本文分析了一些最先进的 RoCE 拥塞控制方案在分布式训练平台上的性能，结果表明，为了提高分布式训练平台和负载性能，需要基于分布式训练平台和负载特性设计一种优化的、低开销的拥塞控制方案。

Jul, 2022

通过 Isabelle/HOL 验证，建立了一个模块化和可重用的框架来验证冲突自由复制数据类型的正确性，在一个标准抽象的网络模型中加入网络行为证明了定理的正确性，证明了 3 种具体冲突自由复制数据类型的第一机器检查正确性定理，发现框架的可重用性是非常高的。

Jul, 2017

我们介绍了一种分布式算法，称为噪声鲁棒的分布式最大共识（RD-MC），用于在存在噪声通信链路的多智能体网络中估计最大值。通过将最大共识问题重新定义为分布式优化问题，我们使用交替方向乘法器方法进行求解。与现有算法依赖多组受噪声干扰的估计不同，RD-MC 采用单组估计，提高了鲁棒性和效率。为了进一步减轻链路噪声的影响并提高鲁棒性，我们对局部估计应用移动平均。通过广泛的仿真，我们证明了 RD-MC 相比现有的最大共识算法对通信链路噪声更具鲁棒性。

Mar, 2024

本文提出一种名为 TIMELY 的创新性处理内存加速器，通过采用模拟数据局部性、时域接口和仅一次输入读取的映射方法，最大限度地提高了能效，并在能效、计算密度和吞吐量上优于已有的 R$^2$PIM 加速器。

May, 2020

本文研究了 Fog-RANs 中的缓存放置问题，并提出了中心化和分布式的缓存放置策略来最小化用户平均下载延迟，同时考虑了灵活的物理层传输方案和不同用户的内容偏好。通过利用缓存和合作增益，这些策略可以显著减少用户的平均下载延迟。

Aug, 2017

本文研究了深度强化学习在异构无线网络的 MAC 协议中的应用，通过观察环境、采取行动和获得回报，DLMA 节点可以学习一种最优的 MAC 策略，以实现多个时隙网络的协调共存。

Dec, 2017

本篇论文提出了一种基于最大秩距（MRD）码和最优修复最大距离可分（MDS）数组码的级联编码方案，以应对分布式存储系统中的对抗性错误，在保证数据容错性的同时，减少节点修复过程中的数据传输损失。该方案不仅可应对一次替换内容的对抗攻击，还可通过结合子空间签名机制，适应多次污染数据类型的对抗攻击。最后，该论文还提出基于 MRD 码的构造方法，构建出可在本地修复并容忍对抗性错误的标量码。

Feb, 2012

本文提出了一种基于联邦深度强化学习的算法，用于解决在 F-RAN 中动态计算卸载和资源分配问题，通过联邦学习，可以在保护用户隐私的同时，降低训练过程的计算复杂度，结果表明，该算法相对于其他现有策略，可以更快地实现更低的任务执行延迟和设备端能耗。

Jun, 2022

本研究开发和分析了一种名为 ByRDiE 的算法，使得在分布式学习中存在 Byzantine 故障的情况下，能够高效地对高维数据集进行分布式学习，理论分析和数值实验说明了它在凸性和非凸性设置中的实用性。

Aug, 2017

本文研究了如何优化在存储云中并行下载线程的调度策略，以使数据检索延迟最小化，提出了低复杂度的线程调度策略，并证明了其为满足最优或次优需求的策略。

Jan, 2015