扎心了，就是这些护理的误区让皮肤一天天变差
Hey girls～
我是今天的代班编辑Ciel，之前发过一篇新年愿望清单，里面有谈到秋冬护肤，评论里就有很多美宝宝想要了解一下红血丝
实不相瞒，我就是那个每年一到秋冬就脸上两坨高原红的喜感girl，而且年年如此，仔细思考了一下，大概是秋冬因为怕冷所以衣服穿太多了，屋里又特别暖和，所以脸上就容易出现酡红。再加上室内外温差很大，一冷一热红血丝就更严重了。
另一方面，之前没有接受系统护肤知识，对脸蛋的保养功夫也没做到位，所以很容易敏感。这样一来，红脸蛋就伴随了我一年又一年的秋冬，直到开始有了护肤意识，才慢慢改善。
那么红血丝是否能根除呢？答案是基本不能根除，因为除了皮肤问题之外，我们的情绪，外界环境天气变化等等都会有影响，所以要消灭它，非常难。 但也别急着走，虽然无法根除，但改善总是可以的，所以就让我们一起来康康红血丝的成因以及怎么与它和平共处吧
根据词条解释，红血丝是因为面部角质层薄弱导致毛细血管更容易接触和感知外界变化，从而造成毛细血管扩张而引起的面部现象 。症状呢就是皮肤薄且敏感，天气过冷、过热或者情绪激动的时候脸会更红，严重的话还会有色斑沉积，很难痊愈。
抓关键词：角质层薄弱以及毛细血管扩张，所以要解决的话就必须从这两部分下手。角质层薄弱好理解，形象点说就是“脸皮薄了”，需要增厚；而毛细血管扩张则是建立在前者的基础上，所以只要增厚角质层 ，这个问题就解决了。
图片：musicianshealthcollective.com
医学疗法包含“活细胞疗法”、“物理疗法”和“化学疗法”，根据医学研究，目前活细胞疗法 有不错的进展，需要的宝宝可以选择三甲医院做进一步的了解。但我不是权威医学人士，所以提供一些思路，具体到对症下药大家还是要多多甄别，选择适合自己的方法。
图片：mskcc.org
关于红血丝的护理方法有很多，这里挑一些比较重要的，也是必备的注意事项，大家可以有选择性的针对护肤
1）红血丝期间，不用刺激性的外用品 ，比如各类酸；只用修复型水乳和面霜，把皮肤彻底养好了再考虑锦上添花类产品；
2）日常注意打伞、戴口罩 ，对于红血丝人群来说，稍微吹一吹风可能脸就受不了了，哪里还能日晒雨淋，这部分的防护措施一定要做好，毕竟脸太太太重要了；
3）温水洗脸 ，洁面产品也要温和，多用氨基酸类洗面奶。过冷和过热的水温都会导致毛细血管扩张，红血丝更加严重，如果想要认真修复，还是老老实实调成温水洗脸。
4）减少去角质的次数 ，说实话，自从我开始有护肤意识之后基本上天天洗面奶、卸妆各种产品伺候，根本用不上去角质产品，毕竟脸皮再厚，天天这么弄也给磨成薄皮了，所以劝诫大家都有红血丝了就不要用去角质产品，只会让皮肤屏障进一步受损。
图片：wikihow.com
5）减少熬夜、睡眠不足的次数 ，饮酒、刺激性食物也最好不要碰了，戒不了口，忍不住手这红血丝就改善不了。除此之外，坚持一段时间，可能你还会发现掉发减轻了，脸上也不容易长痘了，情绪也更稳定了……当然，也可能没有，但这些事情大家都知道要做，只是时间早晚和条件是否允许。
6）精简护肤品 ，这个部分请重点注意，首先氨基酸洁面，然后选择成分精简的保湿精华，可搭配搭配角鲨烷精华油，恢复皮肤水油膜，再使用有修复功能的面霜，最后严格防晒，防晒霜可以选择不含酒精的产品，减少对皮肤的刺激。
图片：wikihow.com
7）保持心情愉快 ，要知道红血丝很大部分是因为情绪起伏不定，过于紧张或者焦躁都可能引起此类问题，虽然很难，但还是尽量控制吧～
这部分应该是大家最感兴趣的了，针对红血丝的产品市面上可选择的范围挺大的，我这边也推荐几个品牌供大家参考，落实到预算、效果和使用体验大家可以根据需求来
这个品牌比较小众，但却很好用，是目前敏感肌可用的产品里面，最有功效的，对皮肤有愈创能力的一个牌子。它是来自新西兰的高级抗老化护肤品牌，目前已经被宝洁公司收购 了。这个牌子最吸引我的点是它首创了eProlex-346胜肽科技 ，并且得到世界皮肤学大会认可，看来护肤界又有一位实力派将进入大家的视野中～
图片：微博@SNOWBERRY
1）SNB蓝铜胜肽抗初老精华
购买渠道：SNOWBERRY雪果官方旗舰店
参考价格：RMB 550
图片：微博@SNOWBERRY
俗称“屏障补丁，去红快手 “，学名比较拗口，但功效强大。蓝铜胜肽是被证实过具有抗氧化、抗炎症，再生胶原蛋白和愈合的作用，对付红血丝修复非常厉害。这瓶精华的外包装走简约路线，质地是透明清爽的，不粘腻，抹开有淡淡的香味。除了修复红血丝之外，还有维稳淡纹的功效，小众控的美宝宝可以尝试一下～
2）SNB清润滋养日霜
购买渠道：SNOWBERRY雪果官方旗舰店
参考价格：RMB 420
图片：微博@SNOWBERRY
这款就厉害了，它含有神经酰胺增强成分 ，能够修复皮肤屏障，造成红血丝的主要原因不就是皮肤屏障受损嘛，修复好了，红血丝的问题自然迎刃而解，而这就是这款日霜最大的魅力所在。这款适用于油皮和混油皮，吸收快且清爽，滋润力度够，早上起床也不会觉得油腻，真空设计，按压贴心，预算OK的宝宝可以试试它。
这个牌子知道的宝宝应该挺多的，主打急救修复 ，近两年特别火，很多You Tuber在推。它的创始人挺有意思的，因为用了太多市面上质地极佳但效果不显著、或者是香味迷人但容易造成皮肤敏感的产品，所以就下定决心创办一个成分强大但质地舒服并且具有开价优势的产品线，当时可能会觉得他异想天开，但经过实践检验再来看这个牌子，只能说创始人真正做到了。
图片：ins@firstaidbeauty
1）FAB强效急救修复面霜
购买渠道：Firstaidbeauty海外旗舰店
参考价格：RMB 99
图片：微博@FirstAidBeauty
这款面霜俗称平价版La mer，主打功能是修复，而且是急救修复，敏感肌友好，功能比较专一 。膏体是冰淇淋质地，上脸前需要乳化，手心捂一下很好化开，味道是淡淡的药膏味，上脸温和不油腻，比较清爽。保湿能力强，皮肤干燥的宝宝一定要试试看～
2）FAB氨基酸洁面
购买渠道：Firstaidbeauty海外旗舰店
参考价格：RMB 149
图片：微博@FirstAidBeauty
这款主打深层洁净，其实我觉得敏感肌不需要用洁面产品，直接清水洗脸即可，最温和。但可能有美宝宝觉得这样洗不干净，毕竟外面的空气污染、粉尘还是挺脏的，有这类顾虑的话就可以用这款慕斯洁面。它的质地绵密、柔软、轻盈，有点像奶茶上面的奶盖，使用感很好 ，据官方说法睁着眼睛都可以用，洗完后也不干，比较保湿～
朵梵是我一直都很喜欢的牌子，可能美宝宝们不太清楚，其实它是雅诗兰黛旗下的品牌 。创始人是皮肤专科的医师，他在1958年研制出了有机草本精华，并用在各款产品中，所以这个牌子的护肤理念就是强调天然的植物成分与纯净精油的完美配比。除了产品之外，这位创始人还创立了DARPHIN巴黎美妍护肤中心，MK前段时间有去体验过，据说按摩师手法非常精妙，只要一小会儿就能把人按摩睡着，也是很想去体验一把了～
图片：ins@darphin
1）朵梵多效舒缓精华液
购买渠道：darphin朵梵官方旗舰店
参考价格：RMB 520
图片：微博@DARPHIN朵梵
俗称朵梵小粉瓶，这瓶是维稳能手，主打舒缓和改善泛红，不仅配方优秀，而且使用感受很好 。MK在去年年初的时候就开始用了，据她安利每一瓶精露里面都含有大量的维生素，用了之后皮肤会由内而发散发光泽，而且加入洋甘菊、牡丹萃取，所以香味灰常高级，就像在做SPA。质地也是水润轻薄，不会有黏腻感，用完后皮肤非常通透～有木有被安利到？反正我是想试试了。
2）朵梵玫瑰芳香精露面霜
购买渠道：darphin朵梵官方旗舰店
参考价格：RMB 520
图片：微博@DARPHIN朵梵
这款玫瑰面霜主打功效是补水，也是换季维稳的好物。 乳霜质地，非常适合深层补水，冬天用特别安心 ，味道清香，上脸舒服不油腻，很快吸收，用了之后皮肤会软软的、嫩嫩的，使用感超好～就是有嗲嗲贵。
来自西班牙的药妆品牌，也是平价大碗好用的代名词。它们家的产品主要针对敏感性肌肤，大多数产品都温和无刺激 ，能够解决我们日常中经常面对的皮肤问题，除了一些湿疹面霜、防晒霜、祛疤膏比较有名之外，安瓶也很受欢迎，属于专业领域全能且平价好用的牌子。
