龙蜥 LoongArch 架构系统研发全揭秘,龙芯中科开辟龙腾计划技术合作新范式 | 龙蜥案例

简介: 龙芯中科与龙蜥社区的合作模式为龙腾计划2.0生态技术合作上提供了新思路。

编者按:在开源新基建加快建设的背景下,越来越多的企业选择加入龙蜥社区,当前社区生态合作伙伴已突破 300 家。于是,龙蜥社区能为加入的企业提供哪些支持成为越多伙伴们更加关注的话题。本文将以龙蜥社区和龙芯中科联合研发龙蜥 LoongArch 架构系统为例,为大家进行详细介绍龙腾计划 2.0 的技术合作新范式。

双龙组合 打造中国操作系统核心能力

龙芯中科成立于 2001 年,全面掌握 CPU 指令系统、处理器IP核、操作系统等计算机核心技术。2021 年 4 月 30 日,龙芯中科正式发布了龙芯架构指令集手册 V1.00,推出 LoongArch 指令集。一种指令系统承载了一个软件生态,龙芯中科为打造 WIntel 体系和 AA 体系之后的第三套生态体系,积极推进 LoongArch 生态建设方面的工作。LoongArch 生态建设在内核、编译器工具链、解释器等诸多国际上游开源社区进展迅速,正在成为与 X86、ARM 并列的顶层生态系统;龙芯也十分重视国内开源社区的合作,因此联合龙蜥社区研发龙蜥 LoongArch 架构系统。


在龙蜥社区的建设工作中,龙芯中科作为社区理事单位,不仅积极参与社区版本技术规划,成立 LoongArch SIG (Special Interest Group 特别兴趣小组),助力龙芯软件生态建设;同时也积极参与社区的相关治理和推广,共同推进龙蜥社区生态可持续发展。

2.png

众志成城 克服 0 到 1 的初期困难

龙芯指令系统(LoongArch®)是龙芯中科基于二十年的 CPU 研制和生态建设积累推出的新指令集,具有较好的自主性、先进性与兼容性的新平台,包括基础架构部分和向量指令、虚拟化、二进制翻译等扩展部分,近 2000 条指令。龙蜥 LoongArch 架构系统是龙蜥社区启动的第三个分支版本,也是社区发行版的重要分支。但在社区初始启动 LoongArch 架构系统研发之时,面临很多困难,比如时间紧、技术人员短缺、龙芯 LoongArch 架构由 0 到 1 的适配、龙芯企业内部维护的系统软件版本与龙蜥社区版系统主要软件版本的取齐等问题。


面对重重困难,社区和龙芯都极为重视,为推进龙芯版本的工作,社区成立 LoongArch SIG 工作组。同时,来自龙芯中科、统信软件、中科方德、万里红、阿里云、红旗软件的社区开发者对小组建设和未来规划做了细致和深入的讨论,一致决定继续逐步建立和丰富多维度、多生态的 LoongArch SIG 小组,如编译器、内核、图形、多媒体、虚拟机、二进制翻译、NET 等各个细分领域。

合作新范式 LoongArch SIG 组成果斐然

经过紧张有序的工作,龙芯先后完成社区 LoongArch 构建系统的部署,内核、工具链、核心系统库、Java 语言虚拟机等核心模块的适配与研发。在 LoongArch SIG 组的推动下,不到 1 年时间里,先后完成了 Anolis OS 8.4 LoongArch 预览版正式版的发布。对于 LoongArch 版本的龙蜥操作系统,用户在使用后,表示出极大的认可。欢迎广大用户能够积极反馈使用中遇到的问题,LoongArch SIG 组的同学都会在后续的版本中认真改进。


2022 年云栖大会龙蜥操作系统峰会上,龙芯中科凭借与社区联合研发龙蜥 LoongArch 架构系统和对社区的大力支持获得了“龙蜥社区优秀合作企业”奖项,并为其颁发了获奖授牌。

3.png

2022 年末,龙芯中科面向服务器领域的通用处理器——龙芯 3C5000 荣获“2022 最佳自主架构服务器芯片奖”。社区发布的龙蜥 LoongArch 架构系统可完美运行在龙芯 3C5000 处理器平台。

