大三CS学生求助毕业设计选题：需突破简单应用范畴（受安全限制）

• 轻量级AI模型本地部署优化
  针对嵌入式设备或低配置机器，做一个领域专属的轻量化AI推理系统。比如基于DistilBERT、TinyBERT这类模型裁剪出适配工业日志异常检测、本地文档分类的小模型，用C++或Rust重写核心推理逻辑，测试量化、剪枝、知识蒸馏等优化手段对推理速度、内存占用的影响，最终实现完全本地闭环的模型部署，无需调用外部API或云服务。

• 简易容器调度器的核心实现
  不依赖Docker、K8s等成熟工具，自己开发一个面向单机/小型局域网的轻量级容器调度工具。重点实现基于Linux Namespace和Cgroup的进程隔离、镜像的极简打包（基于chroot）、CPU/内存资源限制、容器进程监控与自动重启功能，用Go或C语言完成核心逻辑，聚焦系统底层的资源管理机制，而非复刻全功能工具。

• 本地传感器数据智能分析系统
  用低成本温湿度、空气质量、光照传感器采集环境数据，搭建一套全本地运行的分析系统：用SQLite存储时间序列数据，用统计方法或轻量机器学习模型做异常检测，用Python Dash或原生HTML/JS实现本地可视化仪表盘，还可以加入GPIO控制逻辑，比如检测到空气质量不达标时自动触发本地风扇。全程无需网络传输数据，结合硬件、嵌入式编程与数据分析能力。

• 小众开源工具的功能扩展与性能优化
  挑选一个轻量级开源项目（比如命令行文件管理器、本地Markdown编辑器、轻量级KV数据库），分析其现有短板并做针对性优化：比如给命令行文件管理器添加批量规则重命名、模糊内容搜索优化；给轻量级KV数据库实现事务支持、内存缓存策略优化。既锻炼代码能力，也能深入理解开源项目架构，所有工作均在本地完成。

• 经典算法的并行化实现与性能对比
  选择排序算法、图最短路径算法或矩阵乘法这类经典算法，基于多核CPU（OpenMP）、GPU（CUDA）或Go Goroutine实现并行化版本，对比串行与并行方案在不同数据规模下的性能差异，生成可视化的加速比图表，分析不同硬件环境下的最优并行策略，聚焦算法与并行计算的核心逻辑，完全基于本地硬件完成。

内容的提问来源于stack exchange，提问作者Tyler