科研背景
随着车载设备和无线通信技术的发展，为降低车辆间碰撞事故发生的概率，以及为车辆运行提供不同的功能服务，车联网被广泛应用。
隐私保护是车联网的重要安全需求，一直是产业界和学术界关注的热点。
车联网中车辆获取基于位置服务时需要提供真实的位置信息，导致用户的轨迹隐私存在泄漏风险。

科研问题
车联网隐私保护已成为车联网研究的重要部分，传统的隐私保护方法不适用于车联网，在提供云端“数据共享”服务时也面临隐私泄露风险，共享数据或数据接收者身份的泄露都将危及车联网安全。

科研目的
针对车联网轨迹隐私保护中未考虑位置语义信息及生成的虚假轨迹可用性低问题，提出一种基于位置语义的差分隐私轨迹保护方法。

我本次组会汇报的内容是《基于深度强化学习的微电网能源管理》，我将从科研背景、科研问题、科研目的、研究内容等方面进行介绍。

科研背景

1，2020年9月22日，国家主席习近平在第七十五届联合国大会上宣布，中国力争2030年前二氧化碳排放达到峰值，努力争取2060年前实现碳中和目标，大力发展应用可再生能源成为重点趋势。
2，作为一种小型发配电系统，微电网能够有效整合分布式电源、用电负载和储能系统，实现可再生能源的就地消纳。
3，据瑞信预计，到2030年，中国新能源汽车销量的十年年均复合增速有望达到25%，新能源汽车渗透率将提高至43%，电动汽车的数量暴增使得V2G技术能够得到更好地利用。V2G核心思想在于电动汽车和电网的互动，利用大量电动汽车的储能作为电网和可再生能源的的缓冲。对于电动汽车的用户来说，当用电负荷过高时由电动汽车向电网馈电；而当用电负荷低时将电网过剩的电力存储在电动汽车里。
4，负荷预测：电力系统负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提，是电网调度部门和规划部门所必须具有的基本信息。准确的负荷预测有助于提高系统的安全性和稳定性，能够减少发电成本。随着电力市场的建立和发展，短期负荷预测技术已成为电力系统EMS系统中必不可少的部分。

科研问题

 1，微电网的状态变量存在复杂性和多变性，传统的基于模型的方法难以很好地处理微电网的能源管理问题。
2，新能源电动汽车数量的剧增，将电动汽车作为移动电源参与供电成为可能，如何更好地进行能源管理是一个问题。

科研目的

根据短期负荷预测的结果，调度适量的电动汽车作为电源参与微电网能源管理，并提出一种基于深度强化学习的微电网能源管理方法，面向非线性、复杂的微电网系统，对储能以及发电设施进行管理，然后在保证系统稳定运行的前提下，通过实时能源管理降低系统运行成本并提升系统平衡因子。

研究内容

具体内容将在组会中进行详细介绍。

我本次组会的汇报题目是《基于V2G技术的微电网电动汽车充放电调度策略研究》，我将从科研背景，科研问题，科研目的，研究内容等方面进行介绍。

科研背景

• 近年来，电动汽车(EV)的大规模部署，已经被认为是减少碳排放的有效途径。另一方面，根据国际能源机构2022年的分析，在大型经济体中，仅电动汽车就约占本国总电力消耗的5%，如此规模的电动汽车进行不受控制的充电可能会引发电力系统负担过重的风险。
• 相较于传统的不受控充电和“单向有序的充电服务”(V1G)，车辆对电网(V2G)技术通过与电网进行交互，鼓励EV作为灵活的储能设备来调整充放电行为。当电网负荷压力较高时，将电力放回电网，这一过程不但可以缓解功率峰值负荷，而且为用户带来一定的经济效益。因此，V2G技术是目前解决新型电力系统能源供应安全风险的有效方案之一。

科研问题

• 由于可再生能源具有间歇性和波动性，会影响微电网系统保持高效稳定的运行，而电动汽车集群作为一种灵活部署且能源清洁的储能设备，引入V2G技术为微电网充分利用分布式可再生能源提供了一种有效的途径。
• 随着微电网中设备部件的增加，越来越多的数据需要处理和计算。同时分时电价和充电用户的随机行为也为充放电策略的制定带来了不确定性。

