研究方向

区块链

中山大学区块链研究小组致力于深入研究区块链技术的共识机制和智能合约,力争突破行业应用瓶颈;以区块链公共账本为数据集,挖掘潜在网络特性,创造数据价值。

 

研究小组下设三个研究方向:

共识机制
共识机制是在去中心化的分布式网络中达成共识的关键机制,是以比特币为代表的区块链的关键支撑技术。
团队致力于深入分析现有共识机制的原理与特点,突破网络延迟、吞吐量、安全等关键技术,力争根据不同应用场景,设计恰当机制,解决区块链应用的底层难题。

2

 

智能合约

智能合约是一种去中心化、事件驱动、相比中心化系统具有较高安全性的分布式执行验证的程序,团队主要围绕智能合约的编写、漏洞分析、升级优化等问题展开研究,力争实现行业认可的智能合约代码分析、评测平台与标准。

3

 

数据挖掘
区块链是一个分布式的账本数据库,包含大量的交易信息,如何充分利用交易数据,识别异常行为是本研究方向的主要目的。
团队主要以比特币、以太坊等数字货币的公共账本为数据集,分析提取交易特征,识别异常交易,解释价格波动成因,发现数据价值。

智能金融

jinrong-1
jinrong-2

数据挖掘

dm1
dm2
dm3
dm4
dm5
dm6
dm7
dm8
dm9

dm11
dm12

服务计算

fuwu-1fuwu-2fuwu-3

机器学习

本小组包含图挖掘小组(GDM)和机器学习可靠性小组(ReML)。

高阶数据机器学习算法

Tensor Applications in Machine Learning

随着数据量的激增,矩阵分析局限性日益凸显。张量或高维数组是一种数据结构,能够满足高维数据的存储要求。张量作为矩阵的一种拓展,具有广泛的应用潜力,除了能胜任过往以矩阵存储分析二维数据的任务以外,还因其具有很多良好的特性,能够适应高维数据的处理要求。比如过往将用户-兴趣存储于矩阵中分析,通过张量则能加入时间维度,分析用户兴趣随时间的变化情况,加强数据挖掘的实用性。张量已经在众多领域中有着广泛的应用,包括信号处理、机器学习、化学计量学以及医学测量学等。张量作为新兴研究领域,具有良好的研究前景和广阔的应用范围。

ml-1

多视角学习

Multi-View Learning

大数据时代,数据的采集方式更为多样化,数据的表征形态更为多元化,因而数据对象可以由不同的特征进行描述,即为多视角数据。多视角数据来自于多个数据源或者多个特征子集,比如一个人可以通过面部、指纹、签名等识别,一张图片可以由颜色、纹理特征等多个特征子集来表示。相比于单视角学习,多视角学习通过利用一致性和互补性原则,整合多个视角的数据,使得学习模型更有效并具有更好的泛化能力。根据多视角数据的不同整合方式,衍生出多种多视角学习策略。近年来,多视角学习在机器学习领域获得了广泛关注。

社交网络分析

Social Network Analysis

随着互联网和移动互联网的飞速发展,社交网络在过去二十年经历了爆发式的增长,极大地丰富了人们的在线生活。社交网络分析具有重大的应用价值,例如提高用户粘性、精准广告投放、好友推荐、内容推送等。社交网络分析作为一门交叉学科,吸引了众多领域的研究者对其进行深入研究,研究前景十分广阔。本小组致力于从macro、mecro、micro三个维度全方位的分析社交网络的特征,充分挖掘社交网络的价值。目前,小组已经开展的研究点包括网络重构、多源数据融合、社区发现、异构信息网络映射、影响力最大化、节点排序、异常点检测。此外,小组与微信就社区发现展开了深入合作研究。

小组注重理论与实践的结合,致力于做出高质量、高水平的论文。欢迎有兴趣的同学加入我们小组,一起做好科研、真科研。

复杂网络

复杂网络科学是21世纪初发展起来的新兴学科。建立在大数据的观测基础上,生活中的各种大型系统在宏观层面往往呈现出网络状的结构。网络科学探索这些系统的静态结构、动态特征,并利用这些结果揭示原系统的工作机制、优化原系统的功能、预测原系统的趋势,建立起了一套普适性方法。

