研究方向 Research

1. 软件定义网络与网络功能虚拟化

软件定义网络是由美国斯坦福大学clean-slate课题研究组提出的一种新型网络创新架构，是网络虚拟化的一种实现方式。其核心技术OpenFlow通过将网络设备的控制面与数据面分离开来，从而实现了网络流量的灵活控制，使网络作为管道变得更加智能，为核心网络及应用的创新提供了良好的平台。网络功能虚拟化是一种对于网络架构的概念，利用虚拟化技术，将网络节点阶层的功能，分割成几个功能区块，分别以软件方式实作，不再局限于硬件架构。

2. 移动边缘/雾计算及存储架构的设计与优化

移动边缘计算（MEC）使更靠近移动用户（MU）的网络边缘的计算服务能够减少网络传输延迟和能耗。运营商在小型基站（SBS）中部署边缘计算服务器，通过向MU提供计算服务来获利，而MU购买服务以快速，高效地解决自己的计算任务。云计算是一种架构，多个物联网（IoT）设备将其中继以将其计算任务外包。物联网设备的数量和需求已经大幅增长，云计算无法满足这些需求。云计算在带宽，延迟和实时响应方面都有其缺点。为了克服这些缺点，引入了雾计算范例，它可以满足来自物联网设备的请求，并在必要时将请求转发到云。
代表论文：
Xiumei Deng, Jun Li, Long Shi, Zhiqiang Wei, Xiaobo Zhou, and Jinhong Yuan, “Wireless Powered Mobile Edge Computing: Dynamic Resource Allocation and Throughput Maximization,” Accepted by IEEE Transactions on Mobile Computing, 2020.

3. 基于区块链的人机物融合、群智感知和激励机制

区块链是一种新的去中心化分布式网络，应用了P2P网络，密码学等技术，P2P为其奠定了基础。对应于P2P中信任模型的各种共识机制解决了由于节点匿名性而引起的信任问题。此外，在P2P和区块链网络中建立了不同的激励模型，以鼓励节点主观共享资源，从而提高节点对系统的贡献。

4. 移动大数据隐私保护技术

在大数据的上下文中，从数据收集，数据集成，数据存储，数据分析，数据挖掘到数据发布，此过程已成为一条新的完整链。但是，大数据的安全性已经比传统数据更加复杂。传统的安全算法和协议不再像以前那样有效。数据安全问题通常给用户和企业带来巨大损失。因此，大数据的安全性已成为企业关注的焦点。

5. 无线联邦学习和GAN架构以及其隐私和安全

联邦学习允许解耦用户设备处的数据供应和中央单元处的ML模型聚合。通过本地训练模型，联邦学习能够避免直接数据从用户设备泄漏，从而在某种程度上保留隐私和安全性。
代表论文：
Chuan Ma, Jun Li, Ming Ding, Howard H. Yang, Feng Shu, Tony Q. S. Quek, and H. Vincent Poor, “On Safeguarding Privacy and Security in the Framework of Federated Learning,” IEEE Network, vol. 34, no. 4, pp. 242-248, 2020.

6. 基于区块链技术的分布式机器学习

区块链作为一种值得信赖和安全的分散分布式网络，已经应用在在银行、金融、保险、医疗保健和商业等领域。最近，许多区块链网络中的社区希望部署机器学习模型，从每个参与者拥有的地理分布的大规模数据中获取有意义的信息。为了在不进行数据集中化的情况下运行学习模型，研究了用于区块链网络的分布式机器学习。