作者 | 王曄

編輯 | 青暮

目前，我國新的城市治理體系基本形成。與此同時，伴隨著經(jīng)濟社會的變革、大數(shù)據(jù)、互聯(lián)網(wǎng)的發(fā)展以及人工智能、云計算的興起，城市治理面臨著新要求、新挑戰(zhàn)的同時，也實現(xiàn)了跨越式的發(fā)展。

那么技術(shù)的進步為城市治理帶來了哪些進展？又面臨怎樣的瓶頸呢？

不久前，在CCAI 2021 大數(shù)據(jù)智能學術(shù)論壇上，過敏意教授分享了題為“面向城市治理的圖智能分析框架”的主題報告，分四部分介紹了城市治理方面的內(nèi)容。

過敏意    歐洲科學院外籍院士、上海交通大學講席教授、IEEE/CCF Fellow

過敏意教授是歐洲科學院外籍院士，上海交通大學致遠講席教授，電子信息與電氣工程學院計算機學科負責人，國家杰出青年基金獲得者，也是教育部創(chuàng)新團隊學術(shù)帶頭人，“973”計劃首席科學家。

他長期從事并行與分布式系統(tǒng)和云計算的研究，發(fā)表學術(shù)論文400多篇，著述英文著作4部，主持多項國家自然基金重點項目以及國家和省部級項目，曾獲得國家技術(shù)發(fā)明二等獎和省部級科技一等獎等多項獎項。

AI科技評論對過敏意教授在CCAI 2021 大數(shù)據(jù)智能學術(shù)論壇上的報告做了不改變原意的整理：

1

城市治理與圖結(jié)構(gòu)

我們國家的城市化率現(xiàn)在已經(jīng)達到了60%以上，隨著城市發(fā)展得越來越快，“十四五”計劃提出了80%以上的城市要進行城市精細化治理，實現(xiàn)智慧城市建設(shè)。智慧城市建設(shè)牽涉到方方面面，從計算機科學的角度來看最重要的是大數(shù)據(jù)技術(shù)、人工智能技術(shù)，以及云計算技術(shù)的結(jié)合，這是支撐城市化治理的基石。

目前為止，我們團隊在“十三五”期間的“973計劃”中，主要面向城市精細化治理的三元數(shù)據(jù)的融合及協(xié)同計算。我們在做城市化治理時，以數(shù)據(jù)為中心，原來是人、機、物三元空間的數(shù)據(jù)。到現(xiàn)在，隨著城市的發(fā)展，數(shù)據(jù)越來越大，城市的精細化治理也不斷發(fā)展。

城市精細化治理發(fā)展分為四個階段：

1. 從原來的物能說話，以數(shù)字化、網(wǎng)絡(luò)化為代表的城市管理，即智慧城市的初級形態(tài)。我們借助網(wǎng)絡(luò)實現(xiàn)連接使得物與物之間能夠互聯(lián)起來。

2. 到后來2.0版，就是物物對話。不僅是互聯(lián)網(wǎng)，還有物聯(lián)網(wǎng)了。從物聯(lián)網(wǎng)在城市治理中的作用來看，運用系統(tǒng)化、程序化、標準化的手段，使城市各單元精確、高效、協(xié)同和持續(xù)發(fā)展，實現(xiàn)萬物互聯(lián)。

3. 到了3.0版，即人物協(xié)同。以人為本，充分發(fā)揮人機協(xié)同的作用，通過對城市大數(shù)據(jù)價值的挖掘，使城市各部分功能優(yōu)化運行，呈現(xiàn)的決策能夠更精準，最大程度地服務(wù)市民。

4. 4.0時代，就進入了城市大腦階段，即讓城市自身學會思考，能夠自主整合、引導(dǎo)和分配城市管理資源，具有自我優(yōu)化與進化能力，真正智慧化，這是最高版的城市精細化治理。

為了真正讓城市學會思考，實現(xiàn)城市治理智慧化，打造智慧、智能城市，我們正在實踐城市大腦的理念?！笆濉逼陂g，我們和阿里及杭州的“城云科技“合作，做了城市的交通管理、智慧停車等工作。