复杂网络的具体研究领域包括真实世界中的各种网络,例如:
wangluo-1

世界各地的股票交易网络相关性网络图

wangluo-2

Internet AS层网络,是显著的异质性网络,有着明显的无标度和和小世界特性
wangluo-3

交通网络路线图
复杂网络研究的当前热点是将已有的一些理论和方法应用与大规模实际网络,本小组主要关注的是以下几大实际应用方向:

(1)技术型网络应用:研究包括通信网,电力网以及其他大规模设施网络上的动态过程和优化。
wangluo-4
(2)网络耦合问题:大量的真实世界网络都不是独立存在的,而是可能存在相依(interdependent)相连(interconnected)多层(multilayer)等关系,这些关系会影响网络上的动态过程,让网络分析更加复杂。
wangluo-5

多层网络示例

(3)链路预测:链路预测利用已知的网络信息预测网络中未知(实际存在但尚未探测到)或未来(目前不存在,但未来很可能存在)的连边。链路预测技术具有非常广泛的应用,例如在线社交网络(例如QQ、微博等)上的好友推荐,电子商务网站(例如淘宝、亚马逊等)上的推荐系统等。同时,它也具有重要的理论研究意义,可以帮助我们认识真实网络的结构及其演化机制。
我们尝试将网络科学与信息科学相结合,利用信息论、网络结构相似性等方法设计新的链路预测算法,提高链路预测的精确度。

(4)与软件工程结合:将复杂网络应用到软件工程领域,例如将软件代码中的一个模块(方法/类/文件)作为一个节点,模块间的依赖或其他关系作为连边,构建”软件网络”。除此之外,也可以构建与开发人员相关的协作网络。通过对软件网络或协作网络的研究来发现软件的重要性质,同时解决包括软件缺陷预测在内的众多重要问题。
(5)与其他相关研究的结合:可以与实验室其他相关研究方向结合。例如,用网络科学的思想来对区块链网络,金融数据网络进行分析。当前的另一个研究热点是与机器学习的交叉结合方向,具体可以参考stanford一个研究组的主页:http://snap.stanford.edu/node2vec/

希望有兴趣的同学加入我们,一起探索,做一些有趣有用接地气的研究。

云机器人

云机器人是最近几年提出的一个概念,它是云计算与机器人学的结合,如同其它网络终端一样,机器人本身不需要存储所有资料信息或具备超强的计算能力,只是在需要的时候连接相关服务器并获得所需信息。云机器人不仅可以卸载复杂的计算任务到云端,还可以接收海量数据,并分享信息和技能。较之传统机器人,云机器人的优势是存储与计算能力更强,学习能力更强,机器人之间共享资源更加方便,对相同或相似场景下的机器人负担更小,并减少了开发人员重复工作时间。
该小组将把重点放在云机器人软件研发上,而非机器人本身的硬件开发。特别地我们将通过利用服务计算,云计算,大数据和机器学习的思想提高云机器人系统的协同工作能力。主要研究课题包括云机器人系统的面向服务质量的资源优化算法设计(任务布局算法,数据布局算法,服务布局算法,和联合优化算法),面向智能机器人的算法研究(利用信号处理,图像处理算法让机器人感知环境;利用机器学习比如神经网络算法让机器人应对环境变化),机器人服务组件及其服务组合算法研究,云机器人大数据分享平台的构建,和基于HTcondor的云机器人系统的搭建等。

分布式系统

小组旨在搭建基于HTCondor的分布式高吞吐计算环境,支持合作团队的分布式需求,力求自身平台的系统化和产品化,努力打造属于可用可靠的计算集群。

分布式系统小组的工作主要分成四个部分:运维、应用、设计、研究。

运维
前期:部署运营超算中心140台主机,组成稳定的计算资源;
中期:开创计算资源共享模式,扩散到实验室内部个人电脑;
后期:扩散到实验室外部

应用
前期:小组成员学习HtCondor平台的应用,熟悉相关机制
中期:书写使用教程,培训实验室同学使用HtCondor
后期:外部推广

设计

  • 根据主机归属设计不同的配置策略,最大化计算资源
  • 设计更加友好的编程模型
  • 面向大数据大存储的解决方案

研究

  • log收集和分析