徐小华

Email：xiaohuaxu@ustc.tsg211.com

个人主页：http://staff.ustc.tsg211.com/~xiaohuaxu/

主要研究方向：智能物联网，边缘计算，云边端协同



徐小华，男，博士生导师。现任职图书馆VIP计算机科学与技术学院，中科院人才项目计划。本科毕业于浙江大学竺可桢学院，竺可桢荣誉证书获得者。博士毕业于美国伊利诺伊理工大学。先后在密歇根理工大学等四所美国综合性大学从事科学研究，并赴德国吕贝克大学、香港理工大学、和美国贝尔实验室安全组短期访问。主持国家自然科学基金面上项目及担任安徽省科技重大专项项目课题负责人，曾主持美国国家科学基金委的研究基金398, 272美元（约257万人民币）。在领域权威期刊IEEE/ACM Transactions on Networking、 IEEE Transactions on Parallel and Distributed Systems和IEEE INFOCOM, ICDCS等会议上发表论文70余篇，一作26篇，专著2部; 其中CCF A类共10篇（一作5篇）。获美国伊利诺伊理工大学计算机科学系的年度唯一最佳学生论文奖。Google学术引用单篇最高引用249次，论文Google学术总引用1642次。在全球会议和大学中发表50多次邀请报告。担任多项重要学术职务如国际期刊编委(Editor) 和项目评委，并连续4年进入INFOCOM (CCF A) 程序委员会。


导师选题：

基于在网计算的动态RPC克隆系统在分布式架构中，RPC请求的长尾效应导致服务无法满足用户服务质量目标的问题。为了应对这种问题，常用的方法是请求克隆，通过冗余操作选择最先完成的结果来降低尾部延迟。然而，现有的NetClone方案存在服务器状态感知不准确、负载加剧和故障感知不足等缺点。为解决这些问题，本课题提出了NetClonePlus，结合拥塞控制与服务器实时状态感知，实现了更低的长尾延迟、减少服务器高压下的负担，并具备故障感知能力。
针对异构终端的联邦图神经网络框架研究本研究旨在解决传统集中式图神经网络在数据隐私和计算资源分配上的挑战。通过在多个异构终端设备上分布式训练图神经网络模型，提升数据隐私保护，有效地利用了多样化设备的计算能力，最终实现了高效、可靠的图数据处理和分析。
针对异构终端的联邦持续学习研究本研究旨在解决不同设备间数据和计算能力差异引发的挑战。在保持数据隐私的同时，利用分布式协同学习机制，实现模型在多样化终端上的持续优化与更新并对在模型泛化能力和学习效率方面进行改进。
针对异构终端的联邦个性化模型研究本研究旨在同时满足不同设备的个性化需求和数据隐私保护。在分布式环境下，通过共享全局模型并引入个性化调整策略，使各终端能依据自身数据进行本地优化，提高模型性能和个性化适应性。