图片：ins@isdin
1）ISDIN怡思丁敏感肌修护舒缓神经酰胺面霜
购买渠道：isdin官方海外旗舰店
参考价格：RMB 169
图片：ins@isdin
属于基础修复型的面霜，据说一开始不是为成人研发的，而是针对婴儿皮肤破损、湿疹研发的，看到某书上有很多买来给宝宝用的，说明成分真的能打！用法很简单，泛红的地方坚持每晚抹一层，比如我是鼻翼两边比较多泛红，很快就能修复了。使用感受也挺好的，清爽不油腻，味道比较天然，淡淡的不冲人。
2）ISDIN怡思丁防水隔离防晒霜
购买渠道：isdin官方海外旗舰店
参考价格：RMB 93
图片：ins@isdin
红血丝除了修复屏障之外，后续的保养更要做到位。尤其是防晒，紫外线对健康皮肤都有很大伤害，更别提敏感受损肌肤了，所以防晒霜必不可少～这款防晒和它的面霜一样，也是主打高倍防晒，不熏眼、敏感肌可用，并且无酒精添加 ，质地是比较清爽的，易推开且很好闻，最重要的是不油腻～
这个牌子一直走的实力派路线，包装简约大气，有种实验室试剂瓶的感觉 ，第一印象也是性冷淡，但却实实在在走的专业科学护肤路线。它的创始人是美国杜克大学的Sheldon Pinnell教授，因为发现了黄金抗氧化配方所以创立了这一品牌，根正苗红，也是业界抗氧化权威 ，在功效上灰常严格，所以这个品牌非常值得信任，就是价格不太友好。
图片：ins@skinceuticals
1）修丽可净颜焕肤霜
购买渠道：修丽可官方旗舰店
参考价格：RMB 580
图片：ins@skinceuticalsca
非常适合敏感肌肤的一款修护霜，质地清爽，能消除红肿，减少炎症反应，并且还能促进细胞更新，伤口更快痊愈。对皮肤起到镇定舒缓的作用，改善泛红非常强大！
2）修丽可242皮脂膜修复霜
购买渠道：修丽可官方旗舰店
参考价格：RMB 1580
图片：ins@skinceuticals
这款其实之前也有推荐过，是集修复与抗老于一身的面霜 ，价格比较高但效果是真滴好。过敏爆发期的时候用这个，妥妥的修复皮肤屏障，晚上厚厚的抹一层，坚持一个月，泛红基本上就会消失了。预算充足的宝宝可以选这个，预算比较紧张的话可以选怡思丁那款。
最后，修复类产品不要求多，把手头上的产品好好用了修复皮肤屏障之后再考虑别的，皮肤也会还你一个光彩熠熠的可人儿。
“
今日互动
去红血丝产品中，
你最爱哪一款呢？
”
另外也欢迎美宝宝们点进好物圈，
分享你的秋冬爱用护肤噢～
资料参考：
[1]维基百科.毛细血管扩张
https://en.wikipedia.org/wiki/Telangiectasia
[2]天华.冬季对抗红血丝,《人人健康》,2014年
[3]刘刚. 如何治愈面部红血丝，CNKI,2011年
[4]刘文婷，王海涛，董银卯等. 面部红血丝形成机理及防治研究进展.CNKI,2009年
编辑丨Ciel 设计 | 框框
如对本文文字、图片版权有疑问请联系
bianji@fenxing.com，我们会尽快处理，比心
AI与系统软件的深度融合研究进展与趋势
CCF于2018年10月出版了新一期《中国计算机科学技术发展报告》，对AI与系统软件的深度融合等10个方向的研究进展做了详细的介绍和讨论。我们将分期分享报告中的精彩内容。请加入CCF，登录CCF数字图书馆下载和浏览。
1 引言
人工智能是计算机科学中一个重要的领域，它关注如何让计算机拥有“认知”与“思考”的能力，像人一样智能地运行。作为人工智能研究的一部分，机器学习通过直接从历史数据与经验中学习，而非靠预先制定规则，让计算机完成复杂的处理，智能地执行特定的任务。
近年来，随着大数据的到来、计算能力的提高以及算法上的突破，机器学习不仅在学术界产生突破性研究成果，同时在工业界被广泛应用。重新审视过去在简单神经网络上的研究，受到神经科学的启发，研究人员将人工神经网络拓展到数百层，这种称为深度学习的方法让计算机拥有了复杂的处理能力。2012年，Alex Krizhevsky、Ilya Sutskever与Geoffrey Hinton等人在ImageNet图像识别竞赛上基于深度学习算法取得了冠军，引领了深度学习的研究热潮。最近，来自谷歌DeepMind的AlphaGo系统击败世界排名第一的人类围棋选手；谷歌、百度等团队的无人驾驶汽车也纷纷开始进行路测。与此同时，机器学习技术快速在工业界落地——图像识别系统能快速找出照片中用户的好友，自然语言处理技术让语音助手更好地理解用户的意图，推荐系统为用户提供全面的使用体验信息……机器学习正在给各个领域带来巨大的变更。在这样的背景下，人工智能与系统软件融合发展成为研究人员需要探索的问题。
一方面，人工智能，特别是机器学习与深度学习的发展，要求强大的系统软件支撑。当前的机器学习方法需要依靠强大的计算能力来处理大量的数据，还需要设计良好的机器学习系统将机器学习成果高效投入应用。研究人员不仅需要提高单台计算机计算能力，还需要利用分布式计算来完成大规模的机器学习任务。研究人员需要从软件层面优化机器学习系统，还需要将不断涌现的新硬件与机器学习系统融合。研究人员需要考虑机器学习应用的安全性与可靠性，还需要使得系统有效地保护数据与隐私信息。此外，机器学习技术的普及对云计算、虚拟化与物联网等领域亦产生许多影响。
另一方面，系统软件也能利用人工智能获得更好的表现。系统软件中使用大量的人工制定的规则与启发式算法以保证在短时间内系统能够做出较优的决策。如资源调度与分配任务，在时间序列中如何分配有限的资源来保证资源的利用率与对资源需求方的公平性；如故障判断任务，在有限的信息下如何判断系统组件是发生故障无法工作还是暂时性无相应；如恶意攻击防御任务，在来自各方请求里如何判断是否存在恶意攻击以及如何处理攻击。随着处理能力与处理速度的提高，研究人员试图利用机器学习方法，从性能、安全性与稳定性等方面提高系统软件的表现。机器学习方法正展现出在系统软件中巨大的研究前景与应用潜力。
本学科发展报告提议对近期Systems for AI与AI for Systems两个方面研究的进展进行综述，总结分析当前技术挑战，并展望未来的发展前景。
2 Systems for AI：机器学习系统的支撑、拓展与优化技术
机器学习系统为机器学习模型训练、推断以及部署等任务提供支持。本节将分别介绍当前主流的通用机器学习系统、主流深度学习框架系统、及机器学习流式实时扩展技术、针对特定任务定制的机器学习系统、机器学习系统自动化构建技术、新兴机器学习系统以及机器学习系统优化技术等。
2.1 主流机器学习系统的分类与介绍
为了提供有效的大数据机器学习和数据分析手段，近几年来业界和学术界尝试多种途径和方法，在不同的并行计算模型和平台中，处理实际的数据分析和挖掘问题。
较早出现以及现有的一些大数据机器学习算法和系统大多采用的是较为底层的紧耦合、定制化构建方法。这些算法和系统大都针对特定的应用，选择特定的平台和模型，针对特定的机器学习模型和特定的计算模式，从串行到分布并行化的算法和原型，自底层向上进行紧耦合和定制化的开发和优化。尽管这样实现可以最大化利用系统资源达到最佳的性能，但是这种底层的紧耦合定制化实现方法，将学习和系统混杂在一起，实现难度大、算法和系统也难以调试和维护[1][2]。
从大数据机器学习系统特征来看，一个良好设计的大数据机器学习系统应当考虑高层的系统层抽象，向上为程序员提供易于使用的高层机器学习算法编程接口，向下基于现有的通用化大数据处理平台提供大规模数据的分布和并行化计算能力。近年来，已经开始出现面向各种高层编程计算和系统抽象来设计大数据机器学习系统的研究工作。
目前的大数据机器学习系统在高层编程计算和系统抽象上大致可分为三种主要的编程计算和系统抽象方法，分别是基于矩阵/数据框模型的抽象、基于图模型的抽象、以及基于参数模型的抽象。
实际的系统也可能会是一种兼有上述多种类型的混合系统。此外，也有不少系统可以从并行模式角度来区分，分为数据并行和模型并行两种方式，且一些系统只提供数据并行方式，另一些系统会同时提供数据并行和模型并行两种方式。
