前沿科技

程龙教授 2020-12-01

发表于IEEE/ACM Transactions on Networking期刊。本研究提出了一种多故障弹性复制方案（MRR），通过建立非线性整数编程模型来最大化数据可用性，并降低由复制引起的成本。MRR能有效处理相关和非相关的机器故障，考虑数据受欢迎程度以增强数据可用性，并最小化一致性维护和存储成本。实验结果表明，与现存的复制方案相比，MRR在提高数据可用性、降低数据丢失概率和减少一致性维护及存储成本方面表现优异。

程龙教授 2024-01-06

发表于ACM Transactions on Multimedia Computing, Communications and Applications期刊。本研究提出了一种保护数据完整性和隐私的解决方案，该方案通过分布式系统和区块链技术来保护数据完整性，同时利用差分隐私和机器学习技术保障数据隐私性。实验结果显示，该方案能有效加密源自物联网的数据，同时保护数据在区块链上的完整性。

程龙教授、刘聪教授 2024-01-01

发表于Information Sciences期刊。本研究提出了一种基于Petri网分解的方法，用于加速计算流程描述与流程行为之间对齐的计算。该方法聚焦于寻找最优对齐，并在Spark平台上实现分布式环境中的高效执行。通过对大型事件日志和流程模型数据集的实验验证，该方法被证明能够显著提高对齐计算的速度。

程龙教授、刘聪教授 2023-12-30

发表于Expert Systems with Applications期刊。本研究提出了一种结合遗传算法和深度强化学习的实时工作流调度方法，旨在降低执行成本和响应时间。在这个方法中，遗传算法被用来获得工作流的关键特征。通过实验比较，在不同工作负载和云实例配置下，该方法在响应时间、执行成本和成功率方面均优于其他现有的方法。

刘聪教授、程龙教授 2022-08-03

发表于IEEE Transactions on Automation Science and Engineering期刊。本研究提出了一种从医疗事件日志中发现跨部门协作医疗流程（CCHP）模型的新方法。首先，引入具有消息和资源属性的扩展Petri网来形式化CCHP。然后，开发新的发现算法来识别部门内的医疗流程模型（IHP），最后，通过整合所有发现的协作模式和IHP模型来构建全局CCHP模型。实验结果表明，该方法能够发现更准确的医疗流程模型。

程龙教授 2023-03-04

发表于IEEE Transactions on Network and Service Management期刊。本研究提出了一种基于coflow的调度系统（CoFlop），旨在改善数据中心网络中多个分布式运营商的网络通信时间，并以此为基础推进网络感知查询执行系统的发展。实验结果表明，CoFlop在处理大型并发工作负载时的表现优于现有方法。

刘聪教授、程龙教授 2022-08-23

发表于IEEE Transactions on Systems, Man, and Cybernetics: Systems期刊。本研究首先定义了层次化Petri网（HPNs）的概念，为包含子流程的业务流程提供一种规范化的建模方法和正确性验证机制。接着，提出了一种从带有生命周期信息的事件日志中有效发现HPNs的方法，并详细介绍了如何将HPNs转换为传统的Petri网，以便应用现有的度量标准。通过在合成和真实事件日志上的实验，本研究提出的模型在质量方面，比现有流程发现方法表现更佳。

刘聪教授、程龙教授 2023-11-29

发表于IEEE Transactions on Services Computing期刊。本研究提出了一种新颖的方法，用于发现层次化多实例流程模型。该方法包括嵌套关系检测、层次化事件日志构建、子流程案例识别和层次化多实例模型发现四个步骤，并且在实验中证明了其在发现高质量层次化多实例流程模型方面的有效性。

刘聪教授、程龙教授 2021-01-26

发表于IEEE Transactions on Automation Science and Engineering期刊。本研究探索了数据在业务流程相似性测量中的作用，并提出了一种数据感知的工作流网（DWF-net），将数据流信息融入业务流程控制流中。本研究引入了三种相似性测量方法，即基于数据项集的相似性、基于数据操作集的相似性和数据感知行为的相似性，以从不同角度量化数据感知业务流程的相似性，并通过比较实验验证了这些方法的有效性和适用性。

