人工智能学院荣获服务计算领域顶级国际会议IEEE ICWS 2026最佳学生论文奖

2026-07-29     发布：[人工智能学院]谢卓均    点击：135次

     2026年7月13日至18日，服务计算领域国际顶级会议IEEE国际网络服务大会（IEEE International Conference on Web Services，ICWS 2026）在澳大利亚悉尼举行。人工智能学院博士研究生陈奕萱作为第一作者，周长兵教授作为通讯作者，与赵登副教授、博士研究生李江维合作完成的Regular Paper长文《JPSTL: Joint Probabilistic Signal Temporal Logic for Predictive Composition Monitoring》获得了本次国际学术会议唯一的Best Student Paper Award（最佳学生论文奖）。该论文已被CCF服务计算专委会官方微信公众号公开报道（链接：https://mp.weixin.qq.com/s/R9f1EclXSpmZPTqm1auVqA）。

IEEE ICWS是IEEE世界服务大会（IEEE World Congress on SERVICES）核心组成部分，由IEEE服务计算技术委员会（IEEE Technical Community on Services Computing，TCSVC）发起，是服务计算领域权威性的国际学术平台，集中展示基于Web服务的最新研究进展与产业实践动态。该会议被中国计算机学会（CCF）推荐为B类国际学术会议，享有广泛学术影响力。2026年，IEEE ICWS共收到387篇有效投稿，录用77篇，录用率约为19%，每年仅评选1篇最佳学生论文。

该论文聚焦边缘服务预测式监测问题，提出了一种融合深度学习模型与形式化时序逻辑的新型技术框架。随着物联网与边缘计算技术的广泛应用，智能系统日益依赖多个边缘服务协同执行任务。然而，由于设备资源、网络状态和任务负载等因素的动态波动，服务质量指标（如时延和能耗）常表现出高度不确定性，给复合服务的可靠性保障和早期风险预警带来显著挑战。现有信号时序逻辑及概率扩展方法多面向单一服务或单点时刻进行判断，难以胜任组合服务整体风险的持续评估和未来区间内的累积刻画。同时，传统方法常依赖于高斯等固定分布假设进行不确定性建模，对边缘环境中常见的多峰、偏斜及重尾波动缺乏适应性。

针对上述难题，研究团队创新性提出了联合概率信号时序逻辑（JPSTL），建立了一套面向复合边缘服务的预测式监测框架。该框架支持对串行、并行及条件分支等典型服务组合结构的概率建模，能够在未来连续时间窗口内联合评估多项服务质量约束的满足概率。同时，团队引入神经网络与稀疏核密度估计技术，实现对未来服务质量不确定性的非参数化预测，从而更敏锐地识别复杂边缘环境中的潜在异常，在实际违规发生前发出预警，为服务迁移、资源调节与任务重排等主动调控举措预留响应时间。该研究将概率预测、服务组合建模与形式化验证有机结合，为边缘服务系统从事后故障检测向事前风险预警的智能转型开辟了新路径，也为深度学习与形式化方法的结合途径提供了新思路。

本研究受到国家自然科学基金（62402460，62372420和L2524067）、深地国家科技重大专项项目（2024ZD1001900）、中央高校基本科研业务费（2652023001和2652023063）联合资助。论文信息：Yixuan Chen（陈奕萱）, Zhangbing Zhou（周长兵）, Deng Zhao（赵登）, Jiangwei Li（李江维）. JPSTL: Joint Probabilistic Signal Temporal Logic for Predictive Composition Monitoring [C]. IEEE International Conference on Web Services (ICWS), 2026, pp. 868-875. DOI: 10.1109/ICWS72778.2026.00105.