本文选取了具有代表性的分布式机器学习系统进行对比分析，下表对几个系统并行模式和易用性进行了对比，后面会按系统分别介绍。
表 1 主流机器学习系统对比
2.2 主流深度学习框架系统介绍
主流的机器学习系统并不能为深度神经网络模型的构建和训练提供很好的支持，因此随着深度学习技术的发展和流行，涌现了一批流行的深度学习框架软件系统。很多研究者[192]都对这些框架进行了对比分析，本文只选取代表性的几个框架进行对比分析。
Caffe是经典的深度学习框架，为单机版系统。Caffe采用C++/CUDA架构，支持命令行、Python和MATLAB接口，可以在CPU和GPU直接无缝切换。Caffe是一个深度卷积神经网络的学习框架，使用Caffe可以比较方便地进行CNN模型的训练和测试，不适合其他类型模型。Caffe提供了prototxt语法支持构造神经网络，官方提供了大量样例可以参考。Caffe作为C++语言以及配合了CUDA开发的框架，具有较高训练效率。目前开发者已经对Caffe进行了大规模重构，新版本Caffe 2则支持了分布式训练及很多新的特性。
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理，Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。TensorFlow一大亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从手机、单个CPU / GPU到成百上千GPU卡组成的分布式系统。 TensorFlow支持CNN、RNN和LSTM等多种算法。TensorFlow提供的 TensorBoard 可视化工具对训练模型十分有帮助。TensorFlow具有Google强大技术支持，也具有广泛的社区，目前是工业和学术研究最常用的框架。
MXNet是一个新型的深度学习框架，综合了其他几个框架的优点进行设计，是亚马逊主推的深度学习框架。现有的系统大部分采用声明式或命令式两种编程模式的一种，MXNet尝试将两种模式无缝的结合起来。在命令式编程上MXNet提供张量运算，而声明式编程中MXNet支持符号表达式。用户可以自由的混合它们来快速实现自己的想法。MXNet资源和计算的调度、内存分配资源管理、数据的表示、计算优化等都做了优化设计，原生支持分布式训练的。
Keras和Pytorch是易用性上十分出色的框架。Keras 提供了简单易用的 API 接口，特别适合初学者入门。其后端采用 TensorFlow、CNTK，以及Theano，Keras 几乎已经成了 Python 神经网络的接口标准。Pytorch提供了基于Python的动态深度学习库，语法类似numpy，非常高效；基于Pytorch开发深度学习算法，方便快速，适合CPU和GPU计算。Pytorch支持动态构建神经网络结构易于调试和推导也受到广泛关注。
深度学习框架流行的主要因素包括：易用性，是否提供简单易用的开发接口；高性能，是否支持可扩展分布式训练，是否可以达到更快的性能；社区支持，是否具有大规模用户和社区贡献者，包括知名企业的支持。目前深度学习框架在这些方面还都有很大改进空间，并没有形成一个类似Hadoop系统一样的事实上的标准系统。对于系统软件研究者，也存在大量开放性的问题。
2.3 新兴机器学习系统
随着AI技术的发展，在很多场景下已有的系统平台无法满足系统性能和易于开发的需要，比如在动态环境下对增强学习的支持，对高吞吐量端到端学习的支持，对机器学习服务高吞吐量的支持，对云环境下机器学习的支持等。因此研究界和企业界最近也推出了一些新型机器学习框架，开拓了机器学习系统新的发展方向。
(1) Ray
机器学习应用需要更多地在动态环境下运行，响应环境中的变化，并且采用一系列的动作来完成既定目标。这些要求自然地建立在增强学习（Reinforcement Learning，RL）范式中，即在不确定的环境中连续学习。因此，需要一个能支持异质和动态计算图，同时以毫秒级延迟每秒处理数以百万计任务的计算框架。而目前的计算框架或是无法达到普通RL应用的延迟要求（MapReduce、Apache Spark、CIEL），或是使用静态计算图（TensorFlow、Naiad、MPI、Canary）。
为了在支持动态计算图的同时满足严格的性能要求，UC Berkeley RISELab提出Ray系统。Ray采取一种新的可横向扩展的分布式结构，其结构由两部分组成：application 层和 system 层。Application 层实现API和计算模型，执行分布式计算任务。System 层负责任务调度和数据管理，来满足性能和容错方面的要求[23]。
(2) Keystone ML
现代的高级分析应用程序利用机器学习技术，包含领域特定和通用处理的多个步骤，并且具有高的资源需求。UC Berkeley AMPLab在Apache Spark上建立的开源软件，KeystoneML，旨在简化大规模、端到端、机器学习管道的建设。它捕获并优化端到端大型机器学习应用程序，以便在具有高级API的分布式环境中进行高吞吐量培训。与现有系统相比，这种方法具有更高的易用性和更高的性能，用于大规模学习[24]。
(3) Clipper
机器学习正在越来越多的应用程序中进行部署，这些应用程序需要在大量查询负载下进行实时、准确和可靠的预测。但是，大多数机器学习框架和系统仅针对模型训练而非部署。
2017年UC Berkeley AMPLab提出了Clipper，这是第一个通用的低延迟预测服务系统。Clipper介绍了最终用户应用程序和各种机器学习框架，它引入了模块化架构，以简化跨框架的模型部署。此外，通过引入缓存、批处理和自适应模型选择技术，Clipper可以减少预测延迟并提高预测吞吐量、准确性和健壮性，而无需修改底层机器学习框架[25]。
(4) 珠算（生成模型软件库）
珠算是一个生成模型的 Python 库[196]，构建于 TensorFlow 之上，由清华大学朱军团队发布。珠算不像现有的主要是为监督学习而设计的深度学习库，它是一种扎根于贝叶斯推断并支持多种生成模型的软件库。珠算区别于其他平台的一个很大的特点，即可以深度地做贝叶斯推断，因此，可以很有效地支持深度生成模型。珠算平台可以在 GPU 上训练神经网络，同时可以在上面做概率建模和概率推断，带来好处有：可以利用无监督数据、可以做小样本学习、可以做不确定性的推理和决策、可以生成新的样本等等。
(5) Visual Studio Tools for AI （微软Visual Studio IDE的扩展）
微软已经发布了其 Visual Studio Tools for AI 的测试版本，这是微软 Visual Studio 2017 IDE 的扩展，可以让开发人员和数据科学家将深度学习模型嵌入到应用程序中。Visual Studio Tools for AI 工具同时支持 Microsoft 的 Cognitive Toolkit 和 Google 的 TensorFlow 等深度学习框架”。微软还通过一个称为 Visual Studio Code Tools for AI 的跨平台扩展为其 Visual Studio 代码编辑器提供 AI 支持。此外，微软同时为物联网设备，苹果 CoreML 以及 Azure SQL 提供了全新的深度学习工具。
(6) TensorFlow Probability（概率编程工具）
今年谷歌发布了TensorFlow Probability，一个概率编程工具箱，使机器学习研究人员及相关从业人员可以快速可靠地利用最先进硬件构建复杂模型。该工具支持建立一个数据生成模型，推理其隐藏的过程。支持量化预测数据中的不确定性，而不是预测单个值。TensorFlow Probability继承了TensorFlow的优势，例如自动微分，以及通过多种平台（CPU，GPU和TPU）扩展性能的能力。
