【学术动态】
硕士生马海舰的论文被会议NIPS 2025录用
在多模态大语言模型（MLLMs）广泛应用于图像理解、视觉问答等领域的当下，其安全漏洞问题愈发突出。现有对抗攻击方法多针对特定图像 - 提示对优化，存在泛化能力弱、迁移性差等缺陷，难以应对真实场景中多样化的输入组合。近日，一项受国家自然科学基金（No.62476107）支持的创新性研究，提出基于分布逼近理论的跨图像 / 提示对抗攻击方法，成功实现对主流多模态大模型的高效通用攻击，为大模型安全防护体系建设提供了重要参考...
硕士生马海舰的论文被会议EMNLP 2025录用
在网络威胁日益复杂多变的当下，入侵检测系统（IDS）作为网络安全的核心防线，却长期面临高质量标注恶意样本稀缺的行业痛点。现有样本来源受隐私保护、法律约束及威胁滞后性等因素限制，导致检测模型泛化能力不足，难以应对新型攻击。近日，rabey雷竞技与北京大学联合研究团队提出创新半监督框架 GANGRL-LLM，成功实现少样本场景下高质量恶意代码生成与检测能力的双重提升，为自适应防御系统研发提供了全新解决方案。该研究由...
博士生刘锦鹏的论文被期刊TACO录用
基于新兴非易失存储器件（Emerging non-volatile memory, eNVM）的存内计算（Processing in memory, PIM）加速器，受到eNVM单元变化性、单元非线性I-V效应、电压降等耦合非理想因素影响，造成计算准确率大幅下降，严重阻碍了存内计算的实用化进程。传统采用计算单元（Operation unit，OU）为粒度的子阵列计算方式，虽能缓解单元变化性影响，但仍受到互连线寄生电阻（Parasitic wire resistance）带来的严重电压降（IR drop），...
博士生刘锦鹏的论文被会议DATE 2026录用
忆阻加速器（Memristive accelerators, MA）通过在忆阻器交叉阵列中进行原位计算，实现了高效的矩阵向量乘法（Matrix-vector multiplication, MVM），已被广泛用于构建神经网络、科学计算等领域的专用加速器。然而，当前MA面临的重大挑战在于电压降（IR drop）影响导致的计算精度受限。现有IR drop缓解或补偿方案理论支撑不足或采取了近似处理，导致补偿结果准确度较差。实验室博士生刘锦鹏，在吴兵博士后、童薇教授、魏学亮博...
博士生江旭的论文被会议HPCA 2026录用
为了构建可信数据中心，安全内存系统（例如 Intel SGX和RISC-V Penglai）通过加密和完整性验证确保数据机密性和完整性。这一过程引入了加密计数器和完整性树节点等额外的安全元数据。对安全元数据的频繁访问显著降低了系统性能。将安全元数据缓存在片上的元数据缓存中可以缓解该问题。如果元数据缓存命中，则系统可以跳过后续的验证步骤并直接对密文数据进行解密，从而降低数据访问延迟。因此，元数据缓存管理的效率影响系统性...
博士生胡进磊的论文被期刊TACO录用
主机端仅追加写的分区接口（Zone interface）为现有的键值存储 (KVS) 提供了新的机遇，尤其是在降低闪存层写放大方面。然而现有工作主要集中于利用分区接口来优化基于 LSM 树的 KVS，而忽视了基于 B+ 树的 KVS 的潜在提升空间。实验室博士生胡进磊、陈波，以及硕士生张庙松，在冯丹教授、陈俭喜副教授的指导下，在通过深入的实验观察发现了基于 B+ 树的 KVS 的三个关键机遇：卓越的读取性能、对闪存友好的追加操作以及直接管理...
博士生胡进磊的论文被会议ICCD 2025录用并入选Best Paper Can...
哈希结构提供了优异的点查询性能，被广泛应用于关键存储系统之中，例如键值存储引擎、内存缓存系统。持久内存 (PM) 兼具持久性和接近 DRAM 的性能，但同时也给哈希索引带来了新的挑战。现有的持久哈希设计优先考虑扩容操作，却牺牲了查询延迟，从而失去了哈希表的关键优势。针对这一难题，实验室博士生胡进磊，以及硕士生陈波、张庙松，在冯丹教授、陈俭喜副教授的指导下提出了一种名为 R2Hash 的新型持久哈希索引，它基于持久...
博士生王霖等的论文被会议HPCA 2026录用
随着 AI 服务的蓬勃发展，预测服务系统（PSS）在抢占式实例（Spot Instances）上部署可大幅降低 GPU 计算成本，但频繁抢占导致编码计算（CC）面临高昂解码开销和尾延迟问题，现有方案难以兼顾成本与服务质量。rabey雷竞技信息存储及应用实验室博士生王霖（第一作者）、硕士生段梓羚、博士生李茗畦等同学，在胡燏翀教授（通讯作者）等的指导下，提出 SpotCC：1）基于局部性的波动性识别方案（SpotCC-L），利用区域内抢占局部性...
博士生明章强的论文被会议ICDE 2026录用
分布式深度神经网络（DNN）训练系统已被广泛用于加速大型模型和数据集的训练。然而，工作节点间同步大量数据（即梯度张量）的通信开销成为性能瓶颈。为提升通信效率，通常采用两种关键技术：i) 张量融合，通过合并多个张量实现批量传输以降低通信启动开销；ii) 梯度稀疏化压缩，仅传输最大梯度元素以减少通信流量。最近的研究聚焦于张量融合与稀疏化的结合：直接方法是在融合前对每个张量进行稀疏化（单张量稀疏化），但会产生...
博士生王泽松的论文被会议ICPP 2025录用
在人工智能快速发展的今天，深度神经网络（DNN）已成为图像识别、自动驾驶、自然语言处理等领域的核心技术。然而，随着数据集规模从TB级扩展到PB级，训练过程中存储系统的I/O延迟逐渐成为主要瓶颈，常常占据训练时间的30%–90%。尽管GPU等加速器的算力持续提升，但数据加载速度却难以跟上，导致大量计算资源处于空闲状态。传统缓存策略如LRU、LFU在随机采样场景下命中率极低，难以发挥效果。针对这一难题，实验室博士生王泽松在...
分享文章