我校计算机学院（软件学院）周建涛教授课题组专注于算力网络与软件工程领域相关研究，包括云计算、大数据、软件测试与验证、形式化描述技术等。近期，团队在云计算关键技术及形式化描述方向取得了新的研究进展。以下为成果简述：
在云计算关键技术方面，发表研究成果“A Reinforcement Learning Based Framework for Holistic Energy Optimization of Sustainable Cloud Data Centers”，该成果发表在服务计算领域顶级国际期刊，也是中国计算机学会（CCF）推荐的A类期刊IEEE Transactions on Services Computing (TSC)上。
（DOI: 10.1109/TSC.2024.3495495，论文链接：https://ieeexplore.ieee.org/abstract/document/10749972）
云数据中心规模和数量不断扩大导致能耗及碳排放的显著增加。主要的云服务供应商已经开始探索利用传统电能和可再生能源共同为云数据中心供能，形成混合供能云数据中心。然而，由于资源请求的随机性以及可再生能源的波动性和间歇性，采用混合供能方式的云数据中心往往存在虚拟机过度整合或过度制冷导致的整体能耗浪费。为了解决这个问题，论文基于“MAPE”的设计原则，提出基于深度强化学习的云数据中心整体能耗优化框架。
该框架包括（1）MTL-LSTM预测模型，将LSTM作为参数共享层，通过多任务学习提高能耗和进气温度的联合预测精度，有效评估云数据中心整体的能耗和热状态；（2）BayesDDQN资源调度方法，将贝叶斯优化应用于深度强化学习寻优过程，解决计算资源和制冷资源调度时混合动作空间的异步性问题，从而协同优化多能源、多能耗以达到整体能耗最优；（3）Pre-cooling预制冷策略，将冗余的可再生能源用于“热点”消除而无需引入额外的虚拟机迁移。同相关研究中的方法相比，本研究整体能耗降低3.22%，制冷能耗降低16.61%，整体能效得到进一步提升。
图1 混合供能云数据中心整体能耗优化框架图
内蒙古大学为论文第一完成单位，这项研究得到了国家自然科学基金、呼和浩特市科技计划专项等项目的支持。
在形式化描述方向，发表研究成果“A Reduced State Space Generation Method for Concurrent Systems Based on CPN-PR Model”，该成果被计算机辅助设计领域顶级国际学术期刊，也是CCF推荐A类期刊《IEEE Transactions on Computer-Aided Design of Integrated Circuits And System (TCAD)》正式录用。
（DOI:10.1109/TCAD.2024.3515857，论文连接：https://ieeexplore.ieee.org/document/10793419）
现代智能计算机、手机、高端电视机等新型设备多运用到多核、分布式、嵌入式等新型并发模式。并发模式能够有效提高现代新型设备的计算效率，但在该模式影响下的并发系统通常具有执行不确定性和交互复杂性的特点，给软件的正确性验证带来了挑战。为缓解状态空间爆炸问题，论文在形式化描述领域展开研究，提出一种基于属性相关着色Petri网（Property-related Colored Petri Net，简称CPN-PR）模型的约简状态空间自动生成方法。
该方法提出CPN-PR模型的概念及相关定义，扩展了着色Petri网模型的属性相关性描述能力，并根据属性相关的并发行为不会影响属性检测结果的原理，有效实现了约简状态空间的自动生成。图2概述了方法总体框架，具体包含属性分析（Property Analyzing）、属性相关行为自动标记（Related Behaviors Marking）、可激活绑定元素过滤（BES Filtering）的以及约简状态空间约简生成（SSPR Generation）方法。
图2 基于CPN-PR模型的约简状态空间生成方法整体概述图
该方法能够为智能制造、智慧交通、智能医疗等领域提供高效的基础建模理论，帮助提高系统开发阶段的系统验证效率，从而提升工业控制系统的实时性和可靠性。其核心价值在于以理论创新推动实际应用，助力我国在关键领域实现技术自主与产业升级，同时对于基于CPN的并发软件建模、仿真和可达分析方法领域问题的研究具有重要参考价值。
内蒙古大学为论文第一完成单位，该研究受到国家自然科学基金、自治区科技计划等项目支持。
