AdaSprite: Resource-efficient Online Co-Adaptation for V2I Systems Under Large-scale Data Drifts

Lehao Wang, Zhiwen Yu, Sicong Liu et al. · 2026-08-17

🎯 核心问题
车路协同（V2I）场景需要在边缘服务器上同时运行多个 Vision Mixture-of-Experts (V-MoE) 模型以处理多视角视频流。问题在于：V2I 数据在分钟到小时级别产生大规模分布漂移，模型需要持续在线适应（co-adaptation），但边缘资源极度受限。现有方案要么依赖云端（延迟高、隐私风险），要么在设备端牺牲精度，无法在有限 DRAM 下高效并发多个适应任务。

🔧 关键方法
AdaSprite 提出三层优化机制：(1) 协作弹性伸缩（cooperative elastic scaling）优化 expert 生命周期来减少 DRAM 碎片和不均衡问题；(2) 利用 V-MoE 稀疏激活的可预测模式做多级复用（multi-level multiplexing），实现 memory-I/O 的高效重用；(3) 双缓冲调度（twin-buffer scheduling）利用稀疏性隐藏任务切换开销。与传统做法的关键差异在于：它不是单独优化单个模型的推理/微调，而是将"多个 V-MoE 并发适应"作为一等公民来设计资源管理策略，显式探索受限边缘资源下的并发上界。

📊 实验或论据
在弱边缘设备上评估，AdaSprite 支持最多 17 个并发 V2I 任务（baseline 仅 6 个），SLO 达成率提升 1.6×，吞吐提升 2.1×。同时支持用户在精度与并发之间做秒级权衡。具体硬件平台和 Linux 版本在 abstract 未详细说明，需读全文。

⚠️ 局限
评估聚焦 V2I 场景，V-MoE 的稀疏激活可预测性假设可能在其他动态负载（如通用边缘 AI 推理）下不成立。此外"弱边缘"的硬件规格未在 abstract 明确，可迁移性待验证。

💼 对系统人的启示
对做边缘推理系统、模型 serving 框架的工程师有直接参考价值——尤其是"DRAM 碎片化管理 + 稀疏模型的 I/O 复用"这组思路，可以迁移到其他 MoE 推理场景（如 LLM MoE 的边缘部署）。双缓冲调度降低任务切换开销的手法也值得借鉴。

CryptDough: A Unified Analytics Engine for Secure Multiparty Computation

Muhammad Faisal, Alessandra Lanz, Sam Buxbaum et al. · 2026-08-18

🎯 核心问题
现有安全多方计算（MPC）系统通常只支持单一威胁模型或单一工作负载类型（关系查询 OR 时序分析 OR ML 推理），无法在同一运行时内统一处理跨域分析。多个不互信方需要联合执行数据分析 pipeline 并只获得聚合结果，现有方案要么需要拼装多个系统，要么只覆盖部分场景。

🔧 关键方法
CryptDough 核心贡献有二：(1) 分层系统设计（hierarchical design），通过逐级抽象降低（progressive lowering）实现模块化和可扩展性——用户层 → 中间表示 → 协议层 → 执行引擎；(2) "虚拟向量"（virtual vectors）抽象，允许用户在整个软件栈各层写单线程代码，通信、并行化和内存管理的复杂性全部下推到执行引擎。与 OS 的关联在于其运行时的内存管理和通信调度——这是一个系统工程问题而非纯密码学问题。

📊 实验或论据
论文声称 CryptDough 泛化了 SOTA MPC 系统的功能，且在已有系统支持的分析任务上保持竞争力，经常超过对手 2× 以上。具体 benchmark 细节（通信轮次、参与方数量、网络配置）在 abstract 未展开，需读全文。

⚠️ 局限
主分类为 cs.CR（密码学），OS 相关性主要体现在运行时系统设计层面。2× 的性能优势来源（是系统优化还是协议选择）需要读全文才能判断。统一运行时的工程复杂度是否真正低于"组合多个专用系统"也值得推敲。

💼 对系统人的启示
"虚拟向量"隐藏通信/并行/内存复杂性的设计模式，与 OS 中 virtual memory 隐藏物理内存细节异曲同工，对分布式运行时设计有启发。但如果你不做隐私计算相关的系统，这篇的直接可用性有限。

本周仅 2 篇论文，无明显机构集中现象。CryptDough 团队包含 Mayank Varia、Vasiliki Kalavri 等（波士顿大学系统安全方向活跃研究者）；AdaSprite 团队来自中国高校（Yu Zhiwen 等为普适计算/边缘智能方向）。

本周 cs.OS 仅 2 篇投稿，样本量不足以断言趋势。但两篇论文有一个共同主题：将复杂的分布式/并行计算的资源管理问题封装在运行时层——AdaSprite 把 MoE 并发适应的 DRAM/I/O 管理下沉到调度层，CryptDough 把 MPC 通信与并行化推到执行引擎。这种"把系统复杂性从应用层下推到 runtime"的思路在 AI 时代尤为重要：当 workload 变得高度动态、异构时，OS/runtime 层的抽象设计决定了上层应用的工程效率。