我們將人、機、物三元空間的物理世界、人類社會、信息社會得到的數(shù)據(jù)進行融合。結(jié)果發(fā)現(xiàn)越來越多的數(shù)據(jù)，呈現(xiàn)出圖化的結(jié)構(gòu)，其實是用圖的形式表示出來的。關(guān)于這個問題我們以前都沒有注意到，也沒有處理，但這樣以后很多數(shù)據(jù)都不能夠精準處理。因此，在城市化治理中，圖化治理場景是一個關(guān)鍵挑戰(zhàn)。

五個不同領(lǐng)域的圖化治理場景：

（1）公共安全分析。首先，在傳感器網(wǎng)絡(luò)方面，傳感器網(wǎng)絡(luò)的互聯(lián)結(jié)構(gòu)本身就是一張圖。然后多個傳感器形成了傳感器之間的互聯(lián)的圖的分析，比如說一個傳感器到另一個傳感器的路由，實際上就是圖分析的問題。其次，比如說遙感監(jiān)控，現(xiàn)在我們做了人臉識別，人臉識別原來是抓特征，現(xiàn)在我們新的方法可以從圖結(jié)構(gòu)中分析人臉特征，這又是一個圖分析的問題。

（2）生態(tài)環(huán)境監(jiān)測。2017年波蘭氣象部門從2 000個不同的傳感器節(jié)點對臭氧層進行了監(jiān)控。其中的很多問題也是圖結(jié)構(gòu)的問題，比如一個節(jié)點到另一個節(jié)點之間臭氧的影響，以及對整個的布局來說，會不會產(chǎn)生時間上和空間上的最佳布局等。還有城市樓宇能耗城市化管控。城市樓宇之間，比如高層和低層電能的管控，這也是一個用圖來表示的問題，因此很多優(yōu)化都離不開城市的圖化分析、查詢等等。

（3）醫(yī)療健康服務(wù)。生命健康基因圖譜的分析，也是圖的重構(gòu)、圖的迭代、圖的分析。還有人腦網(wǎng)絡(luò)的功能區(qū)域分析，現(xiàn)在腦電采集實際上都可以從圖的結(jié)構(gòu)里面反映出來，所以有大量的個性化的圖的分析。

（4）交通出行指導(dǎo)。道路出行中最短路徑算法本身就是一個圖問題。但是增加了手機數(shù)據(jù)、路網(wǎng)數(shù)據(jù)及工具監(jiān)控數(shù)據(jù)等，那么這些圖就變得越來越復(fù)雜。還有充電智能調(diào)度，現(xiàn)在我們新能源的車越來越多，新能源的充電樁以及充電樁的位置等都是圖的查詢和分析問題。

（5）城市大腦運維。城市大腦的基礎(chǔ)設(shè)施有云計算、大數(shù)據(jù)、大數(shù)據(jù)平臺。這一平臺現(xiàn)在用到了云原生的技術(shù)，云原生的技術(shù)就要用到微服務(wù)。微服務(wù)里面就有很多調(diào)度的問題，實際上微服務(wù)本身的聯(lián)結(jié)就是一張圖結(jié)構(gòu)。要提升系統(tǒng)性能，就要進行圖的分析和精細化查詢。還有硬件資源管理，捕捉資源瓶頸，用戶動態(tài)圖的系統(tǒng)變化等，這些都是圖的結(jié)構(gòu)、分解和圖的綜合等，實際上都可以歸納到圖的特征的問題。

因此目前對圖的分析和圖的管理越來越迫切，現(xiàn)在我們國家以及世界上很多科研機構(gòu)公司等都研發(fā)了一些面向圖計算的工具，但還是遇到了問題。

2

應(yīng)對挑戰(zhàn)的城市大數(shù)據(jù)協(xié)同計算框架

面對大規(guī)模結(jié)構(gòu)化的城市治理任務(wù)，現(xiàn)有大數(shù)據(jù)計算平臺存在收斂慢、吞吐低問題，影響城市治理決策。

（1）收斂慢：傳統(tǒng)大數(shù)據(jù)框架如Spark/MapReduce不適應(yīng)圖的不規(guī)則訪問模式。

開發(fā)環(huán)境未針對圖應(yīng)用定制化設(shè)計，難以高效優(yōu)質(zhì)地進行執(zhí)行階段劃分

我們以前“十三五”期間做的事情，基本上都是用的傳統(tǒng)spark、MapReduce等大數(shù)據(jù)框架來做的，但是這些問題如果要弄到圖里面預(yù)處理，比如說圖要進行預(yù)置、分拆等等，用傳統(tǒng)框架就不適用了，它會非常慢，要循環(huán)往復(fù)來做。