(7) Azure Machine Learning（云机器学习开发环境）
基于微软Azure云平台的Azure机器学习（Azure Machine Learning）为数据科学家提供了一个流线型的体验：从只用一个网页浏览器设置，到使用拖放手势和简单的数据流图来设置实验[26]。Machine Learning Studio提供了一个库，其中包括省时省力的样本实验，R和Python包以及像Xbox和Bing等微软业务中的一流算法。Azure的机器学习还支持R和Python的自定义代码，并且支持机器学习应用的分析。
(8) Amazon Machine Learning（云机器学习开发环境）
亚马逊Amazon Web Services推出Amazon Machine Learning（亚马逊机器学习），这是一项全面的托管服务，让任何开发者都能够轻松使用历史数据开发并部署预测模型[27]。这些模型用途广泛，包括检测欺诈、防止用户流失并改进用户支持。Amazon Machine Learning的API和向导能够为开发者提供关于机器学习模型的创建和调试流程的指导，而且Amazon Machine Learning能够与Amazon S3 、Amazon Redshift和Amazon RDS进行集成。
3 Systems for AI：类脑神经网络计算系统软件
类脑计算指借鉴人脑信息处理模式和生物生理结构的计算理论、体系结构乃至硬件设计的总称。近年来，众多国家纷纷提出脑科学研究和类脑计算相关的大型研究计划。2013年，美国提出了“基于先进创新神经科技的大脑研究（Brain Research through Advancing Innovative Neurotechnologies，BRAIN）”计划，同年，欧盟也提出了“人类大脑工程（Human Brain Project，HBP）”计划。中国也将脑科学与类脑研究列入《“十三五”国家基础研究专项规划》，并开展了为期15年的“脑科学与类脑科学研究”计划。理解大脑的结构与功能是 21 世纪最具挑战性的前沿科学问题，类脑计算则是实现这一目标的重要手段与主要成果之一。
类脑计算目前采用的主要计算模型是脉冲神经网络（spiking neural network，SNN）。SNN又被称为第三代神经网络，在符合生物学特性的神经元和突触模型的基础上，在执行模型中引入了脉冲信号和时序信息。与现有的深度神经网络（deep neural network，DNN）相比，SNN提供了更好的生物真实性，具有达到更高的计算能力与能效的潜力，相应的，构建基于神经形态体系结构的新型计算系统也吸引了越来越多的研究兴趣。已经有一系列试图利用SNN计算潜力的研究工作，其中的代表是神经形态芯片研究，例如TrueNorth，BrainScaleS，SpiNNaker以及国内的天机芯片等。
SNN代表了一类计算模型，其主要计算特征包括异步、事件触发、细粒度并发处理等，因此从计算机系统软件角度来看，需要由相应的SNN描述语言、语言编译/解释器、后端的运行时系统等。具体的，运行时系统可以是软件（比如在传统通用处理器，包括通用图形处理器上的运行时系统，一般就是SNN模拟器），也可以是定制化硬件（神经形态芯片）。而针对后者，因为其会引入硬件特定的约束条件（如计算精度、数据表示精度等等），需要将上层的与具体硬件无关的神经网络转换为符合底层约束的（基本）等价网络。这一转换过程被称之为类脑神经网络编译（区别于上面提到的语言编译）——因其在系统中的位置与作用类似于传统编译器。
本文针对类脑神经网络计算系统，从系统软件角度（包括语言、工具链、运行时系统以及优化等）介绍、比较国内外相关工作，并给出一些趋势分析。同时，基于新型神经形态器件（如忆阻器）的类脑芯片也正成为研究热点，它们对于相关软件会有怎样不同的要求也会在本章相关部分被介绍。
图2 类脑神经网络计算系统结构图
4 AI for Systems：机器学习安全及其在系统安全中的应用
总体而言，AI安全包含两大类研究方向：AI系统本身的安全问题、基于AI的安全技术。前者关心AI系统脆弱性，如寻找对抗样本使AI系统运行出现异常；后者利用AI技术辅助解决现有的安全问题，如漏洞检测等。
4.1 面向AI系统安全的对抗学习技术
随着各种各样机器学习新技术的提出，机器学习新平台的流行，越来越多的开发人员开始通过机器学习拥抱人工智能，随之而来的是人工智能应用的爆发和广大用户受益于人工智能。人工智能特别是机器学习甚至开始被应用在了和安全密切相关的场景，例如人脸识别认证，自动驾驶，大数据风控等。机器学习在这些场景下能提供比人工更加好的识别精准度，节省人工成本，为人类带来便利。但可以想到的是，这些利用了机器学习的应用一旦被攻破，带来的后果也非常严重。
不巧的是，研究人员发现，只要在机器学习模型的输入上加载一点点噪声，机器学习模型的输出就会被改变。这种噪声可以小到人根本无法察觉。并且这种错误的输出并不是因为模型的准度不够高，因为即使是识别准度达到百分之九十九点几的机器学习模型，攻击者也可以百分之一百地生成这种噪声任意控制其输出。
不少研究人员对机器学习技术广泛应用的信心因此受到打击，因为大家担心机器学习会为黑客提供广阔的攻击面，带来严重的后果。例如，掌握对抗样本技术的攻击者可能在未来支持无人驾驶车的道路上涂画噪声，误导无人驾驶车的决策模型，导致车毁人亡的事故。又如，攻击者可能误导银行的风险控制模型，使得大量不良贷款获批，最终导致大量坏账，造成国家金融系统紊乱。
对抗样本攻击的本质是解一个优化问题，即如何最小化噪声r的模，而保证机器学习模型的输出F(x+r)为攻击者的目标t，并且加上噪声的样本x+r不溢出值域范围。这个问题并没有直接的解析解，然而研究人员普遍利用梯度下降优化的方法得到了很好的较优数值解。
对抗样本攻击的研究现状 对深度学习模型的最新对抗样本攻击已经可以做到对不同的模型，应对不同的噪声衡量指标，以百分之一百的成功率发动攻击。来自加州大学伯克利分校的研究人员在2017年的安全顶级会议IEEE Oakland上发表文章展示了他们提出一组全新的对抗样本解法[101]。他们将上述优化问题的两个限制条件全部转化成优化目标项，使得优化器可以不用考虑限制条件而直接优化目标函数得到最优解。在他们的工作中，输出限制条件被转换成了损失函数，而值域限制被转换成了平滑截断函数包裹的变量。这样一来，当优化器将优化目标项降低到门限值以下时，目标输出限制就自然而然满足了，而值域限制条件因为平滑截断函数的存在而天然满足。这样巧妙构造的目标函数直接导致了公认的检验分类问题MNIST和CIFAR被百分之一百成功率攻破。
对抗样本的防御方案 研究者看到对抗样本攻击的灾难性后果，提出了许多种防御方案，但大多被证明并不有效。最早的防御包括对抗训练，防御蒸馏；最新的防御方案之一为加州大学戴维斯分校和上海科技大学的陈浩教授课题组提出的MagNet。对抗学习的思想为主动构建一个识别输入样本是否为对抗样本的分类器[102]。然而，研究表明攻击者同时误导两个分类器并不比只误导一个难[103]，进而证明基于对抗训练是完全无效的。防御蒸馏思想为抹掉分类器内的梯度，导致攻击者无法利用梯度下降优化器求解对抗样本[104]。然而，加州大学伯克利分校的研究人员表明，即使在有防御蒸馏保护的前提下，攻击者照样可以通过转移学习生成有效的对抗样本[101]。陈浩教授提出的MagNet提出对抗样本和正常样本在被先压缩再还原过程中产生的误差有显著区别[105]。据此，陈教授设计了一个基于正常样本训练的自动编码器来分离这种误差，若一个样本通过自动编码器产生的误差超过一定门限，则可被判定为不来自和训练样本一样的分布，进而被判定为对抗样本。此外，就算误差没有超过这一门限，分离了误差之后的样本若导致分类器输出发生了变化，也可表征输入样本为对抗样本。
