研途青年说第118讲-浪live

浪live

浪live > 学术交流 > 正文

研途青年说第118讲

发布者：时间：2026-03-19 23:20:36 浏览：

主题一：基于多模态特征融合的网络流量分类

主讲：蔡志远

（导师：刘外喜）

主题二：基于深度强化学习的数据中心拥塞控制关键机制的研究

主讲：钟鑫健

（导师：刘外喜）

主题三：一种基于模型参数与结构多模态融合的 AI 模型参数初始化机制

主讲：黄锦煌

（导师：刘外喜）

主题四：一种加速分布式大模型训练的定制化网络技术研究

主讲：黄天翔

（导师：刘外喜）

主题五：多类别鸟声分离的鸟鸣率研究

主讲：赖彦超

（导师：王杰）

主题六：从二级运放说开去

主讲：张煜欣

（导师：梁元）

主办机构

浪live

时间安排

2026年1月5日10：00-11：30

地点

文新楼323

为拓宽研究生学术视野，促进研究生学术交流，营造良好的学术氛围，浪live 主办的“研途青年说”第118讲于1月5日10：00-11：30在文新楼323举行。本次主讲人为23级研究生蔡志远、钟鑫健、黄锦煌、黄天翔、赖彦超和张煜欣。

蔡志远同学汇报的主题是基于多模态特征融合的网络流量分类，本课题针对加密流量及动态端口导致传统分类方法失效的问题，提出一种基于多模态特征融合的网络流量分类方法。研究构建了融合空间模态（通信图）、时间模态（包统计、流统计）及事件模态（加权 TCP 标志）的统一特征体系。通过基于消融实验的特征加权编码，显著提升了特征表达能力与模型可解释性。

项目利用图神经网络模型执行多层邻居采样与分层聚合，有效捕获了流量间的拓扑结构信息。针对硬件部署难题，利用定点量化与查找表映射技术将模型成功部署于 P4 交换机，实现了毫秒级的线速在线推理。实验验证表明，系统平均分类准确率达到 91.56%，成功打通了从理论算法到硬件落地的深度闭环。

钟鑫健同学汇报的主题是基于深度强化学习的数据中心拥塞控制关键机制的研究。在数据中心网络（DCN）中为交换机配置合适的缓冲区大小至关重要。在DCN中，瓶颈链路的时空变化具有不可预测性，不同工作负载需要不同的缓冲区管理设置。然而现有研究主要聚焦于优化固定瓶颈链路上两个交换机的本地缓冲区大小，由于采用固定缓冲区大小或基于固定控制逻辑的启发式调整策略，导致性能表现欠佳。如何全局优化 DCN 中所有交换机的缓冲区大小这一挑战尚未得到充分探索。我提出了一种智能缓冲区管理方案——基于深度强化学习的缓冲区管理方案。该方案采用“以退为进”的策略，通过TD3实现所有交换机缓冲区大小的时空自适应调整，同时最小化大象流量的流完成时间（FCT）并最大化小鼠流量的截止时间满足率（DMR）。

黄锦煌同学汇报的主题是一种基于模型参数与结构多模态融合的 AI 模型参数初始化机制。本研究针对大模型训练效率低、传统参数初始化跨结构适配性差的问题，提出融合 Transformer、GAT、DDPM 的多模态融合 AI 模型参数初始化机制。通过收集跨架构预训练模型数据，经参数 token 化与结构图构建，分别利用 Transformer 和 GAT 提取参数与结构特征，再通过条件扩散模型学习二者关联。推理阶段基于目标模型结构特征，生成定制化高质量初始化参数。该机制突破单一模态局限，实现跨架构适配，大幅减少训练迭代次数，降低硬件资源占用，为大模型高效训练提供了技术支撑，提升了训练效率与资源利用率。

黄天翔同学汇报的主题是一种加速分布式大模型训练的定制化网络技术研究。PTS是面向多作业并发分布式训练的训练感知通信编排框架，是一种加速分布式大模型训练的定制化网络技术研究。它采用“静态规划+动态自适应”：先用MILP基于训练统计生成通信初参（压缩率θ、带宽r、时间偏移T），再通过双同步自适应算法在线调整θ和r以保持迭代通信稳定，满足收敛约束。PTS减少通信重叠、缓解带宽竞争、缩短完成时间，通过双同步自适应算法来保障模型精度并同时兼顾每个job的发送速率，适用于带宽受限的多租户GPU集群。

赖彦超同学汇报的主题是多类别鸟声分离的鸟鸣率研究。本研究围绕真实野外被动声学监测中多物种鸟鸣重叠、声源数量未知的问题，提出了一种基于深度学习的多类别鸟鸣分离框架。通过在DPRNN 架构中引入改进的计数器模块，结合多尺度卷积与通道注意力机制，模型能够稳定估计混合鸟鸣的声源数量，并针对不同数量动态选择解码器进行分离。实验结果表明，该方法在 2–4 种混合鸟鸣场景下均表现出较高的声源数量估计准确率，并在复杂重叠条件下显著提升了鸟鸣识别的可靠性。进一步基于分离后的识别结果开展鸟鸣率分析，发现分离处理能够有效减少误判与漏检，使昼行性与夜行性鸟类的鸣叫节律及其与气候因素的关系更加接近真实结果。研究验证了声源分离技术在提高鸟鸣率估计准确性和生态学解释力方面的应用价值，为复杂声学环境下的鸟类生态监测提供了新的技术支撑。