电源/性能位:5月14日

使用电源监控检测恶意软件
德克萨斯大学奥斯汀分校和北卡罗莱纳州立大学的工程师们设计了一种方法，通过这种方法来检测大规模嵌入式计算机系统中的恶意软件监控电力使用情况并将不寻常的激增作为潜在感染的警告。

该方法依赖于一个外部硬件，可以插入系统来观察和监控电力使用情况。研究人员说，外部设备对于避免受到攻击至关重要。

某些电力使用签名可以被识别为恶意软件存在的证据，并确定它们对受损系统的威胁有多大。

德州大学奥斯汀分校的助理教授Mohit Tiwari说:“我们知道嵌入式系统在正常水平运行时的功耗情况。”“通过寻找电源异常，我们可以合理准确地判断系统中何时存在恶意软件。”

虽然这种方法应该能够检测到许多攻击，但研究人员还担心复杂的恶意软件会通过镜像良性程序的功耗来隐藏自己的存在。

蒂瓦里说:“这项工作真正的技术贡献在于我们能够成功地模拟恶意软件，通过模仿良性程序的功率签名来隐藏自己。”“然后，可以使用规避恶意软件的模型来确定电源探测器可以保护的破坏程度。”

蒂瓦里还指出，虽然他们无法识别攻击系统的特定类型的恶意软件，但电源异常可以确定威胁级别。

德州大学奥斯汀分校电气与计算机工程系的博士生魏世佳(音译)说:“恶意软件在不断进化，以击败杀毒软件，这意味着工程师们也必须不断地重新培训他们的程序。”“通过我们的设备，我们可以迫使恶意软件模仿嵌入式系统上的良性程序，这可以大大降低攻击可能造成的潜在损害。”

北卡罗来纳州立大学电气与计算机工程助理教授Aydin Aysu说:“我们发现，为了模拟正常功耗并逃避检测，恶意软件不得不将数据传输速率降低86%至97%。”“简而言之，我们的方法仍然可以降低恶意软件的影响，即使在少数没有检测到恶意软件的情况下也是如此。”

彩色可调led
来自里海大学、西切斯特大学、大阪大学和阿姆斯特丹大学的研究人员用氮化镓(GaN)制造了基于氮化镓的led简单调色通过改变操作电流提供给设备的时间顺序。

该技术与目前商业固态LED照明的核心LED兼容。

利哈伊大学物理系杰出教授、系主任Volkmar Dierolf说，不需要使用三个或四个单独的LED，只需要一个LED就可以实现全光谱。“我们表明，仅使用单一类型的稀土离子铕(Eu)掺杂的GaN led结构就有可能获得红色、绿色和蓝色发射。通过有意识的共掺杂和能量转移工程，我们表明，由于同一Eu3+离子的两种不同激发态(~620 nm和~545nm)的发射与以~430nm为中心的GaN的近带边发射混合，所有三种原色都可以发射。在脉冲电流注入下，可以通过选择注入电流密度和占空比等注入条件来控制这些转变的强度比。”

最上面一排:GaN:Eu LED，由于来自不同Eu国家的红色和绿色光混合，可以从红黄色调节。中排和下排:GaN:Eu LED，额外添加Si/Mg，增加蓝色发射。每张图片都处于不同的电流注入/滤波条件下。(图片由西切斯特大学、里海大学提供)

西切斯特大学物理与工程系的助理教授Brandon Mitchell补充说:“这项工作的主要思想——同时积极利用同一掺杂剂的多个激发态——不仅局限于GaN:Eu体系，而且更普遍。”“目前的研究结果可以为半导体中单一掺杂剂的颜色可调谐发射开辟一个全新的领域，这可以通过简单的注入电流调谐来实现。”

除了颜色，这项技术还可以让商用led在亮白光和暖白光之间切换。Dierolf指出:“这对微型led显示器也有好处，因为它允许更高的像素密度。”

该技术与目前商用的基于gan的led兼容。

超级计算机负载均衡
弗吉尼亚理工大学的计算机科学家将机器学习应用于负载平衡组成超级计算机的数千台服务器上的数据处理任务。通过结合机器学习来预测任务和任务类型，研究人员发现，在整个系统中，各种服务器上的负载可以保持平衡。

通常，超级计算机数据管理系统依赖于以循环方式向服务器分配任务的方法，而不考虑任务的类型或数据量，这可能会导致系统在等待较慢的任务时性能下降。

相反，该团队的方法使用端到端控制平面，将客户端方法的以应用程序为中心的优势与服务器端方法的以系统为中心的优势相结合。

这种方法允许团队监视系统，并允许数据存储系统学习和预测何时可能出现更大的负载，或者当负载对一台服务器来说太大时。该系统还以与应用程序无关的方式提供实时信息，为系统中正在发生的事情创建一个全局视图。

“这项研究是管理超级计算系统的一个巨大飞跃。弗吉尼亚理工大学计算机科学系博士候选人巴蒂·瓦德瓦(Bharti Wadhwa)说:“我们所做的工作提高了超级计算机的性能，并证明了这些系统可以通过机器学习以经济有效的方式进行智能管理。我们让用户能够在不产生大量成本的情况下设计系统。”

重要的是，端到端系统允许用户在不更改源代码的情况下从负载平衡设置中受益。

端到端控制平面由存储服务器组成，存储服务器将它们的使用信息发布到元数据服务器。使用自回归集成移动平均时间序列模型来预测未来的请求，准确率约为99%，并将其发送到元数据服务器，以便使用最小成本最大流图算法映射到存储服务器。

弗吉尼亚理工大学计算机科学系的博士候选人Arnab K. Paul说:“该算法通过时间序列模型预测了应用程序未来的请求，这种从数据中学习的能力给了我们一个独特的机会，看看我们如何以负载平衡的方式提出未来的请求。”