深入合作 同源异构版本研发井然有序

龙蜥 LoongArch 架构系统将跟随社区主版本的规划,推动完成同源异构版本的研发,实现龙芯与龙蜥社区的完全同步,提供统一的编译工具链、统一的开发接口(ABI 和 API)、统一的运行开发环境、统一的社区支持。


龙芯中科开发经理表示:“在 Anolis 8.8 同源异构开发过程中,最先要做的就是完成核心软件包的 LoongArch 架构支持工作,涉及到了 Kernel、gcc、binutils、glibc 等 10 多个关键项目。为了开发节奏和代码质量,我们联合社区 OSV 们制定详细的提交计划,并针对项目难度和差异性导致提交时间早晚,调整优先级,协助开发同学完成移植过程中的问题处理,顺利完成 OS 系统构建前的准备工作,大家如此团结一心,体现了为将龙蜥社区做成国际优秀社区的决心和行动,对后续版本的开发和演进都提供了有价值的经验。同时在大家共同努力下,8.8版本正朝着完全同源异构的目标飞速前进。”


加入龙腾计划 2.0:为鼓励合作伙伴在社区探索出更多的商业合作方式,真正牵引企业在龙蜥社区的合作落地,社区推出「龙腾计划 2.0」——龙蜥社区生态发展计划,更聚焦在产品和商业合作本身。目前有技术/产品/商业三大合作方向,首批将重点引导和支持 50 家合作伙伴在社区的合作落地,并打造重点合作企业案例。欢迎广大企业加入,共同打造一个真正有实力、有影响力的龙蜥生态!


龙腾计划 2.0 全文链接:

