近日，我院研究生赵丽倩在边缘计算与深度学习交叉融合领域的成果被国际顶级期刊IEEE Transactions on Parallel and Distributed Systems（TPDS）录用。IEEE TPDS主要关注并行系统的体系结构、软件设计、算法和应用，分布式系统算法和理论、分布式操作系统、网络计算及其应用等领域的最新研究进展和技术。IEEE TPDS是中国计算机学会（CCF）推荐的计算机系统与高性能计算领域的3个A类顶级期刊之一。
论文在软件学院博士生导师徐子川副教授的指导下完成。围绕5G边缘计算环境下相关问题进行研究，深入探讨人工智能推理任务在5G边缘计算中的应用问题，首次进行了边缘的计算任务卸载与深度神经网络的模型推理问题的联合研究，是我院边缘计算与深度学习领域交叉融合的又一重要研究成果。
论文题目：边缘云中针对人工智能推理任务的能量感知卸载问题研究
论文简介：随着人工智能(AI)应用的快速发展，深度神经网络(DNNs)已成功应用于医疗诊断、股票交易、机器人控制、科学发现和计算机视觉等多个领域。为了保证DNNs的性能，DNNs的层数和神经元的数量也正在急速增加，因此DNNs在执行人工智能应用的同时还需要消耗大量的CPU和GPU资源。通常由大型数据中心和最先进的GPU来满足DNNs类型应用处理过程中不断增长的资源需求。近年来，移动边缘计算和5G技术的发展为由DNN驱动的人工智能应用提供了新的可能性，我们有机会让人工智能应用普及到各种移动设备和终端用户。例如，虚拟和增强现实(VR/AR)等移动应用，推动了将DNN应用处理移至核心网络边缘的趋势，以实现VR/AR应用的极低响应延迟。
移动边缘云中由DNN驱动的应用程序的一个基本执行过程包含DNN推理——基于新生成的数据(包括来自移动设备的图像和视频数据)执行一个预先训练的DNN的过程。我们研究了在支持5G的移动边缘云(MEC)中卸载DNN推理请求，目的是允许系统尽可能多的处理当前的推理请求，以提高支持5G的移动边缘云的能源效率。我们首先提出了问题的精确和近似解。然后，我们考虑一个动态请求准入的推理卸载问题，并设计一个在线学习算法来解决这一问题。最后，通过进行大规模模拟和实验床实现来验证我们的研究发现，结果表明我们所提出的算法性能优于该问题的其他启发式解决方案。与其他研究不同，该研究在处理DNN推理请求的计算卸载时，既考虑了DNNs对数据流的处理，也考虑了基站和微云（Cloudlet）的能源消耗。
徐子川副教授研究小组在边缘计算、人工智能、未来网络、视频流处理等研究方向中做出了有国际影响力的成果80余项。其中CCF A、B类期刊会议论文近40项，顶级IEEE/ACM Transactions论文20余篇。承担国家自然科学基金青年项目1项、大连理工大学“星海骨干”和“星海优青”项目，参与欧盟地平线重大项目2项，GF项目多项。其中代表性的期刊论文发表在领域内顶级期刊IEEE Transactions on Parallel and Distributed Systems (CCF A)、ACM/IEEE Transactions on Networking (CCF A)、IEEE Transactions on Mobile Computing (CCF A)、IEEE Transactions on Computers (CCF A)、IEEE Transactions on Wireless Communications (CCF B)以及ACM Transactions on Sensor Networks(CCF B)等；代表性的国际会议论文包括领域内顶级会议IEEE INFOCOM (CCF A)、IEEE ICDCS (CCF B)、ACM Multimedia (CCF A)、ACM ICPP(CCF B)等。近年来，该研究小组培养的多名本科及研究生解决了边缘计算与未来网络领域多项前沿科学问题，在众多知名国际期刊会议上发表多篇高水平论文。
