现在位置: 首页 —> 关于学院 —> 科研亮点

嵌入式与系统结构学科组:

1、面向海洋藻华监测与大电网智能调度的“云-端”一体化智能服务平台

当前,利用云计算技术为各行业提供强大的平台支撑,促进传统行业信息资源的“云化”和业务的“服务化”升级是助推互联网、大数据、人工智能和实体经济深度融合的重要手段。系统结构学科组依托国家自然科学基金重点基金项目《海洋有害藻华生态建模分析与区域污染控制》与国家重点研发计划《大电网智能调度与安全预警关键技术研究及应用》,构建了“云-端”一体化的智能服务平台,包括:(1)异构物联网络多协议融合与转换机制;(2)基于软硬件协同设计的数据实时性跨层调度方法与可信性传递机制;(3)边缘智能云网关原型系统设计;(4)融合智能调度、在线学习、数据分析、区块链等技术的“云-端”协同并行服务框架;(5)海量数据并行处理与智能存储技术。近五年在该领域顶级国际会议DAC/DATE/ICCD/LCTES以及顶级期刊TC/TOS/TCAD/TECS上发表高水平论文十余篇,与国内外学术界和工业界建立和保持了良好的合作关系。

2、面向大数据应用的“统一内外存”存储系统

过去30年间,相比CPU有效时钟周期时间10000倍的提升,传统存储器的性能提升极其有限,严重影响了系统的整体性能,“存储墙”问题日益严重。系统结构学科组依托国家863计划《基于新型非易失性存储器的“统一内外存”系统机构及其关键技术》与《面向大数据应用的新型内存计算系统软件及关键技术》,针对新型非易失存储器(NVM),设计了“统一内外存”的系统架构,有效应对了大数据时代对存储系统的性能和可靠性等方面的需求,包括:(1)“统一内外存”存储架构的设计与原型系统的构建;(2)面向统一内外存架构的新型文件系统与任务调度机制的设计;(3)基于NVM的非易失处理器的研究与设计;(4)基于非易失主存的末级缓存存取策略的优化;(5)基于“裸闪存”的Key-Value缓存系统的优化与实现。以上研究成果发表于FAST/DAC/DATE/TCAD/TOS等国际顶级会议和期刊中,申请数十项国际发明专利与软件著作权。此外,学科组自主构建了多套统一内外存原型系统,读写速度达2GB/s;自主设计的非易失处理器原型在第54届Design Automation Conference(DAC’17)组织的International Hardware Design Contest上获得全球第三名的成绩。

智能计算研究所:

1.无线网络分布式算法与系统
       随着近年来通信技术、传感器技术、嵌入式计算技术、和信息处理技术迅速发展,以物联网为代表的无线分布式算法与系统研究得到了学术界和工业界的广泛关注。1)在分布式算法研究方面,学科组基于实际物理干扰模型,在模型设计、底层的媒介入口控制和信道竞争机制、其上的网络组织和上层的通信任务完成等方面进行了系统完整的分布式算法研究,取得了一系列具有国际影响力的开创性成果。其中,结合物理干扰实际的低敏感强连通模型已经成了考虑物理干扰下分布式算法研究最常用的四个模型之一,而学科组最早开展的物理干扰模型下全局性通信任务分布式算法研究已经被包括美国麻省理工学院、瑞士苏黎世联邦理工学院、以色列魏茨曼研究所、英国利物浦大学等国际知名高校的分布式计算研究团队跟进。2)针对作为物联网基础设施的无线传感器网络,学科组针对无线传感器网络的部署、路由、信道分配等多个关键问题,提出了一系列基于网络局部信息的分布式的无线传感器网络算法。学科组还设计实现了面向室内物联网应用的自采能无线传感器网络系统,实现了自适应的网络占空比调整和低功耗感知。3)在物联网应用方面,学科组围绕室内定位技术,利用无线信号传播的多径效应,在定位无线信号源的同时,实现了室内地图的重建。以上的相关研究成果,均发表在IEEE/ACM TON、 IEEE TMC、IEEE TPDS、IEEE TWC、ACM TECS、ACM MobiHoc、IEEE INFOCOM、ACM PODC、IEEE ICDCS、IEEE SECON、ACM SenSys、Computer Networks等国际顶级期刊和会议上。

2、物联网安全与隐私保护
       物联网技术在促进国民经济增长和社会发展中发挥着举足轻重的作用。近年来,物联网产业呈现了突飞猛进式的发展。物联网设备逐步走向功能多样化和智能化,已经被广泛运用到交通、家居、购物、娱乐、医疗以及环境保护等诸多领域。物联网安全面临巨大的安全和隐私问题的挑战,物联网攻击呈现快速增长的趋势,亟需构建安全、可靠的安全系统,为物联网系统的正常运行保驾护航。学科组深入研究了物联网系统中的安全和隐私保护,提出了智能物联网系统自进化统一安全机制,将物联网、人工智能和区块链技术结合,设计了数据流驱动的自进化智能物联网体系架构和层次模型,研究基于区块链3.0的物联网设备的统一智能控制机制,以及基于人工智能的物联网自进化防御机制。该项目获得了2018年国家自然科学基金重点项目的资助。此外学科组深入研究了智能家居、智能电网、电动汽车等物联网系统的安全和隐私保护机制,近年来已发表相关论文40余篇,其中INFOCOM等CCF A类论文超过25篇。

