yōu)化。 對于多模態(tài)存儲(chǔ)，面向應(yīng)用負(fù)載和異構(gòu)硬件特征進(jìn)行自適應(yīng)優(yōu)化； 對于批流融合計(jì)算，在統(tǒng)一表達(dá)基礎(chǔ)上，進(jìn)行系列融合優(yōu)化技術(shù)， 包括DAG優(yōu)化、迭代優(yōu)化、部署優(yōu)化、操作符優(yōu)化等； 在機(jī)器學(xué)習(xí)層面，進(jìn)行模型優(yōu)化、消息優(yōu)化、梯度優(yōu)化、概率優(yōu)化 等來提高時(shí)效； 而且我們也考慮到大數(shù)據(jù)分析過程中用戶人工操作的時(shí)效性問題，  通過智能地進(jìn)行大數(shù)據(jù)分析方法和模型的推薦，來縮減人工操作的  時(shí)間。 可擴(kuò)展 FAST系統(tǒng)的第三個(gè)亮點(diǎn)是可擴(kuò)展，由于大數(shù)據(jù)應(yīng)用規(guī)模很大，數(shù)據(jù)增速快，對系統(tǒng)可擴(kuò)展性的要求非常高，為此我們在系統(tǒng)的資源層、  存儲(chǔ)層和計(jì)算層進(jìn)行了全面的擴(kuò)展性優(yōu)化。 在資源層，系統(tǒng)都部署在云計(jì)算的虛擬化資源之上，利用了云計(jì)算資源的彈性機(jī)制進(jìn)行系統(tǒng)擴(kuò)展。并在系統(tǒng)中實(shí)現(xiàn)了可伸縮調(diào)整模塊，  能實(shí)時(shí)監(jiān)控軟硬件系統(tǒng)的狀態(tài)，按照應(yīng)用需求來自適應(yīng)地進(jìn)行彈性伸縮。 在存儲(chǔ)層，分布式存儲(chǔ)系統(tǒng)擴(kuò)展性的關(guān)鍵在于分布式共識和一致性 協(xié)議（Raft），因此提出了KV-Raft、vRaft等進(jìn)行Raft的擴(kuò)展優(yōu)化。 在計(jì)算層，我們擴(kuò)展了機(jī)器學(xué)習(xí)模型的參數(shù)規(guī)模，使系統(tǒng)可以支持  到百億級別的超大規(guī)模機(jī)器學(xué)習(xí)模型訓(xùn)練，并且性能方面有明顯提  升。 亮點(diǎn)成果： 融合架構(gòu)大數(shù)據(jù)分析平臺目前已經(jīng)在阿里巴巴雙十一進(jìn)行示范應(yīng)用。  從2020年11月10日至11月16日一周的時(shí)間，在阿里的生產(chǎn)環(huán)境中，研發(fā) 的系統(tǒng)一直連續(xù)穩(wěn)定運(yùn)行，基于淘寶和天貓的實(shí)際用戶信息進(jìn)行大數(shù)據(jù) 分析，綜合運(yùn)用了本系統(tǒng)的存儲(chǔ)、計(jì)算、機(jī)器學(xué)習(xí)等多個(gè)模塊的能力， 累計(jì)進(jìn)行了184億件商品推薦。 同時(shí)在雙十一期間，基于智能交互向?qū)Ъ夹g(shù)，也面向電子商務(wù)應(yīng)用  的賣家提供了“生意參謀”應(yīng)用，基于大數(shù)據(jù)分析，幫助賣家分析產(chǎn)品  銷量變化的原因，以及促銷的有效手段等。

本發(fā)明涉及膦酸鹽阻垢緩蝕劑的離子色譜分離分析方法，特別涉及等度分離非抑制電導(dǎo)檢測的膦酸鹽阻垢緩蝕劑的離子色譜分離分析方法。包括以下步驟：基線測繪、進(jìn)樣和離子交換、洗脫、非抑制電導(dǎo)檢測分析；本發(fā)明對三種常用膦酸鹽阻垢緩蝕劑能進(jìn)行良好的分離分析，保留時(shí)間、峰高、峰面積的相對標(biāo)準(zhǔn)偏差均小于4％，工藝流程大為簡化，本方法可用于膦酸鹽阻垢緩蝕劑含量的檢測，為也可同時(shí)檢測實(shí)際樣品的純度。