1.    生成式人工智能与基础模型

2.    数字孪生与大语言模型驱动的边缘智能

3.    边缘计算中的服务部署与任务调度

Long Chen, Hong-Ning Dai, Xingyi Yuan, Jiale Huang, Yalan Wu and Jigang Wu^*, D-SPAC: Double-sided Preference-Aware Carpooling of Private Cars for Maximizing Passenger Utility, IEEE Transactions on Intelligent Transportation Systems, 25(8): 9810-9827.  (CCF B)

主要解决的问题：面向智慧城市车联网场景，针对用户动态服务偏好请求，与服务方资源的异构、时变，建立基于联盟双排卖的动态服务需求匹配深度强化学习求解模型，实现60%~170%的效用提升，推理求解效率提升10倍以上。

Long Chen, Mianyang Yao, Yalan Wu, and Jigang Wu^*. EECDN: Energy-efficient cooperative DNN edge inference in wireless sensor networks. ACM Transactions on Internet Technology, 22(4), 1-30. (CCF B)

主要解决的问题：针对工业物联网等泛在网络，采用多模态分布式推理模式，实现网络生命期的提升达84.4%。

Long Chen, Jigang Wu^*, Jun Zhang, Hong-Ning Dai, and Mianyang Yao. Dependency-aware computation offloading for mobile edge computing with edge-cloud cooperation[J]. IEEE Transactions on Cloud Computing, 2020, 10(4): 2451-2468. (CCF C)

主要解决的问题：证明了边边协同与边云协同共存下的最优依赖推理任务调度问题不存在近似算法，设计多项式复杂度算法，成功实现了边缘节点间的协同通信、终端节点接入边缘设备的技术验证，在完成时间约束给定下，提升任务完成时间达40%以上。

Long Chen, Shaojie Zheng, Jigang Wu^*, Hong-Ning Dai, Dusit Niyato, Jiafu Wan and Jiale Huang, HARBOR: Harnessing bandwidth, computation, and batch for fair QoE having collaborative edge-AI services in industrial CPS, IEEE Journal on Selected Areas in Communication (JSAC).   (CCF A)

主要解决的问题：在边缘协同下，实现带宽、算力与批推理大小协同优化资源配置，保障异构推理任务下的任务级服务公平性与完成效率。

Long Chen, Jigang Wu^*, Xinxiang Zhang, Gangqiang Zhou, TARCO: Two-Stage Auction for D2D Relay Aided Computation Resource Allocation in Hetnet, IEEE Transactions on Services Computing,  2021, 14 (1): 286-299, (CCF A)

主要解决的问题：面向5G+MEC边缘网络，实现中继协同下的算力资源优化配置与计费机制，实现吞吐率的提升达104%以上。

4.    车联网/算力网中的智能边缘计算

5.    信息系统的安全理论与方法