（2）吞吐低：現(xiàn)有主流圖計算框架如PowerGraph/Ligra不支持高并發(fā)請求。

上述框架大都忽略了多用戶請求執(zhí)行共存的問題

現(xiàn)有主流圖計算框架如PowerGraph/Ligra等框架都是單機、單用戶的圖計算結(jié)構(gòu)，雖然克服了spark、Mapreduce等的缺點，它可以圖分析、圖分解、圖查詢等，但是如果面向城市治理這些就不適用了，因為城市治理是高并發(fā)的。也就是說這些框架對高并發(fā)的圖的問題，都不太適用，所以就會遇到吞吐根本做不了城市大腦支撐的問題。

要解決上述問題就要做城市大數(shù)據(jù)協(xié)同計算框架。圖計算將成為未來城市大數(shù)據(jù)協(xié)同計算框架中的關(guān)鍵一環(huán)，能夠支撐大規(guī)模高并發(fā)場景的圖智能分析尤其重要。

城市大數(shù)據(jù)協(xié)同計算框架

我們以前做了很多Mapreduce、PowerGraph的處理，但是還缺乏圖請求調(diào)度、圖結(jié)構(gòu)分析、圖數(shù)據(jù)分割、圖查詢、圖生成等面向圖計算的工具。所以 我們就一定要把這些工具給數(shù)據(jù)融合、數(shù)據(jù)感知開發(fā)出來。如果沒有圖分析、圖查詢、圖管理、圖結(jié)構(gòu)分析等，是沒有辦法支撐整個城市大數(shù)據(jù)協(xié)同平臺的。所以我們要在有限的資源下，處理高并發(fā)多元圖數(shù)據(jù)分析的請求，對單用戶的圖計算框架實行高并發(fā)多用戶的圖計算框架的轉(zhuǎn)變。

那么如何高效執(zhí)行不同用戶提交的多元化圖計算請求呢？

3

并發(fā)圖計算的復(fù)雜性及其瓶頸

并發(fā)圖計算可以在有限資源下高效并發(fā)處理多元化圖分析請求，或?qū)⒊蔀樾乱淮朴嬎阒凶钪饕囊活愔悄芊?wù)。它的三個核心步驟是并發(fā)圖程序構(gòu)建、并發(fā)圖數(shù)據(jù)加載、并發(fā)圖執(zhí)行調(diào)度。

目前，我們要做的事情是實現(xiàn)可擴展和可持續(xù)。

擴展性需求：隨著圖規(guī)模和圖計算服務(wù)的激增，需解決平臺峰值負載問題。

可持續(xù)性需求：支撐高并發(fā)場景的圖計算更符合集約高效、低碳環(huán)保的要求。

高并發(fā)圖的圖分析、圖查詢也延續(xù)到了一些人工智能算法，比如說現(xiàn)在做人工智能的技術(shù)處理，如果講大模型，比如說GBT-3 1 751億個參數(shù)跑一次訓(xùn)練，相當于一輛用油汽車跑70萬公里，那么這對可持續(xù)發(fā)展、低碳環(huán)保非常不利。所以說圖計算也是這樣的，如果不斷地進行圖的迭代往復(fù)，如果算法不好，那么可擴展、可持續(xù)都不行，所以現(xiàn)在各大公司和云商像華為和阿里都對此非常重視，都自己開發(fā)了這方面的工具對圖進行分析。我們有一個課題做國家重點研發(fā)計劃現(xiàn)在也是做的圖處理這方面的事情。

但是并發(fā)圖計算不同于如今的線上數(shù)據(jù)密集型計算（如MapReduce)，更不同于以往的高性能數(shù)值計算。

對并發(fā)圖計算來講，請求間和請求內(nèi)的協(xié)同優(yōu)化變得更重要

比如做并行計算時，以往的傳統(tǒng)的并行計算比較規(guī)則，我從一個處理到下一個CPU的處理，通信是比較規(guī)則的。這邊處理好以后，下一個通信基本上模式是一樣的。但是并發(fā)圖不一樣，圖的計算模式是不規(guī)則的，這個到下一個的并發(fā)處理有可能是A節(jié)點到B節(jié)點，下一個可能是C節(jié)點到D節(jié)點，模式是完全不一樣的不規(guī)則的。

