新闻中转

　　软件与物联网工程学院邱厚明老师致力于攻克编码分布式计算中降低恢复阈值、增强系统可靠性和提高解码灵活性等核心难点，近年来多篇研究成果发表在《IEEE Transactions on MobileComputing》、《IEEE Transactions on Cognitive Communications andNetworking》、《IEEE Transactions onCloudComputing》、《IEEE Transactions on Emerging Topics inComputing》等计算机网络与分布式计算领域顶级期刊录用。

　　近期，团队在编码分布式计算领域及其在机器学习中的应用均取得了关键性进展，两篇研究成果分别于4月和11月被国际顶级期刊《IEEE Transactions on MobileComputing》和《IEEE Transactions on Emerging Topics inComputing》收录。这标志着团队在编码分布式计算与系统可靠性方面得到了行业的高度认可，相关技术有望直接应用于大规模计算系统和边缘计算场景，为分布式系统应对海量数据提供全新的技术路径。这两个成果的介绍如下:

　　成果一：基于重心有理插值的编码计算方案实现任意大小的恢复阈值。2025年11月发表于《IEEE Transactions on MobileComputing》的研究《Barycentric Coded Distributed Computing with Flexible Recovery Threshold for Collaborative Mobile EdgeComputing》提出了一种基于重心有理插值的编码分布式计算方案。该方案能够利用来自各个工作节点的任何返回结果重构最终结果，显著降低任务延迟。其次，它能够在有限域和实数域上进行计算，并确保数值稳定性。另一方面，我们精心设计其编码/解码函数确保没有极点，有效提高了解码的近似精度，还实现了灵活的精度调节。此外，我们将设计的编码方案与分布式机器学习算法结合，在确保收敛性的同时显著降低了训练所需时间，同时能容忍系统中出现落后节点。这项研究突破了传统编码分布式计算方案局限于矩阵相乘的单一目标任务，将应用领域扩展至任意的多项式计算任务。

　　成果二：近似编码计算：迈向快速、私有和安全的分布式机器学习。2025年4月发表于《IEEE Transactions on Emerging Topics inComputing》的研究《Approximated Coded Computing: Towards Fast, Private and Secure Distributed MachineLearning》提出了一种快速、安全且具有私密保护的近似编码分布式计方案。该方案基于椭圆曲线密码学的新加密算法来保证传输过程中的数据安全。特别地，我们没有对需要等待的最小结果数量施加严格的限制。此外，该方案能够有效克服系统中存在的落后节点，保证任务不受干扰地执行。同时，通过在编码阶段施加随机数据确保原始数据不被泄露，在解码阶段能够成功解码出原始结果。最后，基于我们设计的编码方案构建的深度神经网络在收敛速度上实现了比基线方法显著的提升。这项研究不仅在编码方案的设计上解决传统编码方案在恢复阈值上的严格限制，同时对分布式系统存在的落后节点、串通节点以及传输过程中的窃听者具有强抵抗功能，其在分布式机器学习领域的明显优势将会收到广泛的应用。

　　延伸阅读

《IEEE Transactions on MobileComputing》和《IEEE Transactions on Emerging Topics inComputing》是计算机网络和计算领域公认的权威期刊，其中《IEEE Transactions on MobileComputing》是移动计算领域最具权威性和影响力的国际顶级学术期刊之一，也是中国计算机学会推荐的国际期刊A类，同时也是当前中科院一区TOP期刊。《IEEE Transactions on Emerging Topics inComputing》是分布式计算领域权威期刊，近几年在学术领域的影响力逐年攀升。

　　（文/软件与物联网工程学院 邱厚明    编辑/付文禛    审核/一审 姜莹 二审 赵旻 终审 成亚林）