实际的对抗样本攻击 对抗样本攻击并不只停留在论文的阶段。最新的研究已经用对抗样本来攻击实际的系统，并且证明攻击成功率非常高，后果非常严重。来自卡内基梅隆大学的研究者发现，对抗样本可以被打印在眼镜框上，用来误导人脸识别系统[106]]。这种攻击手段一旦被不法分子掌握，即可用来攻击出入境，银行，监控等许多基于人脸识别和追踪的安保系统。复旦大学的研究者发现，对于人脸识别系统的攻击甚至可以发动于无形，只要攻击者利用人感知不到的红外光作为对抗样本的载体来发动攻击[107]。中国科学院信息工程研究所的研究人员发现，可以在音乐上进行小幅度修改，达到实际攻击基于深度学习的语音识别算法（例如科大讯飞等），实现人耳听起来是音乐但是语音识别系统识别出命令的效果[190]。
4.2 基于AI的安全技术
自二十一世纪以来，计算机的计算能力大幅提升，信息数据的爆炸式增长，以及基础理论的发展，使人工智能得到广泛的应用和发展。依靠人工智能发展的红利，计算机安全也得到了快速的提升和发展。人工智能中的技术和工具被广泛的应用在解决安全问题上，包括：漏洞检测、恶意代码检测和代码加固。
软件漏洞是在开发软件过程中由于开发者的疏忽或编程语言的自身局限性被植入的安全缺陷。这些缺陷往往能够被攻击者利用，从而削弱了软件系统的安全性，并可能给企业和个人带来巨大的经济损失[109] [110] 。2017年5月爆发的勒索攻击“WannaCry”通过利用微软系统中的若干漏洞攻克了150多个国家的20多万台计算机设备，最终造成了接近40亿美元的经济损失[111] 。因此，及早的检测出软件存在的安全漏洞对软件安全有着极其重要的意义。
恶意代码，即恶意软件，是指未经过用户许可或在用户未察觉时，安装在目标计算机或终端上，并用于侵犯用户权益的软件。根据不同的攻击目标，恶意软件可以分为广告程序、间谍软件、木马程序、病毒、蠕虫、Rootkit等。相较于软件漏洞，恶意代码往往是由攻击者主动设计和编写的特定程序，通过钓鱼或通信渠道进行恶意传播。
代码加固指针对有安全隐患且在特定场合下可被攻击者利用的代码的修复过程。针对存在安全漏洞的软件进行代码变换和修复，或对二进制代码打补丁使攻击者无法通过这些漏洞发动攻击。根据不同的漏洞类型、代码环境以及安全等级需求，存在多种代码加固技术。例如针对缓冲区溢出漏洞，开发人员可以在编译中添加canary words和加入边界检查的代码，也可以对程序输入进行检查和过滤[114] 。
5 AI for Systems：基于AI的系统软件优化与缺陷检测
系统软件往往存在大量的人为设定规则，如CPU缓存加载与清除机制，以及基于启发的算法部件，如基于优先级的任务调度器。与此同时，AI算法多能对复杂的功能进行近似模拟。很自然地研究人员尝试将AI的研究成果应用到系统软件中，提升系统软件的性能表现、可靠性、可用性等指标。
5.1 基于日志挖掘的系统故障检测与诊断
在很多数据中心和云计算平台中，部署着大规模的软件系统。由于大规模软件系统具有规模大、逻辑复杂、并发性高、错误难以定位等特点，如何检测和诊断系统故障对系统开发者和维护者构成了极大的挑战。得益于软件系统开发的规范性要求，软件系统运行过程的很多状态信息都会被输出到日志文件中，日志文件对于理解系统状态和发现潜在的性能问题很有帮助。因此，如何从日志文件中挖掘出有价值的信息，以辅助系统故障的检测和诊断引发了很多工作的探索。
已有的基于日志挖掘的方法可以分为五类，分别为基于规则的方法[83]、基于日志统计特征的主成分分析方法[84][85][86]、基于贝叶斯网络的故障定位[87]、基于不变性挖掘的共现模式匹配方法[88][89]、基于深度学习的方法[90]。
基于规则的方法[83]首先人为给定规则集，然后根据规则集对日志进行匹配和规则推理，从而达到检测和诊断异常事件的目的。该类方法的缺点在于，领域知识的缺乏和事件之间复杂的关系导致规则集很难编写。另外，规则推理这一过程非常耗时，使得基于规则的方法不适用于大规模的日志。基于日志统计特征的主成分分析方法[84][85][86]结合日志和源代码，能够将非结构化数据转化成结构化数据，并构造得到日志的统计特征，然后利用主成分分析方法在线检测与诊断系统故障。基于贝叶斯网络的故障定位[87]通过构建故障推理贝叶斯网络，来推理得到每个模块包含故障的概率。基于不变性挖掘的共现模式匹配方法[88][89]根据程序执行流存在的不变性先验，挖掘不同事件共同出现的模式，然后通过检验共现模式是否满足条件来判断异常事件的发生。这种方法只能捕获事件之间的线性关系。基于深度学习的方法[90]利用日志中事件类型的信息和事件变量的信息，包括时间戳、事件变量值等，通过长短期记忆网络学习事件的非线性关系，并输出事件变量值，然后比较预测值跟输入值是否匹配来判断是否发生异常事件。该方法能实时接收用户的反馈从而修正模型，并能够在线更新模型。
5.2 基于机器学习的分布式资源分配
对于分布式计算任务,人们总是希望能够找到高效的计算资源分配（调度）方式，使得计算任务尽可能快速完成的同时，计算资源能够得到充分利用。
传统的方法采用硬编码策略或者启发式策略来进行计算资源分配。近年来，研究人员提出了基于机器学习（尤其是强化学习）的方法来进行计算资源分配, 让机器自己通过自我学习获得更好的资源分配策略。
Hongzi Mao 等人提出DeepRM[90]，实现对集群中多任务和多种资源 (例如内存、I/O、CPU 等资源) 进行调度。DeepRM使用基于 PolicyGradient 的强化学习算法[91]，使用神经网络作为决策器，以当前资源分配图和任务等待序列作为神经网络的输入。DeepRM取得了比非机器学习调度算法（例如 SJF 和 Tetris[92]）更好的性能。
在神经网络的训练中，人们也使用深度强化学习方法对神经网络中各个节点进行计算资源 (CPU和多GPU) 的分配，从而最大程度减少神经网络的运行时间。Mirhoseini 等人[93]提出了基于 sequence-to-sequence 的深度强化学习模型来对网络中的节点进行人工分类，然后分配采样，最后通过最小化网络运行时间来更新分配模型。实验结果显示深度强化学习模型在一些著名的深度学习模型 (例如 Inception-V3、RNNLM、Neural Turing Machine) 上进行计算资源分配，效果比人工专家的分配方法、传统图节点分割分配方法和TensorFlow[94]内置的分配机制要好。该方法的缺点在于网络中的节点分类是人工分类。之后 Mirhoseini 提出一种改进方案[95]，将节点的人工分类过程用一个神经网络来代替, 效果比之前的人工分类方法有明显提升，但同时也带来资源分配模型训练时间增长的缺点。Spotlight[96]将问题使用 MDP 形式化，并且使用了 PPO (Proximal Policy Optimization)[97]算法，显著缩短了分配网络的训练时长，同时对深度学习模型的计算分配结果也更为合理。
目前已有方法主要还是实验模拟，如何将其真正投入实际应用还需要进一步探索。
5.3 基于机器学习的索引构建
传统的索引构建方法，如B树、哈希表、布隆过滤器，目标都是将关键字映射到对应的位置，但都没有考虑具体的数据分布。基于机器学习的索引构建方法旨在利用实际的数据分布，将机器学习的方法引入到索引构建中，以提高索引性能。
已有基于机器学习的索引构建围绕三类索引任务展开，包括：基于B树的索引、基于哈希表的索引和基于布隆过滤器的索引。
基于B树的索引构建方法特点是记录位置的条目是排好序的。传统的B树可以看作是基于决策树的模型，该模型可以很好地利用cache来加速。论文[98]使用简单的神经网络模型和决策树模型来构造循环索引模型，相较于传统模型，循环索引模型能达到更好的索引效果。
论文[98]中还提出了基于机器学习的哈希表索引结构，使用了循环索引模型学习哈希函数，相较于传统的哈希函数，基于机器学习的哈希表索引结构可以达到更低的冲突率和更低的存储要求。但查询速度不如传统的哈希函数。
