一、团队领衔人简介
（一）基本信息
王红兵教授，男，出生于1966年09月，长期从事人工智能应用研究，主要侧重于运用因果强化学习、深度学习、指针网络、自然语言处理等进行大规模复杂系统态势感知、预测与调控等方面的研究。
（二）主要学术贡献
团队负责人王红兵教授深耕智能服务计算领域多年，先后主持包括国家自然科学基金重点项目在内的多项国家级及省部级核心课题。依托深厚的科研底蕴，团队在大规模服务系统可靠性建模、智能故障诊断、服务自适应演化以及复杂SoS体系构建等前沿方向开展了系统性研究，已形成扎实的理论体系与技术储备。前期的系列研究成果不仅为保障软件运行质量提供了坚实支撑，也为本项目的顺利开展奠定了深厚的学术积淀。相关研究成果发表在IEEE Transactions on Services Computing、IEEE Transactions on Software Engineering、ACM Transactions on Autonomous and Adaptive Systems、IEEE Transactions on Knowledge and Data Engineering、Knowledge-Based Systems、Information Sciences、软件学报等重要期刊，还有部分研究成果发表到ICASSP，ICSOC，ICWS，SCC等重要国际会议上，上述这些成果被国内外同行广泛引用。
包括David Robertson、LZ Zeng、B.Benatallah等在内的多个知名研究组及IEEE TSC、TSE等知名期刊引用我们的工作。我们设计并实现了国际上第一个WS-CDL执行引擎，这项工作引起国际万维网组织的重视。WS-CDL执行引擎被国际上多个研究组索取、使用，包括万维网组织WS-CDL工作组（Steve Ross-Talbot）。爱丁堡大学智能研究中心主任David Robertson在IEEE TRANS介绍了我们在WS-CDL执行引擎上的开创性工作。近年来，我们在基于机器学习的服务计算方面进行持续研究，相关成果发表后，国际同行在跟踪我们的工作。以下具体阐述我们在智能服务计算方面的前期研究：
1）大规模软件服务系统的可靠性预测与故障分析
针对大规模软件服务系统的可靠性方面，我们已经开展了深入的研究。在长序列及多元时间序列的精准预测上，团队创新性地提出了PaDuM双流网络，通过EMA分解分量及CNN与Mamba协同建模，在八类数据集中验证了其先进的预测性能。团队研究组件系统的运行参数时间序列与其（待预测的）在线可靠性时间序列间的决定关系，提出一种基于motifs的动态贝叶斯网络模型，将其应用于相应组件系统的在线可靠性时间序列预测。为了进一步提高未来可靠性预测的准确性，团队提出了基于多步轨迹的动态贝叶斯网络模型，进一步地校准在线可靠性时间序列预测结果；团队提出基于motifs的最大熵马尔可夫模型，用于系统体系的实时可靠性预测。在结合深度学习模型方面，团队提出了一种基于长短期记忆（LSTM）的在线可靠性预测方法。团队提出了一种基于卷积和时频分析的长序列时间序列预测方法（CTFNet）。团队通过结合卷积神经网络和长短期记忆（LSTM），提出另一种在线可靠性预测方法。团队提出了一种基于在线可靠性预测的主动适应方法，用于面向服务系统的自适应调整。系统故障自愈过程作为系统运行的重要保障机制，质量故障预测的研究不仅要面对服务质量的持续和即时干扰，而且还要面对复杂的用户质量偏好问题，团队提出了一种质量失效预测模型，以更精确和动态地分析系统故障并实现自愈。
2）面向不确定性与复杂偏好的大规模服务选择与组合
在大规模服务组合构造方面，团队提出了融合信任与用户偏好的有效Web服务组合机制。团队提出了一种大数据空间下基于信任和异构QoS偏好的服务选择算法。针对云端服务的底层支撑，团队提出了基于适应度拍卖的性能感知云资源分配机制。团队提出基于有界不确定属性的Web服务决策模型。针对当前Web服务发展过程中因网络不确定性，团队提出了一个不确定性感知Web服务选择模型。团队提出使用协同的方法补充智能体的定性偏好，以实现有效的服务选择。进一步地，团队提出条件定性偏好的相似性度量方法，团队设计了加权扩展的CP-nets算法（WCP-Nets）和基于条件偏好网络的个性化Web服务选择推理机制。团队提出了结合定量约束与定性偏好的方法，用于面向非功能属性的服务组合。面向大数据环境下的服务系统应用，团队设计了整合信任与定量、定性偏好的服务选择方案，团队提出了基于QoS的Web服务选择方法。团队进一步提出了结合定性与定量偏好的服务推荐方案。
3）基于多智能体与强化学习的大规模服务自适应组合优化