智能媒体研究中心

1、人机对话
       对话式人工智能是指智能系统通过与用户或者环境进行对话、交互表现出来的智能行为,主要包括问答系统、开放领域的闲聊对话系统、任务导向型的对话系统。问答系统侧重于知识问答、阅读理解等;闲聊对话系统侧重于与用户进行情感交流,例如微软小冰。任务导向型对话系统是与用户进行多轮次的对话交互来实现一个特定的任务或目标,例如各种智能客服。对话系统作为人机交互的重要途径,是近几年人工智能领域迅速发展的方向之一。

2、多媒体计算

音频、图像和视频的分析与理解
        视频理解旨在通过机器学习的方法对视频中所包含的空间语义信息以及时序动作信息进行分析,并挖掘有用信息以满足不同的实际应用需求。主要的研究方向包括视频表示学习、视频分类、视频描述、基于视频内容的问答等多个方向。在视频内容理解方面,我们研究中心已经有了初步的探索并取得了一系列成果。现已申请国家自然科学基金面上项目一项,与腾讯AI Lab合作横向课题一项,并在国际顶级会议ACM MM,SIGIR上发表多篇相关学术论文。此外,随着金融机构面临着越来越复杂的欺诈风险,传统的风险控制方式已逐渐不能支撑其业务的扩展。利用机器学习对多维度、大体量数据的智能处理,批量标准化的执行流程更能贴合信息发展时代对风控业务的发展需求。我们听音识人团队致力于欺诈语音的识别问题,筛选并提取信访音频中合适的声纹特征对欺诈和清白用户进行区分。我们应用了传统的机器学习方法及新兴的深度学习模型预测用户行为,最终帮助银行降低信贷风险。

服装搭配
       服装在人们的日常生活中起着越来越重要的作用。据高盛国际投资公司的调查数据显示:2016年中国在线零售市场在服装、鞋类、配饰等领域的销售总额为1875亿美元。这充分显示了人们对于服装的巨大需求。事实上,除了对服装的一般需求外,越来越多的人们开始注重和追寻穿着的时尚和品味。通常一套服装包括多个物品,如上衣、下衣、鞋子和配饰。因而服装搭配的关键在于各物品之间的兼容匹配程度。然而,并不是每个人都会搭配服装,很多人会为从大量的服装中挑选并搭配出得体的套装而头疼。因此,课题组旨在深入研究有效的服装搭配系统来帮助用户挑选合适的单品来组成套装

基于智能媒体分析技术在电力行业的应用
       电力资源是国民经济的基础和命脉,电力系统的安全稳定运行具有重大战略意义。为了实现安全、可靠的供电,电力设备巡检维护自动化和现代化已日益显示出其迫切性。将计算机视觉、深度学习、数字图像处理等前沿智能媒体技术有机结合到电力状态监测应用中,深入研究仪表盘数据的自动识别与获取、配电室内烟火监测、外来生物入侵监测与报警、室外销钉与绝缘子脱落残缺监测以及操作人员异常行为监测等。突破由多源视觉数据智能提取电力设备数字化状态的技术瓶颈,创新电力设备状态监测方案和异常事件检测手段,为电力设备状态监控系统的状态数据获取和生成提供高效可靠的计算理论和方法,实现电力设备故障“看得清”、“看得准”以及“看得全”。从而实现更高层次意义上的无人值守,为新型智能检测安全防护建设提供实用化参考,为电网的安全稳定运行提供保障。

3、智能推荐
       推荐系统近年来非常流行,应用于各行各业。推荐系统是一种信息过滤系统,用于预测用户对待推荐对象的“评分”或“偏好”。推荐的目标包括:电影、音乐、新闻、书籍、朋友、餐厅、美食、学术论文、搜索查询、金融服务等各种各样的对象。课题组近5年在国家自然科学基金-面向互联网+智能电视平台的推荐系统研究等项目的资助下,利用深度学习、注意力、存储网络等技术在序列化推荐、上下文敏感的推荐、社会化推荐、视频推荐、服装搭配推荐、兴趣点推荐、多样化推荐、社会化朋友推荐、付费节目推荐、推荐的网络嵌入表示等方面展开大量、深入的研究工作,取得了众多研究成果,在TKDE、TIST、WWW、CIKM、JCST等发表高水平论文30余篇。其中“Neural Attentive Session-based Recommendation”论文获得国际顶级会议CIKM 2017的Best Full Paper Runner-up Award。学科组坚持产学研一体化,理论成果已经在海信智能电视等实际系统中获得应用,取得了巨大的经济效益。

4、数据挖掘
        随着Twitter和新浪微博等社交网络的蓬勃发展,人们已经习惯于从这些社交网络中获取信息,并且分享自己的观点,每天有大量的短文本生成。文本聚类是许多文本处理任务的基础步骤,如文档组织、摘要、基于内容的推荐等。因为短文本的稀疏性特点,传统的文本聚类算法难以取得理想的效果。我们尝试研究基于模型的短文本聚类算法,以解决短文本的稀疏性问题,并能够自动发现簇的数目。社交网络中的文本本质上是以流的形式出现的,我们进一步研究基于模型的流文本聚类方法,能够自动发现新的簇,以及删除过期文档,从而应对话题转移问题。在文本聚类方向,我们研究中心已经申请国家自然科学基金一项,并在国际顶级会议ACM SIGKDD, IEEE ICDE上发表多篇相关学术论文。