基于布隆过滤器的索引模型主要目标是判定查询关键字是否存在。论文[98]提出了可学习的布隆过滤器模型，可以达到更低的假正例率和更低的存储要求。论文[99]分析了可学习的布隆过滤器的性能与数据分布间的联系，指出了论文[98]中可学习的布隆过滤器的局限性。论文[100]改进了之前论文[98]中的可学习布隆过滤器，提出了一种夹心结构的布隆过滤器，提高了布隆过滤器的性能。
6 发展趋势与展望
分析当前AI与系统软件融合协同发展的挑战，并根据软硬件与AI技术演化进展分析可能的趋势，分析未来Systems+AI的可能的研究方向与研究问题。
6.1 Systems for AI：AI系统的扩展与优化技术
通过对AI系统扩展与优化技术国内外现状的分析，该领域存在以下技术趋势：更高效的AI系统、自动化AI系统、云端化AI系统，定制化AI系统和自主化AI系统。
更高效的AI系统 ，AI系统性能和扩展性还有很大提升空间，针对大规模数据的复杂深度学习网络的训练需要的计算资源成本和时间成本都还很高，虽然TensorFlow等平台的出现可以解决很多需求，对于单设备或多设备数据并行这种简单场景的支持已经非常优秀，但在模型更大或者神经网络拓扑更复杂时，通用框架的易用性和效率都大打折扣。TensorFlow等平台都还处于高速的发展阶段，软硬件结合，存储、网络、芯片等多层次结合的优化都是值得探索的方向。
自动化 ，基于大数据的机器学习过程包含复杂的数据处理、分析、模式提取和知识发现过程，基于现有的AI平台，学习曲线高、开发代价大，需要为领域数据科学家提供简单易用的“拼装式”机器学习分析环境，研究AutoML技术支持机器学习模型的自动生成和自动调参，实现AI智能分析一体化支撑。
云端化 ，指AI软件系统逐渐转向在线使用的方式，通过浏览器进行代码编辑、执行、可视化展现，算法、数据源以在线API形式提供，不需要本地进行软件的安装和维护，同时提供数据的在线管理。这需要在保障数据安全和隐私前提下，建立基于云模式的AI大数据挖掘分析工作环境。同时通过云平台强大的分布式计算引擎，支持大数据的高效分析处理。
定制化 ，指AI具有广泛应用领域，不同领域也都有各自的分析模式，一个通用的机器学习系统无法满足一个特定领域数据科学家个性化分析需求。在数据层面，不同科学家面向的数据类型不同；在算法模型领域，不同领域需要非常多通用算法库无法提供的领域算法；在可视化方面，不同领域需要不同的展示方式。因此一个理想的机器学习系统应该支持数据、模型和可视化视图多个方面的定制，支持每个领域数据科学家开发特有的组件。
自主化 ，从本文调研看绝大多数流行使用的AI系统均为国外开发者发布，因为其开源特性，国内的开发者可以应用这些系统开展AI的研究和应用。AI系统是十分关键的系统软件，目前国家十分重视核心关键软件的自主可控，因此亟待国内的研究团队和企业界用于研制具有自主知识产权的AI系统，并将优秀AI系统开源共享给社区，通过社区力量使其不断完善强大。
6.2 Systems for AI：类脑神经网络计算系统
在摩尔定律已接近尾声这一趋势下，需要融合材料、物理、微电子、生物（计算神经学）与计算机等多学科前沿进展，以新的计算器件、新的存储/存算器件和新的通信器件为基础，以新的计算原理、计算模型与应用为牵引，研发突破“冯.诺依曼”瓶颈的颠覆性计算机体系结构以及相应的软硬件系统，包括类脑计算（brain-inspired）等。
类脑计算经过几十年的发展，取得了令人欣喜的成果，但是仍受限于对复杂神经系统的认知。随着实验技术的进步与解剖学、生物学和生理学等相关领域研究的发展，必将对大脑的计算模式有更深、更多的了解。类脑计算将是未来很长一段时间科学技术研究的热点和前沿。
首先，从系统软件角度来看，为了在硬件层次提高芯片的性能，需要首先在软件层次进行仿真。所以需要开发一定的软件平台进行算法或模型的类脑计算仿真和模拟。如果能够在软件仿真方面发现算法或模型取得突破性进展，加上硬件器的加速，就可以促进芯片性能的提升。同时，软硬件协同设计方法将会推动类脑计算快速发展。再者，在计算模型方面SNN训练算法的理论发展还不够成熟，研究具有高效信息处理能力的基于完全时间编码的多层SNN，将为SNN在类脑计算领域中的应用提供有效的计算模型和理论基础。最后，类脑计算技术的发展将推动图像识别、语音识别、自然语言处理等前沿技术的突破，机器人视听感知和自主学习是很有希望的应用方向。
6.3 AI for Systems：基于AI的系统安全技术
进入二十一世纪，随着软件系统和网络基础设施的快速发展，其中的安全问题层出不穷，并有愈演愈烈的趋势，导致网络空间的安全形势越来越严峻。攻击者和防御者都在各自擅长的领域继续成长，并在多个技术领域展开竞争。此外，随着信息时代的继续发展，人工智能成为解决安全问题强有力的助推器。随着新兴领域的不断出现，如移动平台、物联网和工控系统，人工智能的发展和应用也面临了极大的挑战和机遇。本节将从解决这些安全问题的技术上的缺点和壁垒，结合当前大数据和人工智能领域的发展，提出以下几点发展趋势和展望，为未来的相关安全研究工作提供方向和方法指导。
领域内强智能的漏洞和恶意代码检测 。虽然研究人员在漏洞检测和恶意代码检测中开展了诸多工作，并取得丰厚的成果。然而大部分的工作仍然面临了两方面的问题：第一，基于规则和漏洞签名的检测方法不具有通用性，只能对特定的漏洞类型有较好的检测效果，并且这样的方法无法对轻微的代码更动进行很好的漏洞检测；第二，目前的基于特征提取和机器学习进行漏洞检测和加固的技术往往受制于训练数据集的优劣，并且不恰当的特征提取容易造成过度拟合，弱化对新的软件漏洞的检测能力。因此如何构建一种特定领域的强智能是未来的发展趋势，如让机器能够识别恶意软件的变种，检测出零日漏洞和恶意代码等。
系统化和通用化的代码加固策略。 目前的代码加固技术主要关注在安全补丁的生成，而忽视了动态修改的重要性；或者只关注在某一特定漏洞和攻击的加固，而失去通用性。在十几年的发展中，安全人员已经对成千上万的代码进行修改和修复，但仍未有比较成熟的系统和方法对这些有价值的数据进行系统化学习和利用。随着人工智能在知识获取和知识表达上的发展，相信未来会有大量工作通过学习已有的代码加固实例来总结和提取加固策略，并能够自动化的针对不同的软件系统，平台，运行环境等信息进行静态或动态的加固。
新兴领域带来的挑战和机遇。 经过几十年的发展，安全社区已经衍生和发展出多种高效和精准的安全检测技术来检测漏洞、恶意代码和进行代码加固，并产生了众多相关的安全软件公司推动先进技术的实施和商业部署。然而，近几年移动设备，物联网和工控系统得到急速扩张和发展，不法分子已经开始将目标转移到这些领域来牟取利益。跟传统的软件系统相比，这几类领域采用许多的新的硬件设备、体系架构和编程语言，软件系统处在不同的网络或主机环境。因此，在进行相关安全检测和加固活动中，安全人员需要提出新的检测和加固技术来适应不同的应用领域。
人工智能鲁棒性的要求提升。 随着人工智能在安全领域内的大量应用和良性发展，基于人工智能的安全产品持续为大家提供一个较为安全的网络环境。但是，过度的依赖人工智能就会放大人工智能自身的缺陷和弱点。例如基于机器学习的恶意代码检测技术存在被攻破的风险[190]，这几类攻击除了能够极度降低检测准确度外，还能够窃取训练数据，导致安全系统的数据泄露。因此，人工智能安全性也将伴随着安全需求的增加而得到进一步发展。
大数据挖掘技术将进一步提升。 在未来的漏洞、恶意代码检测和加固方面，不可避免的要利用到大数据和大数据挖掘技术。在数据挖掘过程中就会面临诸多挑战，如研究人员搜集的数据集内存在严重的类不平衡问题，并导致基于机器学习的模型的预测性能降低。安全数据抽象和表达方面的不足，使目前产生的数据无法有效和快速的利用到安全防护中。因此，如何构建安全知识系统用来辅助安全防护任务甚至在该知识系统中进行推理获取更多未知的安全知识，具有美好的发展和应用前景。
机器学习与边缘计算。 在5G与物联网时代，将机器学习应用于边缘计算的设备具有众多意义。首先，机器学习技术可以用来识别持续升级改进的网络威胁。机器学习在边缘应用的另一种方式是用于环境和野生动物领域的管理。例如，森林管理行业已看到机器学习在预测和优化再造林目的树种选择方面的应用。此外，在油井或加油站等场景中，边缘机器学习正在应用于远程监控和预测性维护等。相比于将数据发送到云端进行计算，在边缘设备上进行机器学习不仅能够更好地保护数据隐私性，而且能够避免数据传输带来的额外延时。