程龙教授 2023-08-10

发表于IEEE Transactions on Sustainable Computing期刊。本研究提出了一种基于深度强化学习的调度方法，用于改进云计算中的实时任务调度。通过有效的任务抢占机制来优化任务执行成本，并满足用户的预期响应时间。实验结果显示，这种方法在不同实时工作负载下的表现优于其他调度算法。

刘聪教授 2024-01-01

发表于IEEE Transactions on Services Computing期刊。本研究提出了一个特征信息级联预测框架来预测业务流程的剩余时间。该方法首先提出了一种特征自选取策略，通过系统地估计特征对剩余时间预测的影响来构建特征树，使用特征树自动选择对预测任务具有积极影响的属性作为模型输入。然后构建特征级联预测模型，将每个选择的特征与其预测结果相关联，以解释特征值与预测结果的内在联系。 实验结果表明所提方法能够选取出有效特征，提高预测的准确率，并解释预测结果。

程龙教授 2022-09-01

发表于IEEE Systems Journal期刊。本研究提出了一种针对短期深度学习应用程序设计的容器调度器（SpeCon）。SpeCon通过分析训练过程的典型特征，设计了一套算法来实时监控训练进度和迁移成长缓慢的模型，从而为快速成长的模型提供资源。广泛的实验表明，SpeCon在减少单个任务的完成时间、提升系统整体性能和缩短总体运行时间方面均取得了显著成效。

刘聪教授 2022-04-01

发表于计算机集成制造系统期刊。本研究提出一种高效的业务过程事件日志采样方法，称为LogRank++，该方法首先确定轨迹的重要性特征，如活动、直接跟随活动关系，然后计算轨迹的重要性值进行排序，最后选择一组最重要的轨迹组成样本日志。此外，综合采样质量和采样效率两方面来评估此采样方法的高效性。通过对仿真日志和真实日志的实验分析表明，本文所提出的LogRank++方法相比于已有的采样方法在保证样本日志质量的前提下，大幅地提高了日志采样效率。

程龙教授 2022-07-27

发表于IEEE Transactions on Cloud Computing期刊。为了在容器集群环境中进一步提升深度学习训练任务的效率，本研究提出了FlowCon系统，它能够实时监控深度学习任务的每个评估指标，并据此做出灵活的任务部署和资源分配决策。实验结果显示，与其他系统相比，FlowCon显著提高了深度学习任务的完成时间和资源利用效率。

刘聪教授 2022-03-01

发表于计算机集成制造系统。本研究评估了编码方式对于业务流程剩余时间预测的影响。该方法首先抽取业务流程包含的全部事件，并利用事件编码方式对获取的事件进行编码。其次，根据业务流程序列性的特点，构建不同类型的剩余时间预测模型，同时将事件编码向量作为预测模型的输入，从而评估事件编码方式对业务流程剩余时间预测的影响。结果表明GloVe事件编码方式在提高业务流程剩余时间预测效果上是最有效的。

程龙教授 2022-06-19

发表于Neural Computing and Applications期刊。本研究提出了一种基于深度强化学习的调度方法，用于在混合云环境中调度实时任务，其优化目标是在保证高服务质量和低响应时间的基础上，优化任务执行的成本。该方法能够实时学习并做出精准决策，有效选择最合适的虚拟机，来执行即将到来的任务。实验结果显示，与现有方法相比，我们的方法在成本方面展现出了显著优势。

刘聪教授 2022-06-01

发表于计算机集成制造系统期刊。本研究提出了一个用于评估业务过程中概念漂移检测算法质量的通用框架，并针对不同应用需求提出了四种评价指标。通过公开数据集和四种主流的漂移检测算法对所提评估框架以及四种评价指标进行比较分析，表明该框架具备一定的针对性与有效性，能够满足当前业务过程的实际需求。

程龙教授 2022-04-01

发表于Computers and Electrical Engineering期刊。本研究提出了一种深度强化学习方法，用于高效处理实时云任务。该方法将到达的任务分配到合适的虚拟机中，其优化目标是确保服务质量的同时优化能源消耗。实验结果表明，在处理不同的实时云工作负载时，该方法在任务成功率和平均响应时间方面的表现优于现有方法，同时实现了能源消耗的显著降低。

