Detection Tolerant Black-Box Adversarial Attack Against Automatic Modulation Classification With Deep Learning
本次组会主要分享一篇跟对抗攻击有关的论文《Detection Tolerant Black-Box Adversarial Attack Against Automatic Modulation Classification With Deep Learning》,主要从科研背景,科研问题,科研目的,研究内容以及评价几个方面来阐述。
我本次组会的汇报题目是《利用深度强化学习在绿色数据中心进行多目标任务调度》(Multi-objective Task Scheduling in Green Data Centres with Deep Reinforcement Learning),我将从科研背景,科研问题,科研目的,研究内容等方面进行介绍。
随着越来越多的用户在数据中心部署他们的延迟受限的应用,如大数据处理、深度学习和高性能计算,大规模数据中心的能源消耗量也急剧增加。在美国,超过57%的电能是通过燃烧褐色能源(如石油和煤炭)产生的,它带来了严重的环境破坏。因此越来越多的企业建立了绿色能源中心。目前的绿色数据中心(Green Data Centre, GDCs)主要由三种能源供电,即电网、太阳能和风能,它们旨在通过使用可再生设备减少褐色能源的消耗。
然而,对于绿色数据中心而言,如何在严格保证其任务的服务质量(quality of service)的前提下来保证其利润仍然是一个开放的话题。因为当能源消耗减少时,用户任务的服务质量会降低,然而绿色数据中心的利润会提高,因此,供应商的利润和任务的服务质量需要通过智能调度任务和分配基础设施资源来共同优化。