6.4 AI and Systems: 面向AI系统安全的对抗学习技术
即使机器学习应用存在被对抗样本攻击的风险，其在精准度，实现难度方面都有无可比拟的优势。毫无疑问，即使在安全相关领域，机器学习也将继续并且长期发挥重要作用。考虑到对抗样本攻击带来的严重后果，可以预见的是，对抗样本的检测将会成为一个持续的研究方向和热点。
现阶段对抗样本检测手段大多基于黑盒假设，即寻找一种攻击者不知道的检测指标，用样本是否超标来判定其为对抗样本。而显然这种模型并不能在真实场景中取得好的防御效果，因为攻击者比防御者往往更了解防御技术。对有经验的攻击者来说，绕过这些防御技术并不是件难事。
基于白盒假设的对抗样本防御 下一阶段的对抗样本防御工作将会集中在白盒假设上，即提出一种检测指标，使得攻击者即使知道指标算法的情况也无法利用扰动干扰的检测指标，从而达到较好的防御效果。白盒假设下的检测方法是非常具有挑战性的，但只有白盒假设下的防御方法才能提供有效的安全性保障，从根本上较少对抗样本被生成的概率。
云平台上面向大数据的对抗样本防御 机器学习，特别是深度学习不可避免接收大数据和云平台的洗礼。如何结合云平台提供的海量计算能力，结合攻击者获取不到的海量数据设计对抗样本检测方案可能成为下一个热点。现在的对抗样本检测方法并没有利用到海量样本数据，很有可能在云平台上检验大量数据之后，可以得到攻击者不可绕过的检测指标。
7 结束语
AI当前方兴未艾，与系统软件的深入融合为AI提供了强大的算力与开发、调试与维护框架，推动了AI的发展。另一方面，如何将AI应用到系统软件从而提升性能与安全等也存在很大的潜力。本文对AI与系统软件的相互融合与促进的研究进展进行了分析，探索了二者融合的发展趋势，以期对在这两个领域工作的研究者与实践者提供参考。
致谢
本文是在CCF系统专委会的组织与指导下完成的。专委李宣东主任、王林章秘书长统筹了整个组稿过程，申富饶老师也对本文提供了宝贵材料与意见。CCF评审专家对本文提出了很多宝贵意见，对本文结构优化、调研方向与范围具有很大的帮助。
作者简介
陈海波
陈海波，上海交通大学教授，博士生导师。主要研究方向为操作系统、并行与分布式系统等。CCF杰出会员。
刘杰
刘杰，中国科学院软件研究所副研究员，硕士生导师。主要研究方向为大数据、机器学习、知识图谱。CCF会员。
顾荣
顾荣，南京大学计算机科学与技术系助理研究员。主要研究方向为大数据分布式并行处理系统。CCF会员。
张悠慧
张悠慧，清华大学计算机科学与技术系教授，博士生导师。主要研究方向为计算机系统结构、类脑计算等。CCF高级会员，普及工作委员会委员。
陈恺
陈恺，中国科学院信息工程研究所，研究员、博士生导师。信息安全国家重点实验室副主任，《Cybersecurity》编辑部主任。主要研究领域包括软件与系统安全、人工智能对抗等。CCF系统软件专委会委员。
孟国柱
孟国柱，中国科学院信息工程研究所副研究员。主要研究领域包括移动安全、大数据分析、漏洞检测和代码加固等。CCF会员。
周喆
周喆，现为复旦大学计算机科学技术学院青年副研究员，2017年博士毕业于香港中文大学信息工程系，主要研究人工智能系统安全，移动安全。
李武军
李武军，南京大学计算机科学与技术系副教授，博士生导师。主要研究方向为人工智能、机器学习与大数据。CCF高级会员。
李睿
李睿，国防科技大学计算机学院讲师，主要研究方向为操作系统。
中国计算机学会
微信号：ccfvoice
长按识别二维码关注我们
CCF推荐
【精品文章】
CCF发布2017-2018中国计算机科学技术发展报告
形式化方法的研究进展与趋势
大图数据管理与分析技术
点击“阅读原文” ，下载和浏览报告。
又是迪拜：全球最高酒店又被刷新！你应该还没见过
本文授权并转载于微信订阅号：树莓精选（微信搜索：shumeihotel）， 更多酒店测评， 美食指南，生活方式，敬请关注树莓精选微信订阅号。
/ 究竟是世界最高酒店，还是一场骗局？/
最 近写了好多豪宅资讯，终于又有网红酒店可以聊了~~~你们知道吗？世界最高酒店的记录又又又被刷新啦 ，一座总高度360米的酒店建筑即将称霸全世界！万万没想到，现在全球TOP3最高酒店建筑都被迪拜给拿下了！
▲ 注意哦！一般来说最高酒店应该是指酒店+建筑的一个组合体，不像我们公认的在建筑上最高的酒店，比如广州瑰丽，在迪拜最高酒店评选来自以酒店为主的高层建筑；
三家世界最高酒店高度差分别为1米与4米，数字看似很简短，里面却是迪拜开发商力图爬上世界巅峰的野心（迪拜戏真的很多）！
▲ 这家全新的最高酒店正在建设中，预计2023年竣工开业，就是不知道这次疫情对迪拜的地产经济有没有很大影响…………
虽然我住酒店并不是那种很在意酒店高度的人，但还是被这家叫Ciel的建筑设计给震撼到了，主要是它配有世界最高无边泳池（秒杀新加坡金沙的泳池），而且这个泳池还有360度的景观，相当于把建筑顶层给挖空了！
▲ 360度的景观直接俯瞰一望无际的阿拉伯海湾和棕榈岛！想想看，在这个泳池拍背景照该有多震撼？估计一开业就有一堆ins网红来这拗造型拍照了；
废话不多说，咱们先来看看Ciel酒店的官方视频，这栋建筑外观及内部设计风格，相信足够可以震撼到你（至少我看完后忍不住惊呼阿拉伯土豪的审美终于在线了）
迪拜开发商版后宫甄嬛传，一代更比一代强！
说起迪拜你会想到什么？纸醉金迷的名流派对？随处可见的改装超跑？N多奢侈品商店的顶级百货？…
对于我来说，迪拜给我最大的印象就是特别爱争第一，比如一座繁华的城市需要许多建筑来打造，迪拜几乎容纳了全世界的建筑第一（还蛮多山寨版的），特别是爱比较最高建筑。
▲ 我在阿联酋玩的时候司机就喜欢指着路边的奇怪建筑给我介绍，就算很多copy了海外的建筑，他们依然会引以为豪；
今天介绍的Ciel酒店就是典型的例子，酒店全称叫做Ciel Tower， 它的地理位置超级有意思，地处迪拜最繁华的海滨商圈Dubai Marina，这一片几乎是迪拜最高的几栋建筑物聚集地。
▲ 仔细看图上这条路的末端，所谓的“七星级”帆船酒店就在不远处，和这边全新的高层建筑相比，似乎有点没有那么霸气了~
它的旁边百米不到就是世界高扭曲大楼卡延塔（Cayan tower），这栋建筑因为造型很扭曲几年前很出名，耗资81亿美金，总高度310米（比Ciel tower矮了50米），算是曾经的全球Top建筑之一了。
▲ 这栋卡延塔卖的全是豪华公寓而不是开酒店，每层楼都在增加一个旋转弧度，总的来说每个户型看到的景观都是独一无二的；
然后对面是迪拜山寨版帝国大厦，这些建筑各个都很气派，感觉就是开发商版·后宫甄嬛传有没有！每年都在比谁家建筑更酷炫更夺人眼球，火了一阵后又马上被新人给超越！
▲ 迪拜码头商圈最高建筑榜单，Ciel tower建成后将排名第4位，似乎迪拜正在往阿联酋版“曼哈顿”方向发展ing；
建设笔直的摩天高楼看似不是很难，不懂的人只会觉得这是土豪们之间的作品竞争，实际上大厦越往高处建造，所考验的技术越发复杂，需要超级牛的建筑团队才能确保大楼不会烂尾。
Ciel Tower的亮点不仅在于它将会是迪拜的一座标志性建筑，还有一大亮点在于它的建筑设计师团队，居然是大名鼎鼎的NORR， 开发商绝对大放血了！
Norr是来自加拿大的建筑事务所，已经连续N多年作品各种获奖，其中最具有代表的作品就是世界最高建筑哈利法塔（Khalifa Tower）啦，它的高度在828米，同时也是迪拜最高的大楼。
▲ 除了哈法利塔之外，迪拜的阿联酋大厦、亚特兰蒂斯棕榈酒店，多伦多机场等作品也来自NORR建筑团队；
整栋酒店共有77层楼，容纳了1042间豪华客房，跟曾经的世界最高最大迪拜JW万豪客房容量类似，几乎整栋楼都用来打造酒店，而不是商住结合共同使用。
阿联酋首家侘寂风格酒店，360全景眺望阿拉伯海湾！