刘聪教授 2023-03-01

发表于计算机集成制造系统期刊。本研究提出了一种面向异质事件日志的轨迹聚类采样框架，首先将事件日志通过轨迹聚类方法分解为一组同质的子日志，其次，通过已有采样方法对子日志进行日志采样，然后，将子日志对应的样本日志进行合并作为最终的样本日志，最后，从流程模型挖掘的角度对样本日志的质量进行评估。通过6个公开数据集的实验分析表明，本文方法为异质事件日志的高质量采样提供了一种有效的解决方案。

程龙教授 2022-03-01

发表于IEEE Transactions on Cloud Computing期刊。本研究提出一种差异化体验质量调度器(DQoES)，专门用于深度学习的推理任务。DQoES根据客户对体验质量的特定需求进行动态调整资源。实验结果表明DQoES展示了其能够根据不同QoE需求调度多个并发任务。与现有系统相比，该方法能够实现多达8倍的模型满意度提升，显著优化了任务调度的效率。

刘聪教授 2022-03-01

发表于计算机集成制造系统期刊。本研究提出支持增量日志的流程剩余时间预测框架。该方法首先提出特征自选取策略，构建多特征预测模型，丰富预测任务的已知信息，将所得特征组合作为模型输入，提高预测模型的拟合能力。然后，将定期和定量作为模型更新的判断依据，提出定期更新、定量更新和综合更新三种增量更新机制。最后，基于六个真实事件日志，实现了三种不同的预测模型，模拟了增量更新过程。实验结果验证了本文所提方法的有效性，提高了流程剩余时间预测的准确率。

程龙教授 2021-11-09

发表于IEEE Systems Journal期刊。本研究提出了一种深度对抗模仿强化学习(AIRL)的框架，旨在高效调度云计算中的时间敏感任务。该框架专注于优化用户请求的调度，以最大化任务的成功率并显著减少响应时间。通过对不同实时工作负载和计算资源配置的广泛实验验证，AIRL展示了其在云任务调度领域的卓越性能。

程龙教授 2021-09-30

发表于IEEE Transactions on Parallel and Distributed Systems期刊。本研究提出了一种面向物联网边缘系统的负载均衡感知网络方法，旨在实现更高效的数据处理。具体而言，我们引入了一种基于深度强化学习的物联网网络动态聚类解决方案，这一方案不仅满足物联网网络的通信均衡需求，还考虑到了边缘服务器的计算均衡需求。实验结果表明，我们的方法相比基准解决方案在性能上有显著提升。

程龙教授 2021-06-01

发表于IEEE Transactions on Parallel and Distributed Systems期刊。本文提出了一种网络感知局部性调度（NEAL）的方法，旨在解决应用层数据局部性优化和网络层数据流优化之间的联合优化问题，从而进一步降低分布式大数据运算符的通信时间。实验结果展示了NEAL在不同工作负载和网络带宽配置下，其性能始终优于现有方法。

程龙教授 2021-05-10

发表于IEEE INFOCOM 2021-IEEE Conference on Computer Communications Workshops会议。随着大规模数据分析框架趋向于更高程度的并行性以保证高吞吐量，设计一个既能处理任务依赖性和异质性，又能同时保持高吞吐量和高资源利用率的调度器成为了一个挑战。本文提出了SwiftS，这是一种专为云环境中实现高吞吐量而设计的依赖性感知且资源高效的调度策略。

程龙教授 2020-12-01

发表于IEEE/ACM Transactions on Networking期刊。本研究提出了一种多故障弹性复制方案（MRR），通过建立非线性整数编程模型来最大化数据可用性，并降低由复制引起的成本。MRR能有效处理相关和非相关的机器故障，考虑数据受欢迎程度以增强数据可用性，并最小化一致性维护和存储成本。实验结果表明，与现存的复制方案相比，MRR在提高数据可用性、降低数据丢失概率和减少一致性维护及存储成本方面表现优异。