所以其中通信、優(yōu)化和它的并發(fā)都和原來的高性能計算完全不同，因此比較具有挑戰(zhàn)性。與數(shù)據(jù)密集型計算不一樣，和高性能計算也不一樣，即與以計算和數(shù)據(jù)為中心的都不一樣，我們現(xiàn)在要強調(diào)以圖為中心的計算。

并發(fā)圖計算主要面臨的瓶頸主要有以下三個。

（1）用戶圖計算請求主要有圖管理、圖分析。在圖管理方面，已有較多并發(fā)性優(yōu)化工作，比如說數(shù)據(jù)倉庫、圖查詢等。但對圖分析方面，比如管理查詢不到結(jié)果以后怎么樣能夠?qū)Ψ诺交鶎訂卧鰶Q策來，這方面還缺乏研究，易成為性能瓶頸，所以說我們要做這方面的事情。

（2）并發(fā)圖分析任務(wù)之間的不規(guī)則干擾，多個圖算法并發(fā)執(zhí)行時，會在時間與空間兩個維度對處理器和內(nèi)存等資源進行搶占，且干擾方式不規(guī)則，優(yōu)化空間很大。

比如用戶的要求各不相同，用戶提出的請求也各不相同。這些圖請求比如Pagerank、Kmeans等這些都是不一樣的，那么具體到圖的分割查詢和內(nèi)存的放置都可以以不同方式來進行模塊放置，調(diào)度也不一樣。所以這里的優(yōu)化空間非常大，一個是復(fù)雜，一個是不規(guī)則的干擾。

（3）并發(fā)圖分析與圖查詢?nèi)蝿?wù)間的協(xié)同。

請求還存在對同一塊圖數(shù)據(jù)的訪問依賴問題，進一步提升并發(fā)圖查詢的效率對于釋放并發(fā)圖分析性能也至關(guān)重要。比如說有的要查詢邊，有的查詢點，有的要查詢整張圖。對這些分割的任務(wù)，也就是并發(fā)來的任務(wù)，對一些子圖的分割和綜合又是一個非常復(fù)雜的問題。

4

對并發(fā)圖分析的初期探索

（一）工業(yè)界項目概述

現(xiàn)在工業(yè)界對于圖的分析、圖的并發(fā)、圖的查詢非常重視，但是圖拓撲屬性分析現(xiàn)在還不多。Apache 上目前的開源圖計算系統(tǒng)主要以圖數(shù)據(jù)庫管理為主，面向圖拓撲屬性分析的并發(fā)圖管理系統(tǒng)還處于萌芽階段。這是我們調(diào)查下來整個Apache Graph Systems的列表，大概就是這幾十個：

相關(guān)鏈接：http://tinkerpop.apache.org/

（二）學術(shù)界研究總覽

早期基本上關(guān)注的是圖的請求，焦點主要是圖查詢。到2014年開始有并發(fā)圖分析，然后多用戶并發(fā)圖比如圖數(shù)據(jù)共享已經(jīng)開始關(guān)注了；2017年提出多圖多用戶場景，但對圖請求內(nèi)部缺乏分析；到2018年對請求內(nèi)部特征優(yōu)化以及圖并發(fā)的計算進行考慮。國內(nèi)主要在做的高校是上海交通大學、華中科技大學、北京大學。

（三）上海交通大學做的一些工作 

（1）圖化治理任務(wù)的并發(fā)計算框架

文章先后發(fā)表在IEEE ICCD和IEEE TPDS上

我們做的工作就是對圖化治理任務(wù)的并發(fā)計算做了一個框架，也就是對線下進行繪像線上調(diào)度相結(jié)合，將訪存特性傳遞給調(diào)度器，這樣并發(fā)的會比較快，消息傳遞就會比較快。然后提出架構(gòu)感知的負載均衡和線程調(diào)度、優(yōu)化多圖的并發(fā)運行的效果請求性能可以提升5.4倍了。實現(xiàn)了一套面向圖化治理任務(wù)的冗余操作削除機制，對整個圖存在的冪律分布、縮減操作等都做了分析，然后改進了圖化治理任務(wù)流程，使分析提升了很多倍。

