云边协同计算环境下仿真资源调度优化方法研究

云原生架构赋能训练仿真的同时，也带来了微服务调度的资源效益与运行效能双重挑战。本报告聚焦四类典型任务——智能化（GPU需求大）、低频触发、通信密集、高可靠动态拓扑任务，分别提出针对性调度方案：基于GPU超售的资源高效调度（HyperWeave）、基于反馈控制的低成本调度（LOCOMS）、基于亲和性感知的低时延调度（PRISM）和基于贝叶斯推断的高可靠调度（DRIFT）。实验表明，上述方法在任务完成时间、资源开销、响应时延和可靠性保障上均显著优于现有主流方案。相关成果发表于IEEE TSC等期刊会议，授权发明专利9项，为云原生训练仿真系统的高效运行提供了系统化调度理论与方法支撑。

主要从事复杂系统建模与仿真、云边协同计算、分布式训练与推理等方面研究，承担国家重大工程、国家级重点实验室自主科研项目、国家自然科学基金项目等5项，获国家一级学会教学成果特等奖1项（排名2）。近年来，在TPAMI、TPDS、TSC、NeurIPS、ICPP、《计算机学报》《自动化学报》《系统仿真学报》等期刊和会议上发表论文20余篇，授权专利10余项。