科研目的

提出一种基于DRL的电动汽车充放电调度策略，在一个配备V2G停车场，用电负载和多个分布式能源的混合微电网系统中，降低运行成本，提高用户满意度。

问题建模

针对该问题，具体的系统框架和数学建模将在组会中进行详细介绍。

基于智能合约的多方安全联邦生成模型研究

科研背景

1.近年来，机器学习、深度学习等技术快速发展并被广泛应用。数据的丰富程度和质量对深度学习模型的性能有着显著影响。但是，一方面数据主体担心自己的商业秘密和用户隐私泄露，不愿交付数据。另一方面，日益严格的数据安全法规对数据的流通和使用提出了诸多限制。这都导致数据共享成为问题，也缺乏数据使深度学习等技术在各个领域无法研究。 2。联邦学习的兴起使分布式用户无须传输本地数据即可实现联合建模，成为数据共享应用和人工智能方法获取标注数据以落地的新范式。

科研目的

构建基于智能合约的多方安全联邦生成模型，安全地生成合成数据，代替多方原始敏感数据进行自由的共享应用和流通。1.构建异构型的分布式联邦GAN。在联邦中心保留生成器G，在联邦网络中的边缘客户端各自保留一个判别器D。由多个客户端联邦训练GAN模型，生成合成数据。2.通过区块链和安全多方计算解决分布式联邦GAN的信任和安全问题。由区块链提供一个信任交互平台，联邦中心和边缘客户端都是其中平等的用户节点。区块链智能合约负责执行具体的多方安全计算，安全完成生成器和客户端判别器之间的训练参数聚合和交互工作。提升了联邦GAN模型的隐私保护能力。

研究内容

此次汇报内容是《智能电网场景下的分布式在线学习电力数据异常检测》相关内容，我将从科研背景、科研问题、科研目的、研究内容等几个方面汇报。

研究内容

本次汇报对基于深度强化学习的高效云工作流调度研究的研究进展进行介绍，主要从科研背景、科研问题、科研目的、研究进展几个方面展开。

科研背景：
云计算是一种采用虚拟化技术通过网络为用户提供各类计算资源，平台化服务，应用程序服务的一种分布式计算服务框架，能够根据用户的需求为用户提供各种配置类型的服务实例，这些服务实例具有按需服务，动态伸缩，成本低的特点，使越来越多领域的应用程序，特别是需要大规模计算的应用，如天气预报、地震预测等正在迁移至云环境，这些应用程序通常一系列数据依赖的任务组成，也就是工作流。
工作流是由一组之间具有数据或功能依赖的任务组成的作业，在云环境中执行时，由于工作流中的任务必须等待前置任务的完成才能执行，不可避免的造成了大量的空隙时间，导致服务实例的空闲，降低了云环境的处理效率。过往研究大多仍集中于云中单个或多个工作流的静态规划，并且没有考虑任务在实例中执行时间的不确定性。同时，对于实时工作流调度的研究还很少，并且集中于使用基于先验专家知识设计的调度算法，在动态、复杂、多样的云环境中存在局限性。

科研问题：
1.受依赖关系限制，工作流在云环境中的执行效率低。
2.受云环境动态变化性质的影响，工作流任务在云服务实例中的执行时间和数据传输时间具有不确定性。
3.实时工作流的结构，任务数量等具有不确定性，传统静态工作流调度方法无法直接应用，基于专家经验的启发式实时调度方法无法在动态不确定的云环境中实现最优调度。

科研目地：
提出一种面向不确定云环境的实时云工作流在线调度方法，通过深度强化学习（DRL）智能体，将实时到达的具有截止时间期限的工作流在线调度到任务执行情况不确定的云环境中执行。具体来说，在每个工作流到达时，将子任务进行拆分，通过计算每个子任务的最晚开始时间和最晚结束时间确定子任务的响应时间范围，不断将无前置任务或前置任务执行结束的就绪任务通过DQN智能体调度到云虚拟机中执行，通过智能体不断离线学习调度经验，在虚拟机子任务执行时间和数据传输时间不确定的云环境中实现满足工作流截止时间期限约束下低成本的工作流调度。

研究内容：

Detection Tolerant Black-Box Adversarial Attack Against Automatic Modulation Classification With Deep Learning

本次组会主要分享一篇跟对抗攻击有关的论文《Detection Tolerant Black-Box Adversarial Attack Against Automatic Modulation Classification With Deep Learning》，主要从科研背景，科研问题，科研目的，研究内容以及评价几个方面来阐述。

科研背景

1. 基于DL的AMC(自动调制分类)：随着无线通信技术，特别是数字通信技术的发展，调制技术变得越来越复杂。在此场景下，AMC逐渐取代了传统的人工调制分类方法，传统的人工调制分类方法需要训练有素的操作员和特殊的设备，并广泛应用于无线通信。
2. 对抗样本攻击：攻击人通过对输入进行一些人类无法察觉的扰动，从而实现欺骗神经网络的目的。
3. 模型提取攻击：攻击者将查询的输出收集到目标模型，这有助于计算或推断模型的内部知识。

