这次组会主要介绍《电动汽车协调充电调度研究》，从科研背景、科研问题、科研目的、研究内容等几个方面展开。

科研背景：

电动汽车的发展：随着温室气体排放、化石能源枯竭和价格上涨导致的全球气候变暖加剧，交通电气化是减少碳排放、实现可持续发展的关键解决方案。电动汽车因其使用环境友好型能源、维护成本低、能源利用效率高等优点，将占据交通运输的核心地位。
电网的影响：电动汽车是电网中重要的负荷形式，大规模电动汽车的无序充电会增加电网负荷曲线的峰值负荷和负荷方差。这些影响包括加剧峰值负荷的负担、影响电压和频率、增加功率损耗、降低稳定性、对输电线路造成压力等。不协调充电的不良影响将威胁电网运行的稳定性和安全性

科研问题：

根据调度目标的情况，一般可分为单目标调度模型和多目标调度模型。其中多为经济指标与电网稳定指标，但目标其优化目标多为侧重考虑一个目标，比如降低成本，增加收益或提高电网稳定性，或将其一方视为约束，难以同时满足。
电动汽车与电网（vehicle-to-grid,V2G）网络之间的数据交换包含敏感数据，大多数通信体系结构缺乏匿名性和隐私性，没有考虑用户隐私。他们通常以提供个性化服务的名义，在未经许可的情况下提供电动汽车车主的信息。缺乏从电动汽车调度到完成财务结算的一整套流程。

科研目的：

根据匿名性和隐私性，设计一种从电动汽车调度到结算的安全和隐私保护的方案。
考虑电网负荷波动和电动汽车用户的充电成本，根据充电需求的差异性，提出了一种新的集中式协调充电调度模型。

研究内容：

1.基于联盟区块链构建安全隐私优化电动汽车充放电交易方案

2.根据紧急需求在不同充电模式下的电动汽车充电调度方案

具体内容在组会ppt中展示。

实验结果：

在组会ppt中展示。

后续研究计划：

在组会ppt中展示。

我本次组会汇报的题目是《混合云环境下基于深度强化学习的安全性约束工作调度方法》，我将从研究背景、研究问题、研究目的等方面进行介绍。

研究背景

越来越多的企业或组织采用可整合共有云与私有云资源的混合云技术部署系统。

混合云中的作业调度需要综合考虑与任务执行相关的可用时间、隐私数据保护、成本限制等问题，这也对混合云中的作业调度的研究提出了新的要求。

研究问题

一些有安全需求的任务可以外包到公共云，这为优化任务执行性能提供了更多的机会，同时增加了安全问题的复杂性。

公共云中实现一定级别的安全存在资源开销，将任务外包给公共云的开销和执行该任务消耗有限的私有资源之间存在权衡。

研究目的

提出一种基于深度强化学习（DRL）的混合云作业调度方法，在混合云中调度作业，在满足混合云任务的最后期限和安全级别的同时，专注完成的任务数量最大化和成本最小化。

本研究的问题描述、研究思路、研究计划等将在组会中详细报告。

我组会汇报的论文是《具有数据完整性的可撤销属性基加密方案》，我将从科研背景，科研问题，科研目的，研究方法和我个人的一些思考来进行介绍。

科研背景

面对当今庞大的数据量，云计算为我们存储处理数据提供了一个很好的平台。与设置内部存储和服务器不同，云计算在管理本地存储方面几乎无需维护。当数据所有者将数据外包给数据库时，因为云服务器由不受信任的第三方提供，通常会存在潜在的安全问题。确保数据机密性的一个基本方法是提供数据加密。在云数据共享技术来实现信息交互时, 用户间会将数据进行授权共享。随着数据在一组用户中共享，云计算面临着管理加密数据访问控制的挑战。现在通常会使用基于属性的加密来解决这个问题。

科研问题

在云环境中，当需要在ABE中执行撤销时，云服务器利用密文委托方法来撤销密文的访问策略。然而，授权过程不能确保相应消息的完整性。并且，由于密文委托过程是计算密集型的，云服务器可以只返回预先处理的密文甚至输出随机密文以节省其计算资源。另一个简单的解决方案是数据所有者可以下载密文并将其解密为相应的明文。然后，数据所有者可以重复加密并重新上传加密数据。这种方法要求数据所有者在每次更新策略时对数据进行解密和重新加密，这将导致数据所有者额外的计算成本。同时，从云端下载数据并在本地进行计算会带来数据维护问题。更糟糕的是，数据所有者在撤销过程中应该在线。

科研目的

保持数据完整性的同时实现从基于加密属性的加密密文的撤销；减少对数据所有者进行不必要的解密和重新加密操作；解决数据所有者在撤销过程中必须在线的约束。

具体方案及个人思考

这两个问题，将在组会中进行详细介绍

我本次组会的汇报题目是《动态用户行为下基于深度强化学习的电动车辆充电控制》，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