（2）圖化治理任務(wù)的高效編程框架

文章先后發(fā)表在IPDPS和ACM TACO上

如果將圖放到編程框架里面進行描述是很方便的。如果變成框架以后，就像人工智能框架一樣對編程是非常方便的。圖計算原子操作復(fù)雜，然后GPU內(nèi)存利用率是不高的。如果要對這些圖利用GPU來說，對于并發(fā)是絕對沒有問題的。所以改進數(shù)據(jù)結(jié)構(gòu)，從圖冪律分布出發(fā)削減冗余的計算操作，我們提出統(tǒng)一內(nèi)存利用高效的圖計算原子操作，優(yōu)化多圖資源利用，搞出一個編程框架來對圖的算法進行精準的描述，就可以比較容易的對圖的性進行提升。

這是我們圖分析框架的編程接口，先把一個問題變成一個圖的結(jié)構(gòu)一個任務(wù)，比如說多少頂點多少邊互相怎么連接，頂點預(yù)處理，然后對活躍邊進行更新，頂點生成等等迭代技術(shù)處理。經(jīng)過這一套預(yù)備、更新、生成框架以后，整個圖的分析和高并發(fā)處理就非常簡單了。

這是效果，實現(xiàn)系統(tǒng)資源高效利用。

5

技術(shù)成果的實際應(yīng)用

（一）公共衛(wèi)生治理平臺

借助數(shù)據(jù)泛在發(fā)現(xiàn)和優(yōu)化組合，建立起多源異構(gòu)城市環(huán)境氣象數(shù)據(jù)的跨時空圖結(jié)構(gòu)關(guān)聯(lián)性。

數(shù)據(jù)量：共計近千萬條數(shù)據(jù) 需求方：中國城市治理研究院

這是我們和中國城市治理研究院合作的，他們的需求是對霧霾進行監(jiān)控，這個有點像對臭氧層的監(jiān)控一樣的，我們也是布了很多傳感器，然后用圖進行分析，對霧霾進行分析和處理。

第一個是利用空間的關(guān)聯(lián)分析制定霧霾判斷分析。這是對中國的31個省、市、自治區(qū)的霧霾和工業(yè)產(chǎn)值的關(guān)系的分析，所有的關(guān)聯(lián)數(shù)據(jù)都可以給出一個框架和處理，整個過程都有圖的分析和決策在里面。

（二）交通客流監(jiān)控平臺

借助城市大數(shù)據(jù)三元空間群智發(fā)現(xiàn)與群智建模，實現(xiàn)了多元多模數(shù)據(jù)下的多視圖細粒度人群分析。

數(shù)據(jù)量：共計超過20TB 需求方：深圳市地鐵集團有限公司

這是我們和深圳地鐵集團對城市交通軌道進行了分析。這個數(shù)據(jù)很簡單，每個地鐵站實際上就是一張圖。

 這張圖干什么用呢？就是實時監(jiān)控，比如進站人數(shù)，出站人數(shù)，在網(wǎng)人數(shù)等。然后用不同的顏色標出來，幾號線、哪個站有多少人等。這樣會便利人們的交通出行。比如知道坐哪條線、哪邊換乘?？土黝A(yù)測精準度從87%提高到95%。

（三）人群密度推演平臺

借助城市大數(shù)據(jù)的深度迭代計算，完成了實時感知與靜態(tài)預(yù)測的融合，實現(xiàn)城市人口的高效分布推演。

數(shù)據(jù)量：百萬級車輛千萬級用戶 需求方：深圳市交通運輸委

這個完全就是一張圖：單視圖建模、多視圖建模，對圖的分析。這里面總共是六維數(shù)據(jù)。

黑洞表示人口密度超過正常均值的2倍，熱點表示人口密度大超過正常均值

做什么事呢？人口密集時，有可能會出現(xiàn)危險。人口密度一般來說比較均勻，如果出現(xiàn)紅點了，那么就是人口密度超過正常均值，我們一般在800×800m的范圍內(nèi)，比如說2萬人口是正常分布，如果超過兩萬就是熱點，黑洞表示人口密度超過正常均值的2倍，就要警示就是要派警力來疏散人群等等。這完全就是一個圖的分析，利用六維數(shù)據(jù)對圖進行分析對人口密度進行高度精準的預(yù)測。

（四）城市路況分析平臺

借助城市治理任務(wù)圖結(jié)構(gòu)化數(shù)據(jù)的智能存管，達到復(fù)雜城市交通路況的實時處理和分析預(yù)測。

數(shù)據(jù)量：百萬級車輛千萬級用戶 需求方：深圳市交通運輸委

這是路況，也是六維數(shù)據(jù)。對一條路上有多少人卡車、公交、出租車、私家車等，進行相似度分析、路況預(yù)測。下面這是深圳市的地圖，綠色的是貨運車，藍色的是公交車，然后對它們進行精準分析。

