报告题目1：

低时延高吞吐内存计算系统

报告人：

陈海波（上海交通大学教授\华为操作系统实验室主任）

摘要：

内存计算能够提供相对于磁盘为中心计算超过1000倍的数据访问速度，这也为提升事务处理等速度提供了新的机遇。该报告将介绍我们最近以提供每秒数百万次事务每秒内存事务的研究工作。具体来说，我将介绍如何利用诸如HTM和RDMA之类的新型硬件特性来提供更好的单节点和分布式内存交易，如何改进操作系统和处理器架构以进一步简化和改进内存中事务处理，以及如何根据需要调整并发控制协议。

报告人简介：

陈海波，上海交通大学软件学院教授，主要研究方向为系统结构, 操作系统与系统虚拟化等。曾在麻省理工学院参与众核操作系统研究，并曾在着名虚拟化公司VMWare加州总部从事可信虚拟化的研究。曾担任国际着名学术会议ACM亚太系统会议(APSys 2011)的共同主席并担任多个国际顶级学术会议如国际操作系统原理大会(SOSP 2013), 欧洲系统大会(EuroSys 2013, 2014)，国际并行体系结构与编译技术(PACT 2013), USENIX技术年会(Usenix ATC’2012)等的程序委员会委员。相关研究成果发表在诸多国际顶级会议如国际操作系统原理大会(SOSP)，USENIX操作系统设计与实现大会(OSDI)，国际体系结构大会(ISCA), 国际微处理结构大会(MICRO), 国际高性能体系结构大会(HPCA)，国际软件工程大会(ICSE), 国际并行处理原理与实践大会(PPoPP)与IEEE Transactions on Software Engineering等。博士论文"云计算平台可信性增强技术的研究"获得2011年全国优秀博士论文及2009年中国计算机学会优秀博士论文奖。

报告题目2：

智能云端时代的分布式系统研究

报告人：

周礼栋（微软亚洲研究院副院长）

摘要：

计算机系统的发展和创新是我们进入智能云端时代重要和持久的推动力量。硬件系统（例如xPU）的多样性，以及新型智能系统和服务的复杂性和独特性给分布式系统研究带来一系列新的机遇和挑战，也为计算机系统研究提供了重新定义理论、协议、方法学和抽象的全新机会。

报告人简介：

周礼栋博士现任微软亚洲研究院副院长，负责微软亚洲研究院-微软（亚洲）互联网工程院人工智能系统联合中心，主要从事大规模分布式系统、存储系统、无线通讯和网络，以及系统安全和可靠性方面的研究。

周礼栋博士于2002年加入微软公司，曾任职微软硅谷研究院研究员、微软亚洲研究院和微软雷德蒙研究院系统研究组首席研究员。他的研究一直推动着可靠及可扩展的分布式系统的理论和实践进步，为在线云服务提供支持，与此同时，他还对实时部署的大规模服务做出了重要的技术贡献。多年来，周礼栋博士在设计和开发大规模分布式系统方面扮演了重要的技术角色，这些系统支持着微软从搜索引擎、大数据基础设施、云可靠性和可用性到AI基础设施的主要服务。周礼栋博士是计算机学会计算机存储会刊（ACM Transactions on Storage）编委会成员，曾担任国际计算机系统会议（SOSP, OSDI, NSDI, PODC, ASPLOS, EuroSys, SoCC, 和DISC）的程序委员会成员，第一届亚太系统研讨会 （APSys）程序委员会联合主席，以及2017第26届操作系统原理大会（SOSP’17）联合主席。周礼栋博士毕业于复旦大学，并获得了计算机科学学士学位，之后在康奈尔大学深造，先后获得计算机科学硕士及博士学位。

报告题目3：

解决云系统软件中的可靠性和性能错误

报告人：

卢山（美国芝加哥大学副教授 ）

摘要：

In the big data and cloud computing era, software systems are getting more complex and are encountering new types of reliability and efficiency problems that cause major economic losses. This talk will discuss a few types of unique reliability and efficiency problems encountered by cloud infrastructure systems and cloud application systems. I will present empirical studies that help understand these challenges and discuss techniques that can help tackle these problems.

报告人简介：

Shan Lu is an Associate Professor in the Department of Computer Science at the University of Chicago. She received her Ph.D. at University of Illinois, Urbana-Champaign, in 2008. She was the Clare Boothe Luce Assistant Professor of Computer Sciences at University of Wisconsin, Madison, from 2009 to 2014. Her research focuses on improving the reliability and efficiency of large software systems. Shan has won Alfred P. Sloan Research Fellow in 2014, Distinguished Alumni Educator Award from Department of Computer Science at University of Illinois in 2013, and NSF Career Award in 2010. Her co-authored papers won Google Scholar Classic Paper 2017, USENIX Best Paper Awards at OSDI 2016 and FAST 2013, ACM-SIGSOFT Distinguished Paper Awards at ICSE 2015 and FSE 2014, an ACM-SIGPLAN Research Highlight Award in 2011, and an IEEE Micro Top Picks in 2006. Shan currently serves as the Vice Chair of ACM-SIGOPS and the Associate Editor for IEEE Computer Architecture Letters. She also served as the technical program co-chair for USENIX Annual Technical Conference in 2015.

报告题目4：

面向操作系统内核升级的静态分析技术

报告人：

陈渝（清华大学副教授）

摘要：

Introducing kernel modules is a popular way to add new features to OS kernels, but modules developed for a specific kernel version typically do not work in newer versions due to the non-stable internal interfaces. Authors of out-of-tree kernel modules or other special kernel features have to take constant efforts to follow internal API changes by manually inferring update patterns of API uses from the commits, which is rough since a commit may contain multiple patterns as well as irrelevant changes. Based on an empirical study of real-world API-changing commits from the Linux kernel, this talk proposes an AST based approach that automatically detects similar changes and infers abstract patterns while filtering out irrelevant ones. Macro invocations and callback-related contexts are retained to improve accuracy. The generated patterns can be used to automatically upgrade out-of-tree modules using smPL. Our evaluation shows we can correctly infer 69.1% of the studied update patterns of API uses with 95.6% average precision and 90.1% average recall.

报告人简介：

陈渝，清华大学计算机系副教授，博士生导师。主要研究方向是操作系统，包括操作系统多核性能优化，操作系统安全与可靠性分析，操作系统实时性分析，新型操作系统，虚拟机性能优化，已完成和正在负责的项国家自然科学基金项目3项，国家863基金项目1项等，在操作系统相关领域的国际重要会议如ASPLOS，VEE ICPP, CLUSTER,  PACT,  MASCOTS, ICPADS，DSN等，和国际期刊如  IEEE Computer, ACM TACO，CCPE, TCJ,发表了多篇学术论文。获2014年高等学校科学研究优秀成果一等奖（排名第三），2015年国家科技进步二等奖（排名第三）。