针对服务组合中面向QoS全局优化及动态适应问题，团队首先关注了服务预测环节的隐私保护问题，提出了通用的本地差分隐私QoS预测框架LDP-QWSP，通过归一化与偏向扰动保留信息，在真实数据集上验证了其具有更低的误差与更快的收敛速度。在组合算法机制方面，团队将强化学习应用于Web服务自动组合，提出了偏好感知的服务组合方法。团队提出了基于并行精细概率模型的QoS感知服务组合优化方法。团队提出了基于强化学习的适应性Web服务组合方法。团队提出了自动分层强化学习的Web服务组合方法，提升大规模服务组合的效率。团队提出了一种将策略强化学习与多主体技术相结合的自适应服务组合模型。团队提出了一种基于多Agent强化学习的自适应动态服务组合方法。基于服务数量不断增多，团队将深度学习与强化学习相结合，提出基于深度强化学习的大规模自适应服务组合方案。在智能优化算法扩展方面，团队提出了融合改进布谷鸟算法与可信度评估的QoS感知服务组合方案；并进一步将循环神经网络（RNN）与强化学习相融合，提出了面向动态演化环境的服务组合新架构。进一步地，团队将天际线计算与强化学习结合，提出了新的自适应服务组合方法，算法的有效性、自适应性得到全面提升。
4）大规模服务系统的智能运维、物联网协同与多模态交互
在大规模服务系统可靠性保障及应用拓展方面，团队提出了基于混合神经网络的有效bug分类（BugTriage）方法，以辅助系统智能维护。团队提出了基于动态偏好和竞争力的群智化任务推荐。在物联网场景下，为了实现网络边缘与数据中心之间的协同，参与人团队基于物联网资源模型提出了雾计算环境下的复杂事件处理方法。进一步地，参与人团队提出了分布式事件驱动的高可靠物联网服务系统申明式构造方法，并将事件机制有效集成到SOA架构中，全面完善了服务系统的协同运行与可靠性保障能力。面向大规模服务生态中日益复杂的人机交互需求，参与人团队提出了用于多模态情感识别的混合专家多模态图注意力网络框架，并构建了基于强化学习的新型多模态情感识别任务框架RL-EMO，极大增强了复杂服务场景下的机器情感感知与认知能力。最后，针对智能化客服与运维中的多轮对话场景，参与人团队提出了全局语义引导的变分对话（GVDialog）模型，通过随机上下文重建有效建模全局潜在语义，全面提升了系统的智能交互保障能力。
（三）研究成果
王红兵教授长期从事大规模系统态势感知、异常检测、预测调控等方面的研究。主持国家重点研发计划1项，国家自然科学基金重点项目2项(含1项联合基金重点)，基金面上项目4项及省部级项目多项。目前正主持国家自然科学基金联合基金重点项目1项，国家自然科学基金面上项目1项。先后于2003.12至2004.3香港大学，2008.4至2008.5 Waterloo University，2009.4至2010.3 CSIRO ICT CENTER，2013.04至2013.06澳大利亚皇家墨尔本大学访问，与国外高水平研究机构建立了广泛合作关系。近年来，成果发表在包括TSE、TSC、TPDS、ACM TAAS、TNNLS、ICSOC、ICWS、CIKM等一流国际期刊和国际会议上，SCI收录22篇，其中第一作者21篇（JCR一区收录14篇，二区收录7篇，均为CCF推荐期刊），服务计算三大会议论文30余篇（均为CCF推荐会议）。授权专利10余项，培养研究生80余名。
二、团队简介
（一）团队基本概况
新一代人工智能与现代服务科技创新人才团队依托贵州师范大学大数据与计算机科学学院为基础，于2024年在贵州省科技厅批准下组建成立的创新型人才技术团队，领衔人为王红兵教授。团队立足规范化科研技术平台、凝聚高层次人才，聚焦大规模复杂系统态势感知、预测与调控，为智能服务计算领域提供科技服务和技术支撑。
（二）核心研究方向及领域
智能服务计算：主要侧重于运用因果强化学习、深度学习、指针网络、自然语言处理等进行大规模复杂系统态势感知、预测与调控等方面的研究
博弈论与随机控制：从事于博弈论、随机控制与金融数学理论研究，并结合计算机技术进行大数据金融、社会网络与信息内容安全应用研究。
人机交互：主要从事人机交互、无线感知、无线通讯、计算机视觉、网络安全、物联网等方面的研究。
信息隐藏：主要从事为可逆数据隐藏、零水印技术、区块链技术和深度模型版权保护等方面的研究。
大模型及其应用：主要从事人工智能、大模型与提示工程、视频编码算法、信息安全等方面的研究。
（三）团队建设及平台支撑
团队构成：目前已形成拥有核心成员5人、学术骨干5人，共25人的专业科研团队。其中，教授2人、副教授3人，博士3人、硕士2人，平均年龄40岁，是一支专业、学历、年龄、职称结构合理，团结进取、开拓创新的科研团队。
（四）团队核心目标
构建人工智能应用研究、产学研协同创新、技术成果交流、科研成果转化的专业化服务体系，聚焦服务计算与人工智能应用研究，以因果强化学习、深度学习、指针网络、自然语言处理为核心技术，开展大规模复杂系统态势感知、预测与调控研究，持续推进技术创新、成果转化、人才培养，为数字产业升级、智能系统建设、地方数字经济发展、复杂系统智能化治理提供有力支撑。
