报告时间：2022年6月5日（周日）14:30-18:00

报告地点：线上腾讯会议，会议ID（209-726-805）

报告一：

报告题目：资源受限的联邦学习:理论分析与优化设计

报告人：李骏，南京理工大学无线传感网研究所所长、教授、博士生导师

报告摘要：

随着物联网技术的高速发展，智能设备所生成的数据呈现爆炸性的增长。由于无线终端用户设备的计算能力不断提高，以及用户对数据隐私的日益关注，一种新的机器学习范式，即联邦学习，受到广泛关注。联邦学习通过终端设备上的本地训练与中央服务器端的模型聚合，保证数据不直接传输并训练出全局学习模型，因此其在许多实际领域显示出巨大的潜在价值。本报告将重点讨论资源受限环境下的联邦学习，对其收敛性能进行分析，框架设计和优化。本报告由三个部分组成。首先，从安全的角度讨论了具有差分隐私和外部模型攻击的联邦学习。进而引入一种基于区块链的去中心化的联邦学习架构来解决单点失效问题，并对模型抄袭问题进行性能分析和防御机制设计。此外，本报告介绍无线场景下联邦学习框架，通过联合优化计算和通信资源来提高联邦学习的性能。最后，本报告还将提出现有的挑战和未来的研究方向。

报告人简介：

李骏，南京理工大学无线传感网研究所所长、教授、博士生导师，研究方向为通信、计算以及控制融合的分布式人工智能架构与方法及其在工业互联网中的应用相关研究。第十三批国家特聘青年专家，工信部工业互联网项目首席科学家，于2015年入选江苏省特聘教授、2018年入选江苏省双创人才、2019年入选江苏省双创团队，2022年入选中国电子学会优秀科技工作者。面向信息论、博弈论、随机优化理论和人工智能的交叉融合，围绕人机物融合的雾计算和区块链架构、网络多智能体博弈与优化、边缘智能中的隐私和安全等领域开展研究，并取得了系统性创新研究成果，发表学术论文270余篇。

报告二：

报告题目：基于函数即服务的工作流高效调度系统

报告人：陈全，上海交通大学计算机系教授、博士生导师

报告摘要：

服务器无感知计算（函数即服务）是云计算的未来发展方向。传统的服务器无感知计算中的函数调度并未考虑到复杂工作流，造成其跨节点通讯多，性能差。为此，解决该问题，我们提出了一个面向函数即服务工作流的高效函数调度系统，通过减少函数分发开销，优化函数间通信等方法，显著提高了工作流的运行性能。

报告人简介：

陈全，上海交通大学计算机系教授、博士生导师，研究方向为计算机系统、云计算。获得中国计算机学会优秀博士学位论文奖、上海市优秀博士学位论文奖、阿里巴巴青橙奖。担任SCI期刊Parallel Computing编委、FCS期刊青年编委；主持及参与国家自然科学基金青年基金项目、重点研发计划项目等。曾获国家技术发明二等奖、教育部自然科学一等奖、教育部科技进步一等奖、上海市技术发明一等奖。

报告三：

报告题目：多版本共存微服务系统的最优演化规划与执行

报告人：涂志莹,哈尔滨工业大学计算机科学与技术学院副教授、博士生导师

报告摘要：

基于微服务的系统由一组微服务组成，这些微服务是为敏捷DevOps独立开发和部署的。为了适应用户需求的变化，对微服务进行密集的、迭代式的调整和升级是非常必要的，从而导致系统中出现“多版本微服务共存”的现象。不同微服务之间除了传统的基于API的函数依赖关系外，不同版本的微服务之间也存在着复杂的依赖关系。复杂的依赖关系极大地降低了微服务系统的可维护性，特别是当系统进化以适应用户需求变化时。为了应对这一挑战，提出了一种版本依赖模型来描述不同版本微服务之间的复杂依赖关系，并提出了一种基于贪心的优化算法来生成最优演化计划。实现了一个编程框架（MF4MS）和基于云边缘的基础设施（MI4MS)，以便于微服务系统自动执行演化计划。

报告人简介：

涂志莹,哈尔滨工业大学计算机科学与技术学院副教授、博士生导师，研究方向为大服务、服务互联网、认知服务。2007年和2009年获得哈尔滨工业大学软件工程学士和硕士学位，2013年获得波尔多大学生产信息化和自动化博士学位。曾获中国人工智能协会人工智能技术进步一等奖(2020年)、黑龙江省教育教学成果奖一等奖(2020年)。

报告四：

报告题目：智能化Web系统

报告人：马郓，北京大学人工智能研究院研究员、博士生导师

报告摘要：

自20世纪90年代初图灵奖得主Tim Berners-Lee发明Web以来，Web一直是人工智能研究和实践的重要领域，从搜索引擎、推荐系统，到社交网络、语义网，Web的发展和壮大离不开人工智能的推动；而通过Web发布和共享的海量数据为人工智能的发展提供了原动力，同时亿万Web用户也成为人工智能最广泛的服务对象。随着以深度学习为代表的人工智能技术迅猛发展，人工智能应用的广度得以快速延展，对Web提出了新挑战，也为Web的发展带来了新机遇：一方面，Web需要在底层与人工智能深度结合以应对人工智能应用发展的需要；另一方面，Web自身也可借力人工智能实现应用的快速开发和演化。本报告将从Web系统支撑智能化应用开发运行和数据智能驱动的Web系统运行时优化两个方面介绍智能化Web系统的研究探索。

报告人简介：

马郓，北京大学人工智能研究院研究员、博士生导师，研究方向为智能系统软件，主要关注Web系统和移动计算系统的设计和优化。在WWW、FSE、IEEE Trans on Mobile Computing、ACM Trans on the Web、Science China Information Sciences、软件学报等国内外知名会议和期刊发表论文30余篇，获10余项授权发明专利。研究成果曾入选顶级期刊IEEE Trans on Mobile Computing亮点论文，曾获IBM PhD Fellowship、北京大学五四奖章等荣誉奖励。