研究方向
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。
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。
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。
数据挖掘
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。
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：
（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。
（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。
（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。
推荐系统
智能金融
软件智能
软件智能小组研究如何基于人工智能技术辅助软件工程任务，通过分析大量软件工程过程数据，包括代码、文档、运行时刻信息等数据中隐含的规律，挖掘存在的模式和知识，为软件工程实践提供支持。本小组主要关注以下几个研究方向：
（1）智能合约分析：研究区块链智能合约的代码分析、程序理解、以及自动更新等技术。
（2）软件注释生成：研究软件注释的语言、位置、分布等影响因素，关注基于自然语言处理技术生成软件代码类/函数/段注释的生成以及软件修改的注释。
智能物联网与边缘计算
智能物联网与边缘计算小组主要致力于研究智能物联网背景下，结合区块链的定价问题与生态调控方案。其中主要研究方向有：
博弈论：
博弈论是设计分布式机制的有力工具，使得博弈的玩家能够基于策略交互并进行局部决策，从而实现相互满意的策略，这有助于减轻集中管理的沉重负担。此外,不同的玩家通常是不同的个体,他们可能会追求不同的利益,博弈论提供了一个非常有用的框架来分析多个玩家的交互行为，从而设计激励相容的机制使得玩家没有动机独自离开博弈系统。
近年来，工业物联网(IIoT)发展迅速并被广泛应用，而如何建立一个可信高效的IIoT是一个重要的研究问题。为了解决这个问题，本文创新性地在IIoT中引入了区块链技术并为IIoT提出了一种基于博弈论的多跳协同分布式计算迁移算法来帮助建立一个可信高效的IIoT。区块链技术的引入使得在IIoT中能够进行安全可行的计算资源交易。
区块链调控：
利用区块链技术实现车联网下安全可信的数据交易，同时设计了基于两阶段斯坦科尔博格博弈模型的多方借贷算法，以解决车联网高速数据交易中由于交易确认延时和用户冷启动问题造成的资金短缺和交易效率低下问题。在该借贷模型中，借钱用户以债券的方式向多个投资用户募集资金，其中借钱用户在博弈模型中充当领导者，决定借贷利率，出借人作为投资用户，决定贷款的数额。同时，该算法通过额外的奖励机制鼓励出借人的相互竞争，从而最大化借钱用户的综合收益。
深度强化学习：
面对传统边缘计算中存在的多方信任问题，利用区块链技术可以用于解决有关IoT的安全和信任问题。面对移动设备有限的计算和存储能力，如何对数据处理任务和区块链挖矿任务做出合理的计算迁移决策，是将区块链技术应用到物联网领域的关键。
深度强化学习使用试错方法来最大限度地实现算法奖励函数，其最佳应用点是在环境情境化决策场景中计算出智能体应采取的最优措施。利用深度强化学习算法，通过与环境进行交互，从而学习到最优的计算迁移策略，解决区块链物联网中数据处理与挖矿任务迁移策略面临的挑战。
智能分布式系统
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