这家新酒店的内部设计跟阿联酋其他土豪酒店风格差距特别大，在这里你看不到金碧辉煌的中东皇室风格，反而是超级简朴的日本侘寂风（Wabi-sabi）。
卡戴珊很出名的天价豪宅就是这种风格，我们可以理解为有钱人装穷=侘寂 ，在欧美已经很流行，中东等于没有。
▲ 侘寂源自日本茶道，然后现在被广泛运用到酒店和豪宅设计中；
所以我才会出乎意料的感觉开发商在迪拜玩票……毕竟这完全脱离了土豪国本地人的审美水平，没有大红大绿的客房设计，Ciel Tower真的能在迪拜混下去吗？
▲ 通常住阿联酋的酒店，无论五星级 还是“七星级”，价格再贵酒店的风格也都偏向中东审美，很多外国人是不能接受的；
其实，Ciel Tower的风格属于率先在阿联酋打造出了第一家日本侘寂风的酒店，无论是七星级帆船还是高逼格的阿玛尼酒店，在整个阿联酋五星级酒店里很少有这种日式风格。
▲ 侘寂风格说人话的解读就是，用简约纯朴的材料打造一个室内，比如Ciel酒店会用绿植、草编地毯、石灰色墙壁地板等贴近自然的色调来布置出一个宁静氛围的房间；
目前市面上主打侘寂风的酒店通常能够卖出一晚超高的价格（比如纽约格林威治一晚8000美刀），侘寂也是高端酒店主打的一种新派风格，开发商明确的知道应该为自己的酒店定义高级审美，对于整个阿联酋酒店圈有着进步的意义。
▲ 客房走廊设计有点像迪拜阿玛尼酒店的走廊，但Ciel更加明亮清新，采光格局也设计的非常好，大楼户外墙壁还布置了绿植；
房间面积看似不大，景观却秒杀了很多本地酒店，超大落地窗正对着阿拉伯湾的景观，再加上Ciel Tower这种神似Edition的风格，在土豪国酒店圈内算是一股清流的存在了。
▲ 这张图应该是酒店的套房图，客厅不算大，风格一点也不豪奢；
房间主打纯白+草木色调，每间房都配有全景落地窗，书桌台也被设计在落地窗前，可以坐在窗前边喝茶边感受阿拉伯海的黄昏。
▲ 每个客房的墙壁都有一篇浮雕叶子的形状，但是官方没有说明叶子的含义，我查了也不像迪拜和阿联酋的地图图案，求懂的大神解答一下；
因为酒店地理位置比较特别，未来面向海的那一边也不会有新的高层建筑物挡住景观视线。
▲ 转角套房的景观简直无敌，这家酒店客房地毯跟北海道二世谷柏悦貌似是同款，都是日本传统的BORO（补丁）草编毯，难得在阿联酋还能看到这么日式的酒店~
比起迪拜其他本土开发商，Ciel Tower的风格才是真正的为住客服务，而不是以开发商自己的审美来建酒店。
或许它的面向客户群体不会是阿拉伯本地人，但是棕榈湾这边商圈的海外游客特别多，各国年轻人的审美更偏向于Ciel这种风格，官方也透露他们的客户群体以游客偏多~
参考阿联酋其他类似容量的酒店，Ciel Tower的基础客房面积应该在40m²左右，相信开业后房价也不会太贵，无论是情侣还是亲子出游都很合适。
酒店餐厅的设计有点偏向美式风格，落地窗设计类似上海柏悦的西餐厅，挑高约有4m，整个空间显得很宽敞明亮，未来也将入驻世界一流的餐厅。
再有亮点便是这个配备高空休息厅的无边泳池设计，它将超越闻名世界的新加坡金沙无边泳池，只要这栋楼不烂尾，绝对可以成为世界级的景观泳池。
▲ Ciel Tower的设计在2019年国际房地产大奖中获得了三个主要奖项：最佳国际酒店建筑奖，最佳阿拉伯酒店建筑奖和最佳阿拉伯高层住宅建筑奖；
迪拜兴起的酒店投资，五星级酒店骗局的开始？
我在了解Ciel Tower酒店背后开发商的时候，发现这家叫The First group的开发商一直在推荐海外人士投资Ciel的酒店项目，这让我产生了非常大的兴趣！
▲ The first group集团创立于2005年，主打开发酒店项目，算是在迪拜当地成长速度很快的年轻开发商；
相信喜欢投资海外项目的宝宝可能都有稍微考虑过阿联酋置业，随着迪拜旅游业的兴起，并且当地房价也不算特别贵，所以很多中国人会考虑在那买些房产项目出租赚点钱。
于是迪拜的开发商就拼命的建造住宅大楼，与其说是比谁开发的资产更气派，不如说大家都是为了赚钱恰饭，一座地标性建筑带来的投资效益比普通大楼要好得多。
▲ 比如我开头提到的世界最扭曲高楼Cayan Tower，整栋楼都是对外出售的小户型公寓住宅；
当地开发商的盈利模式主要也有3种：住宅、酒店式公寓、纯酒店，以前我们听说过最多的都是前两种，但是阿联酋的楼市经济实在是太泡沫了，随便一个金融危机就可以垮掉一大半，近两年去阿联酋买房的人越来越少。
然后就兴起了阿联酋酒店投资项目 ，业主可以直接买下酒店内一处房间的永久拥有权，开发商再支付租金和投资回报给业主，在主打旅游经济的阿联酋看似是个不错的投资项目。
像Ciel Tower问世以后就是世界最高地标性酒店，这将会成为开发商对外出售酒店资产的一个主要亮点，关于酒店投资我们也可以从The First Group的做法来进行更多了解。
The First Group是迪拜房地产里比较少有的海外集团 ，它的创始人及团队成员大多来自英国（迪拜最早的“小渔村”开发历史跟英国投资者也有关系），这个集团在迪拜开发的项目比较少，多数与酒店有关系。
一般开发商负责开发地产项目，然后再与知名的连锁酒店品牌合作，The First Group已知的酒店品牌伙伴有温德姆，千禧和卓美亚，3者都是豪华五星级酒店品牌，但称不上超高端品牌。
从Ciel Tower的酒店客房容量来说，建成后的酒店合作品牌应该类似于这3家，走的是房价不会太高，争取入住率很高的那种经营路线。
开发商会对外出售酒店房间，业主购置后无需考虑装修、家电或出租率等问题，比起投资住宅那些要方便很多。
由开发商+酒店物业一站式负责到底，在酒店入住率稳定的情况下，业主的盈利通常在总投资价格的四六开，40%的总回报给业主，60%用来给开发商或是这个酒店管理部门进行分摊人员成本、物料成本的。
▲ 业主虽然没有使用权，但可以享受一些特权服务，比如每年可以免费入住酒店14天，享受集团服务和迪拜短暂旅行；
虽然这种模式看起来不错，但是弊端也很多，阿联酋有很多大楼最开始打着世界第一的旗号风风火火的建造，最后不得不因财政腐败或金融危机集体烂尾，投资人的钱很多都是打水飘。
▲ 这是全球最有名的烂尾高楼项目图，在过去的十年中，光迪拜一个城市超过300m的烂尾高楼就有多达5座；
The first gourp的Ciel Tower项目目前网上通稿不多，很多酒店的详细信息也没有标注清楚，只是清一色的要大家来投资它们的酒店，甚至开发了业主参观项目的迪拜旅行项目。
▲ 这种旅行项目可以考察集团的房产，投资经纪人会带着客人在迪拜玩一圈，确定投资后再返回旅行的钱给业主；
它的愿景的确很好，但是在投资一处连地基都没有打好的酒店前，最好要考虑清楚，我就觉得官网故意模糊酒店详情拼命打广告就有点水，而且Google地图上还有投资人在吐槽Ciel Tower
▲ 不确定评论真实性，但这个说法透露出了阿联酋许多地产项目的真实情况，项目无限期延长、超高投资价格；
现在国内很多媒体都在大肆宣传着这栋即将问世的世界最高酒店，但是谁也不能确定到了约定好的2023年时，这个项目是成功竣工举世瞩目，还是以一个烂尾项目默默的消失在大众的视线中。
总结
我记得自己第一次看到迪拜神奇的帆船酒店或是哈法利塔时，总觉得十分新鲜刺激，但这些年迪拜喜欢争世界第一的新闻早已让人屡见不鲜，甚至有点审美疲劳。
阿联酋当地土豪喜欢斥巨资请欧美知名的建筑大神来开发夺人眼球的地产项目，特别是迪拜，总给我感觉像是一个虚构的天堂岛，那些超奢华的建筑里充斥着享乐主义。
在迪拜纸醉金迷的背后，一方面有着阶级化十分明显贫与富。
当地七星级的酒店马桶都可以奢侈到用纯金来打造，而那些参与建设这些所谓的“阿联酋第一，世界第二”建筑的人，他们的生活是在55度高温的天气下每日劳作长达14小时，十多名工人挤在一个小房间里。
另一方面则是这里奢靡的太梦幻，就像个没有归属感的地方，就算是阿联酋首富也忍不住全球到处投资豪宅，根本不会选择真的在阿联酋度过一生。
迪拜的商业广告也都是劝大家来当地投资，大家来到这里只想到消费、投资，一切与钱相关的产物。
在迪拜玩到腻了以后，快感也消失殆尽，你还会觉得这是一个让人感到十分幸福的地方吗？起码我不会。