Kubernetes v1.36更新了内存QoS功能，采用cgroup v2内存控制器，提供内存预留、分层保护和可观察性指标。Guaranteed Pods使用memory.min进行硬保护，Burstable Pods使用memory.low进行软保护。新版本允许在节点有足够余量时选择性启用内存预留，提升了内存管理的灵活性和效率。

本研究提出了一种灵活重用近似乘法器的方法，解决神经网络运行时算力资源消耗波动的问题。通过搜索算法，系统可选择合适的近似乘法器子集并再训练，以优化性能，动态调整服务质量。

本文探讨了张量分解在机器学习中的应用，提出了多种模型和方法，如广义低秩张量分解和时空耦合图卷积网络，以提高数据处理的准确性和效率。这些方法在社交网络和动态服务质量预测等领域表现出色，展示了张量网络在大规模数据分析中的潜力。

本研究提出了一种基于交叉层框架的新型业务中心网络(BCN)，通过深度强化学习框架COHA-ES优化资源管理和服务质量(QoS)，提高了资源效率。

本文提出了一种可伸缩的QoS预测策略，结合图卷积和变压器编码器技术，利用自注意力机制自动提取时空特征，从而提升预测准确性和响应速度。研究表明，该方法在处理动态节点属性和数据异常时表现优越，有效解决冷启动问题，并在多个基准数据集上验证了其性能。

本文探讨了基于大型语言模型（LLMs）的推荐系统，提出了判别型和生成型两种推荐方法，并评估了其性能与挑战。研究发现，LLMs在个性化电影推荐中具有较强的推荐解释能力，但在个性化和用户信任方面存在不足。强调提供用户背景信息的重要性，以提升推荐质量。

本文提出了一种基于动量梯度下降的非线性潜在张量因子分解模型（MNNL），旨在从高维不完整张量中提取非负潜在因子，以提高预测准确性和收敛速度。实验结果表明，该模型在交通数据恢复和医疗图像数据集上表现显著，展示了其在智能交通和医疗领域的应用潜力。

本文提出了一种新的视频编码和压缩方法，结合时间相关性和深度学习技术，显著提高了视频质量和压缩效率。实验结果表明，该方法在多个数据集上表现优异，降低了数据传输量和能耗，适用于实时流媒体和监控视频处理。

阿里云计算平台的大数据基础工程技术团队与其他合作伙伴共同开发了一种基于预测的云资源弹性伸缩框架MagicScaler，该框架在成本和QoS方面优于其他经典的弹性伸缩算法。MagicScaler包含一个基于多尺度注意力高斯过程的预测模型和一个考虑需求不确定性的弹性伸缩优化决策器。该框架将与阿里云的MaxCompute调度策略结合应用。

说到openwrt，就不能不提一下QoS。尤其是如果你需要用P2P软件（目前对迅雷的支持还不大好），基本就不能不开QoS。QoS的全称是Quality of...