這些方面，我們主要是和深圳、杭州，阿里城市大腦合作，進行大數(shù)據(jù)的分析，包括人、機、物三元空間分析以及圖分析工具都集成在一個平臺系統(tǒng)里面。前期相關(guān)技術(shù)應(yīng)用于阿里城市大腦、網(wǎng)易數(shù)據(jù)地圖等關(guān)鍵資源密集型應(yīng)用場景，整體性能提升顯著。去年也拿到了教育部科技進步一等獎。

6

研究展望

（一）高并發(fā)圖化治理任務(wù)的硬件加速

結(jié)合并發(fā)圖計算任務(wù)的多為領(lǐng)域知識特征，研究硬件資源共享利用方式，設(shè)計高性能低能耗的并發(fā)圖計算協(xié)同加速框架。

左為基于FPGA可重構(gòu)計算的加速系統(tǒng)，右為基于GPU/NVM加速的自適應(yīng)架構(gòu)

首先是高并發(fā)圖化治理任務(wù)的硬件加速。這方面現(xiàn)在還沒有做，我們知道人工智能硬件加速非?？?。我認為硬件加速非常重要，如果有了硬件，那么我們用傳統(tǒng)的GPU和CPU進行調(diào)度會省很多事。針對圖算法，比如說給它可重構(gòu)計算加速硬件化，那么如何對動態(tài)參數(shù)調(diào)節(jié)，比如說基于GPU加速的自適應(yīng)架構(gòu)等等，也是研究的另外一個課題。

 硬件加速，這是一個自適應(yīng)的。比如說控制部件也可以硬件化。整個的軟硬件協(xié)同設(shè)計的一個框架必須要做出來。這對整個高并發(fā)圖計算的平臺會產(chǎn)生非常大的影響。

（二）圖化治理任務(wù)的運行時自主優(yōu)化

研究并發(fā)圖計算服務(wù)的時空動態(tài)特性，建立異構(gòu)計算環(huán)境下開銷可估、精度可控、性能可調(diào)的圖計算自主管理優(yōu)化機制。

第二個是運行時自主優(yōu)化?，F(xiàn)在用戶請求、請求預(yù)處理及特征表示、調(diào)度分配等等這一套，還不是在更精準的狀態(tài)下可以做到。必須我們事先預(yù)知一些算法，一些統(tǒng)計上的框架來做。今后可能實現(xiàn)自主管理，自主調(diào)度。

（三）智慧城市多元化圖計算服務(wù)平臺

建立統(tǒng)一的并發(fā)圖計算多元支撐平臺，制定設(shè)計規(guī)范和關(guān)鍵技術(shù)標準，完善接入機制，促進高質(zhì)量多元化的圖計算服務(wù)。

做服務(wù)平臺，針對面向政務(wù)的、面向民生的、面向產(chǎn)業(yè)的能不能有一個統(tǒng)一化的平臺這個可能就比較大了。比如說現(xiàn)在在做城市特征的一些東西，面向政務(wù)的要求可能就會完全不一樣，要做這方面就會遇到很大的挑戰(zhàn)。

（四）并發(fā)圖計算的基準測試評估機制。

需要研究面向并發(fā)圖計算的綜合性能評估機制，尤其是開發(fā)多程序圖負載。

我認為這方面可以做很多事情，而且必須是要做的。目前對圖的多程序圖負載、圖并發(fā)機制的基準測試程序還很少。以及性能評估標準如何制定這一方面，弄出一個benchmark來大家都可以用，我們也正在做這件事。

7

總結(jié)

• 圖計算應(yīng)用正快速普及，涉及智慧城市的方方面面

• 發(fā)展具有大規(guī)模高并發(fā)特性的圖計算系統(tǒng)正當其時

• 前期探索表明相關(guān)技術(shù)具有較高學術(shù)價值和應(yīng)用潛力

• 并發(fā)圖計算離不開底層硬件和系統(tǒng)軟件的密切配合

• 相關(guān)設(shè)計規(guī)范和評估體系尚不完備，機遇挑戰(zhàn)并存

雷峰網(wǎng)(公眾號：雷峰網(wǎng))雷峰網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。