随着新能源汽车普及率的增加，提供充电服务的基础设施也得到了广泛建设。然而与传统负载不同，电动汽车用户的动态行为、充电偏好，实时电价都给充电策略的制定带来了不确定性，无序的充电服务必然会导致充电设施和输电线路过载。
· 电动汽车充电管理：旨在通过调度充放电决策，合理转移电动汽车的充电负荷，使消费者的利益最大化，同时满足电池的能量需求。

科研问题

• 在实际的充电场景中，驾驶者的动态行为和实时电价无法预知，且问题通常处于高维环境。基于深度强化学习(DRL)的电动汽车充电控制方法表现出了良好的性能。
• 目前相关的研究工作大多以到达时间，离开时间和所需的电池电量作为充电过程的描述特征，考虑驾驶者动态行为(出行里程，驾驶经验)的工作较少。

科研目的

提出一种基于深度强化学习(DRL)的调度方法，在EV连续随机到达和实时电价的基础上，进一步考虑用户的驾驶经验、距离焦虑、时间焦虑，实现充电成本和用户充电偏好的平衡。

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。

本次组会我将汇报基于多智能体强化学习的多技能组呼叫中心调度问题的研究，将从依赖几个方面进行介绍：

1.科研背景

呼叫中心是一种使用电话系统和人员为客户提供支持的服务。基于技能组的呼叫中心是指将呼叫中心的工作人员分为不同的技能组。基于技能组的呼叫中心具有以下优势：

（1）提高客户满意度

（2）提高工作效率

（3）减少培训成本

2.科研问题

在呼叫中心中，调度系统是负责将客户呼叫分配给合适的坐席的系统。

调度是呼叫中心运营的关键组成部分，因为它决定了客户是否能够得到及时和有效的帮助，以及坐席是否能够高效地处理呼叫。如果调度不恰当，将会导致：

（1）客户满意度下降和流失，原因：客户可能会在等待时间过长或无法得到有效帮助

（2）员工流失，原因：如果坐席不能得到合适的呼叫，他们可能会面临低效率和挫折感

因此，在基于技能组的呼叫中心中，呼叫调度是一个非常重要的科研问题。

3.科研目的

采用多智能体强化学习的方法，在基于多技能组的呼叫中心中调度客户呼叫，使得实现更好的调度性能。

4.研究内容

1）.多智能体强化学习

多智能体强化学习可以根据智能体之间的相互作用方式进行分类：

①独立强化学习：智能体之间没有相互作用，每个智能体独立地学习如何解决问题。

②协作强化学习：智能体之间协作解决问题，并通过奖励机制鼓励协作行为。

③博弈强化学习：智能体之间存在竞争关系，它们需要学习如何通过执行最优策略来获胜。

2）.基于技能组的呼叫调度模型

在基于技能组的呼叫调度过程中，呼叫中心会将客户的呼叫分配给与其需求匹配的技能组中的坐席。

在基于技能组的呼叫调度过程中，呼叫中心还可以使用其他因素来决定如何分配呼叫，例如坐席的可用性、工作负荷等。

本研究的研究思路、研究计划等将在组会中详细报告。

本次汇报的题目是《基于深度强化学习的微电网能源管理》，将从科研背景、科研问题、科研目的和研究内容等方面介绍下一步的研究内容。

1科研背景

微电网是一种小型发配电系统，能够有效整合分布式电源、用电负载和储能系统，具有实现可再生能源的就地消纳、提高供电牢靠性、可处理偏僻地域的用电问题、为电网提供支撑、节能降耗的特点。

2科研问题

传统的微电网调度主要通过建立相应的微电网物理模型，然后通过经典优化、基于规划等方法进行微电网中的能量管理和优化控制，调度结果的可靠性依赖于模型建立的准确性。如何不需要物理模型就可以实时调度具有高维状态的微电网是一个问题。

3科研目的

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，引入电力负荷预测，对储能以及发电设施进行调整，然后通过实时能源管理在保证系统稳定运行的前提下，降低运行成本。

4研究内容

针对该科研问题，建立的模型等在组会中详细介绍。

科研背景

基于云计算的数据存储服务由于其高效、低成本的管理方式，近年来越来越受到学术界和业界的关注。
由于它是在开放的网络中提供服务，服务提供商迫切需要利用安全的数据存储和共享机制来保证数据的保密性和服务用户的隐私。
为了保护敏感数据不被泄露，最广泛使用的方法是加密。然而，简单地加密数据(例如通过AES)并不能完全满足数据管理的实际需要。此外，还需要考虑对下载请求进行有效的访问控制，以防止发起经济拒绝可持续性攻击来阻碍用户享受服务。

