近年来，大语言模型在多个领域展现出卓越的性能，显著改变了人类的生活方式. 然而，随着模型规模的不断增长和用户对长上下文推理需求的增加，大语言模型推理系统在存储方面面临诸多问题. 首先，庞大的模型参数和键值缓存导致GPU显存资源不足；其次，分布式大语言模型推理系统难以充分利用GPU集群的存储资源，存在资源过度配置和存储容错的问题. 因此，从显存优化、异构存储和分布式存储3方面入手，归纳总结了现有研究在解决GPU显存容量不足和资源利用率低下方面的努力. 基于显存优化的大语言模型推理系统通过高效的键值缓存管理、压缩以及注意力算子优化，提高了GPU显存利用率，降低了显存占用. 基于异构存储的大语言模型推理系统利用多种类别的存储资源扩展存储容量，通过张量放置策略、异步数据传输以及智能显存分配与预取技术，降低了异构存储带来的I/O开销. 基于分布式存储的大语言模型推理系统通过批处理、多级调度、冗余复制等策略，优化了多机存储和计算资源的利用，提高了大语言模型推理任务的执行效率和容错能力. 最后，总结了现有研究，并对未来的研究方向进行了展望.

随着自然语言处理与深度学习技术的快速发展，大语言模型在文本处理、语言理解、图像生成和代码审计等领域中的应用不断深入，成为了当前学术界与工业界共同关注的研究热点. 然而，攻击者可以通过对抗性攻击手段引导大语言模型输出错误的、不合伦理的或虚假的内容，使得大语言模型面临的安全威胁日益严峻. 对近年来针对大语言模型的对抗性攻击方法和防御策略进行总结，详细梳理了相关研究的基本原理、实施方法与研究结论. 在此基础上，对提示注入攻击、间接提示注入攻击、越狱攻击和后门攻击这4类主流的攻击模式进行了深入的技术探讨. 更进一步地，对大语言模型安全的研究现状与未来方向进行了探讨，并展望了大语言模型结合多模态数据分析与集成等技术的应用前景.

近年来，以ChatGPT为代表的大语言模型（large language model，LLM）技术发展迅速. 随着模型参数规模的持续增长，构建和应用大模型对数据存储规模和存储访问效率提出了更高要求，这对传统存储系统带来了严峻挑战. 首先分析了大模型在数据准备、模型训练和推理阶段的存储访问特征，深入探讨了传统存储系统在大模型场景下面临的主要问题和瓶颈. 针对这些挑战，提出并实现了一种高性能、可扩展的分布式元数据设计ScaleFS. 通过目录树元数据与属性元数据解耦的架构设计，并结合深度与广度均衡的目录树分层分区策略设计，ScaleFS实现了高效的路径解析、负载均衡和系统扩展能力，能够高效管理千亿级文件. 此外，ScaleFS设计了细粒度元数据结构，优化了元数据访问模式，并构建了面向文件语义优化的元数据键值存储底座，显著提升了元数据访问效率并减少了磁盘I/O操作. 实验结果表明，ScaleFS的每秒操作次数(operations per second，OPS)是HDFS的1.04~7.12倍，而延迟仅为HDFS的12.67%~99.55%. 在千亿级文件规模下，ScaleFS的大部分操作性能优于HDFS在十亿级文件规模下的表现，展现出更高的扩展性和访问效率，能够更好地满足大模型场景对千亿级文件存储及高效访问的需求.

大语言模型（large language model，LLM）技术热潮对数据质量的要求提升到了一个新的高度. 在现实场景中，数据通常来源不同且高度相关. 但由于数据隐私安全问题，跨域异质数据往往不允许集中共享，难以被LLM高效利用. 鉴于此，提出了一种LLM和知识图谱（knowledge graph，KG）协同的跨域异质数据查询框架，在LLM+KG的范式下给出跨域异质数据查询的一个治理方案. 为确保LLM能够适应多场景中的跨域异质数据，首先采用适配器对跨域异质数据进行融合，并构建相应的知识图谱. 为提高查询效率，引入线性知识图，并提出同源知识图抽取算法HKGE来实现知识图谱的重构，可显著提高查询性能，确保跨域异质数据治理的高效性. 进而，为保证多域数据查询的高可信度，提出可信候选子图匹配算法TrustHKGM，用于检验跨域同源数据的置信度计算和可信候选子图匹配，剔除低质量节点. 最后，提出基于线性知识图提示的多域数据查询算法MKLGP，实现LLM+KG范式下的高效可信跨域查询. 该方法在多个真实数据集上进行了广泛实验，验证了所提方法的有效性和高效性.

通过融合布尔逻辑和非易失存储的功能，忆阻状态逻辑电路可以消除计算过程中的数据移动，实现在存储器中计算，打破传统冯•诺依曼计算系统的“存储墙”和“能耗墙”. 近年来，通过构建条件转变到数学逻辑关系之间的映射，已经有一系列存内状态逻辑门被提出，功能覆盖IMP，NAND，NOR，NIMP等多个逻辑运算. 然而，复杂计算过程到存内状态逻辑实现的自动化综合映射方法仍处于萌芽阶段，特别是缺少针对器件磨损的探讨，限制了设备维修不便的边缘计算场景应用. 为降低复杂存内状态逻辑计算过程的磨损（翻转率），实现了一种面向低磨损存内计算的多状态逻辑门综合映射过程. 与领域内熟知的SIMPLER MAGIC状态逻辑综合流程相比，该综合映射流程在复杂计算过程的翻转率上实现了对EPFL，LGSynth91的典型基准测试电路分别平均35.55%，47.26%以上的改进；与最新提出的LOSSS状态逻辑综合流程相比，在复杂计算过程的翻转率上实现了对EPFL，LGSynth91的典型基准测试电路分别平均8.48%，6.72%以上的改进.

近年来存储行业经历了巨大的变革，以固态硬盘（solid state drive, SSD）为代表的半导体存储设备迅猛发展，在性能上显著超越了通过磁头移动寻址的机械硬盘（hard disk drive, HDD）. 目前支持SSD的2种协议主要包括非易失性内存主机控制器接口规范（nonvolatile memory express, NVMe）协议与串行SCSI（serial attached small computer system interface, SAS）协议，即SAS. NVMe是专为SSD设计的高性能存储协议，能够很大限度地发挥SSD的性能；而SAS协议则充分考虑数据中心的需求，在提供高可靠性与高可扩展性的同时，兼顾了系统性能与成本的平衡. 相对于日益增速的存储介质，针对慢速存储设备所设计的软件栈在一次I/O过程中所耗费的时间开销愈发显著. 针对该问题学界及工业界都相继提出了众多解决方案，例如Intel提出的高性能存储开发包（storage performance development kit, SPDK）通过将设备驱动实现在用户空间，并采用轮询感知I/O完成等方式大幅度缩短了NVMe SSD对应用程序的响应时间，极大地提升了整个系统的整体性能. 然而之前的研究工作针对SAS SSD存储软件栈的优化非常有限，为此在用户空间实现了针对SAS SSD的软件栈优化. 实验结果表明，该优化能够有效缩短存储设备对应用程序的响应时间，提高应用对存储设备的访存效率. 此外，为了准确评估I/O栈中存储设备的时间开销，硬件性能测试工具HwPerfIO被提出，能够消除大部分软件开销的影响以测得更加准确的存储设备性能.