https://openanolis.cn/page/partner2

—— 完 ——

加入龙蜥社群

加入微信群:添加社区助理-龙蜥社区小龙(微信:openanolis_assis),备注【龙蜥】与你同在;加入钉钉群:扫描下方钉钉群二维码。

640 (5).png

相关实践学习
CentOS 7迁移Anolis OS 7
龙蜥操作系统Anolis OS的体验。Anolis OS 7生态上和依赖管理上保持跟CentOS 7.x兼容,一键式迁移脚本centos2anolis.py。本文为您介绍如何通过AOMS迁移工具实现CentOS 7.x到Anolis OS 7的迁移。
相关文章
|
1月前
|
Kubernetes Cloud Native 微服务
探索云原生技术:容器化与微服务架构的融合之旅
本文将带领读者深入了解云原生技术的核心概念,特别是容器化和微服务架构如何相辅相成,共同构建现代软件系统。我们将通过实际代码示例,探讨如何在云平台上部署和管理微服务,以及如何使用容器编排工具来自动化这一过程。文章旨在为开发者和技术决策者提供实用的指导,帮助他们在云原生时代中更好地设计、部署和维护应用。
|
1月前
|
监控 安全 API
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
本文详细介绍了PaliGemma2模型的微调流程及其在目标检测任务中的应用。PaliGemma2通过整合SigLIP-So400m视觉编码器与Gemma 2系列语言模型,实现了多模态数据的高效处理。文章涵盖了开发环境构建、数据集预处理、模型初始化与配置、数据加载系统实现、模型微调、推理与评估系统以及性能分析与优化策略等内容。特别强调了计算资源优化、训练过程监控和自动化优化流程的重要性,为机器学习工程师和研究人员提供了系统化的技术方案。
156 77
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
|
22天前
|
人工智能 自然语言处理
RWKV-7:RWKV系列开源最新的大模型架构,具有强大的上下文学习能力,超越传统的Attention范式
RWKV-7是RWKV系列的最新大模型架构版本,具有强大的上下文学习能力,超越了传统的attention和linear attention范式。本文详细介绍了RWKV-7的主要功能、技术原理及其在多语言处理、文本生成等领域的应用场景。
114 7
RWKV-7:RWKV系列开源最新的大模型架构,具有强大的上下文学习能力,超越传统的Attention范式
|
6天前
|
监控 JavaScript 数据可视化
建筑施工一体化信息管理平台源码,支持微服务架构,采用Java、Spring Cloud、Vue等技术开发。
智慧工地云平台是专为建筑施工领域打造的一体化信息管理平台,利用大数据、云计算、物联网等技术,实现施工区域各系统数据汇总与可视化管理。平台涵盖人员、设备、物料、环境等关键因素的实时监控与数据分析,提供远程指挥、决策支持等功能,提升工作效率,促进产业信息化发展。系统由PC端、APP移动端及项目、监管、数据屏三大平台组成,支持微服务架构,采用Java、Spring Cloud、Vue等技术开发。
|
26天前
|
机器学习/深度学习 算法 数据可视化
基于深度混合架构的智能量化交易系统研究: 融合SSDA与LSTM自编码器的特征提取与决策优化方法
本文探讨了在量化交易中结合时序特征和静态特征的混合建模方法。通过整合堆叠稀疏降噪自编码器(SSDA)和基于LSTM的自编码器(LSTM-AE),构建了一个能够全面捕捉市场动态特性的交易系统。SSDA通过降噪技术提取股票数据的鲁棒表示,LSTM-AE则专注于捕捉市场的时序依赖关系。系统采用A2C算法进行强化学习,通过多维度的奖励计算机制,实现了在可接受的风险水平下最大化收益的目标。实验结果显示,该系统在不同波动特征的股票上表现出差异化的适应能力,特别是在存在明确市场趋势的情况下,决策准确性较高。
64 5
基于深度混合架构的智能量化交易系统研究: 融合SSDA与LSTM自编码器的特征提取与决策优化方法
|
5天前
|
消息中间件 监控 小程序
电竞陪玩系统架构优化设计,陪玩app如何提升系统稳定性,陪玩小程序平台的测试与监控
电竞陪玩系统架构涵盖前端(React/Vue)、后端(Spring Boot/php)、数据库(MySQL/MongoDB)、实时通信(WebSocket)及其他组件(Redis、RabbitMQ、Nginx)。通过模块化设计、微服务架构和云计算技术优化,提升系统性能与可靠性。同时,加强全面测试、实时监控及故障管理,确保系统稳定运行。
|
1月前
|
机器学习/深度学习 人工智能 并行计算
【AI系统】Kernel 层架构
推理引擎的Kernel层负责执行底层数学运算,如矩阵乘法、卷积等,直接影响推理速度与效率。它与Runtime层紧密配合,通过算法优化、内存布局调整、汇编优化及调度优化等手段,实现高性能计算。Kernel层针对不同硬件(如CPU、GPU)进行特定优化,支持NEON、AVX、CUDA等技术,确保在多种平台上高效运行。
92 32
|
1月前
|
存储 机器学习/深度学习 人工智能
【AI系统】计算图优化架构
本文介绍了推理引擎转换中的图优化模块,涵盖算子融合、布局转换、算子替换及内存优化等技术,旨在提升模型推理效率。计算图优化技术通过减少计算冗余、提高计算效率和减少内存占用,显著改善模型在资源受限设备上的运行表现。文中详细探讨了离线优化模块面临的挑战及解决方案,包括结构冗余、精度冗余、算法冗余和读写冗余的处理方法。此外,文章还介绍了ONNX Runtime的图优化机制及其在实际应用中的实现,展示了如何通过图优化提高模型推理性能的具体示例。
61 4
【AI系统】计算图优化架构
|
21天前
|
机器学习/深度学习 存储 人工智能
基于AI的实时监控系统:技术架构与挑战分析
AI视频监控系统利用计算机视觉和深度学习技术,实现实时分析与智能识别,显著提升高风险场所如监狱的安全性。系统架构包括数据采集、预处理、行为分析、实时决策及数据存储层,涵盖高分辨率视频传输、图像增强、目标检测、异常行为识别等关键技术。面对算法优化、实时性和系统集成等挑战,通过数据增强、边缘计算和模块化设计等方法解决。未来,AI技术的进步将进一步提高监控系统的智能化水平和应对复杂安全挑战的能力。
|
27天前
|
机器学习/深度学习 前端开发 算法
婚恋交友系统平台 相亲交友平台系统 婚恋交友系统APP 婚恋系统源码 婚恋交友平台开发流程 婚恋交友系统架构设计 婚恋交友系统前端/后端开发 婚恋交友系统匹配推荐算法优化
婚恋交友系统平台通过线上互动帮助单身男女找到合适伴侣,提供用户注册、个人资料填写、匹配推荐、实时聊天、社区互动等功能。开发流程包括需求分析、技术选型、系统架构设计、功能实现、测试优化和上线运维。匹配推荐算法优化是核心,通过用户行为数据分析和机器学习提高匹配准确性。
83 3