科研问题

在基于云的存储服务中，存在一种常见的攻击，即资源耗尽攻击。由于(公共)云可能对下载请求没有任何控制(即，服务用户可以发送无限数量)，恶意服务用户可能会发起DoS/DDoS攻击，消耗云存储服务服务器的资源，使云服务无法响应诚实用户的服务请求。
除了经济损失外，无限下载本身也为网络攻击者打开了一个窗口，可以观察到加密的下载数据，可能导致一些潜在的信息泄露(例如文件大小)。

方法—CP-ABE

基于密文策略属性的加密(CP-ABE)是一种通用加密技术，支持对加密数据进行细粒度访问控制。在CP-ABE系统中，每个数据用户都会根据其属性获得一个密钥。数据所有者可以选择一种访问结构A并在A下加密他的数据，加密后的文件可以被任何属性集满足A的数据用户解密，近年提出的CP-ABE系统通常主要利用线性秘密共享方案。

因为目前方向还没有完全确定，最近两个月主要是在看文章找场景以及场景中存在的问题，例如边缘云计算（edge-cloud computing），多云(inter-cloud)等场景。根据上次组会之后这一个多月文献的阅读，本周组会我选择了多云场景中的一个分支混合云（hybrid cloud）来和大家进行讨论。选择混合云这个场景的原因有如下的几点：

1.首先由下图所示，这张图描述了在Masdari and Zangakani 2019年关于多云（inter-cloud）间进行任务调度的综述中，所引用的文献的年份分布，从这张图可以看出，从2010年开始，针对这个场景的研究呈现出逐年增加的趋势，因此可以认为目前有很多人都在针对这个场景下进行工作流/任务调度。具有一定的参考价值。

2. 根据Masdari and Zangakani在2019年的研究，inter-cloud上进行scheduling的场景主要可以分为三类，即federation，multi-cloud以及hybrid cloud。本次我介绍的重点主要放在了hybrid cloud上。在先前的组会中，已经有同学在着手与隐私相结合，对hybrid cloud进行研究。我关注的领域主要是hybrid cloud中的elastic属性，例如Genez在2017年的研究，以及Yi Zhang在2018年的研究。在带有elastic属性的hybrid cloud场景中，存在一个私有云和多个公有云，当私有云的空间不足的时候，管理员可以在公共云上创建私有云的扩展。从而使用公有云的资源。

3.除此之外，例如Zhanghui Liu以及Haitao Yuan的研究也考虑到了数据中心之间网络带宽的因素，因为跨地理分布的数据中心移动数据会导致极大的延迟，并阻碍scientific workflows或者BAG的有效执行。在Haitao Yuan的研究中，更是在绿色数据中心（GDC）将收入、电网价格、太阳光强度、风速、网络带宽等多种因素进行了考虑。

具体内容将会在组会报告中进行详细报告与讨论。

本次组会将介绍《数据合成技术综述》，内容包括：

1.什么是合成数据

2.为什么需要合成数据？主要从隐私性方面展开，与其他的匿名化技术进行比较

3. 介绍合成数据的优势

4. 常用的合成技术有哪些？包括基于插值法，统计模型法和GAN模型，由于开题时以着重介绍了GAN的生成方法，本次分享将重点介绍基于统计模型的数据生成方法。

本次分享，重点介绍统计模型的建立和特点，希望通过本次介绍，将机器学习理论中常用的模型、方法、技术梳理出来它们的由来和解决的问题，包括参数估计模型和非参数估计模型中的：矩估计，极大似然估计（MLE）贝叶斯估计（BE）极大后验估计（MAP）
直方图法（Histogram）核密度估计（KDE）高斯混合模型(GMM)

本次组会我将汇报我的研究课题：混合云环境下基于深度强化学习的隐私感知工作调度的研究，主要从以下几个方面展开：

1.研究背景：
随着云计算技术的深入发展和大数据时代的来临，越来越多的企业或组织采用混合云技术部署系统。云作业调度是管理任务在云资源中执行的过程，混合云中的作业调度与传统云作业调度不同，需要综合考虑与任务执行相关的可用时间、隐私数据保护、成本限制等问题，这也对混合云中的作业调度提出了新的要求。

2.科研问题：
混合云中的作业调度更加复杂，产生不同的挑战，尤其是对隐私保护方面的研究被广泛研究。采用何种调度算法可以使混合云用户的任务拥有更低的平均响应时间、更高的调度成功率以及更好的隐私保护效果，是一个值得研究的问题。

3.科研目的：
提出一种基于深度强化学习（DRL）的混合云作业调度方法，使用户任务能够在可接受的响应时间QoS内，尽可能的满足任务的隐私保护需求。

4:问题建模：
针对科研问题建立的模型、过程将在汇报ppt中展示

5:实验设置及结果：
在汇报ppt中展示