科研问题

1.现有的大多数对抗攻击方法都做了过于理想化的假设，造成了DL系统可以被简单攻击的假象，制约了对DL系统的进一步改进。
2.由于DL固有的安全问题，各种对抗性示例攻击可以导致基于DL的调制识别系统的精度损失或错误分类。
3.目前针对AMC系统的对抗性攻击主要是在白盒设置下进行的。然而，为了保护模型产权，模型所有者或机器学习平台通常不会公开其模型的内部信息。这使得直接白盒攻击几乎不可能

科研目的

1.提出了一种针对基于DL的自动调制分类（AMC）的容忍检测黑盒对抗攻击(DTBA)方法，可以极大地降低对抗样本攻击的检测概率。

2.DTBA方法通过删除70%以上的无效查询，降低攻击成本，同时将攻击成功率提高了20%以上

研究内容

我本次组会的汇报题目是《利用深度强化学习在绿色数据中心进行多目标任务调度》（Multi-objective Task Scheduling in Green Data Centres with Deep Reinforcement Learning），我将从科研背景，科研问题，科研目的，研究内容等方面进行介绍。

科研背景

近些年来，随着互联网的迅速发展，如电子邮件，远程会议，在线聊天与搜索等业务得到了极大的普及。与此同时，越来越多的服务被部署在云数据中心中。因此，数据中心的规模和能耗一直在显著增加。然而，随着数据中心不断增加，其货币成本、能源消耗的增加和有害气体排放已成为社会面临的严峻问题。统计报告显示，2010年，数据中心消耗的能源占世界总能耗的1.3%。因此上述问题已经成为了一个丞待解决的问题。

科研问题

随着越来越多的用户在数据中心部署他们的延迟受限的应用，如大数据处理、深度学习和高性能计算，大规模数据中心的能源消耗量也急剧增加。在美国，超过57%的电能是通过燃烧褐色能源（如石油和煤炭）产生的，它带来了严重的环境破坏。因此越来越多的企业建立了绿色能源中心。目前的绿色数据中心（Green Data Centre, GDCs）主要由三种能源供电，即电网、太阳能和风能，它们旨在通过使用可再生设备减少褐色能源的消耗。

然而，对于绿色数据中心而言，如何在严格保证其任务的服务质量（quality of service）的前提下来保证其利润仍然是一个开放的话题。因为当能源消耗减少时，用户任务的服务质量会降低，然而绿色数据中心的利润会提高，因此，供应商的利润和任务的服务质量需要通过智能调度任务和分配基础设施资源来共同优化。

科研目的：

因此本研究提出了一种基于深度强化学习的任务调度算法，使一个数据中心由于有利的天气条件而拥有更多的可再生能源时，优先在能保证任务QoS的情况下将任务分配到该能源中心从而减少电网的能源消耗。从而达到保证用户QoS，降低成本与减少碳排放的多目标。

问题建模：

针对该问题，包括具体的框架以及数学模型将会在组会上进行详细的介绍。

本次将会介绍有关《客服中心场景下基于多模态数据与MMoE的业务流程预测研究》的工作进展情况。主要内容如下：

科研背景：

• 预测性的业务流程监控（PBPM）
• 业务流程预测分析已完成流程实例的事件日志，对正在运行的实例进行预测，及时发现可能出现的状况，以采取有效的执行策略，避免不必要的损失。
• 随着技术的发展和消费模式的升级，对于面向过程的服务，客服中心能够直接、客观地获取客户数据。客服中心已成为推动企业和政府等组织机构开展数字化和智能化转型的重要切入点。

科研问题：

• 当前，深度学习等人工智能方法广泛应用于企业的业务流程预测中，大部分业务流程预测方法使用的是企业信息系统中记录的流程序列数据，并没有利用其他系统中产生的数据，而且单纯依赖流程数据进行业务流程未来执行状态的预测并不可靠，导致预测效果达不到预期。
• 现有的业务流程预测方法多数针对特定的预测问题，不同任务之间的预测方法的可迁移性不高。虽然Tax等可以使用LSTM网络来进行业务流程活动和时间的多任务预测[1]，但是预测活动和时间方面的精度均不够准确。

科研目的：

• 针对单数据源可能存在的信息不足的缺陷，提出一种客服中心场景下基于多模态数据的业务流程预测方法。使用企业信息系统中记录的流程日志中的序列数据，同时引入客服中心系统中的语音数据，并将两者所包含的信息进行联合，共同用于企业业务流程的预测。
• 此外，创新性的提出异构多任务学习模型Heterogeneous Multi-gate Mixture-of-Experts（H-MMoE）实现多个任务并行预测，缓解模型的过拟合，提高模型的泛化能力，并提升任务的预测精度。