在资源有限的工业边缘设备上协调并发人工智能服务

该博士项目致力于优化工业4.0领域未充分利用的边缘人工智能设备的使用效率，通过同时运行多种应用程序，并结合入侵检测系统来保障网络安全。项目采用联邦学习与TinyML技术处理设备异构性问题，并旨在利用真实工业数据集构建原型进行评估。

职位说明： 项目描述： 工业4.0 越来越依赖边缘人工智能设备（如 Jetson、MCU/NPU）来运行预测性维护、质量检测、异常检测及能源优化等本地服务。然而，这些设备大多未被充分利用（正常运行期间 CPU/NPU 使用率低于 20-30%），同时又不断采购新硬件以承载更多服务。鉴于半导体所需关键原材料的需求不断增加，这种模式在经济与环境层面均不可持续。 此外，由 5G/6G 网络与 SDN 架构推动的 OT/IT 融合使得这些工业设备面临新的网络安全威胁，因此需要整合入侵检测系统（IDS）——尤其是通过联合学习技术，该技术能够在不共享原始数据的情况下实现协同训练。 该博士研究旨在设计协同调度方法，使多种人工智能应用——包括工业与网络安全相关应用——能够在单一受限设备上同时运行，从而综合优化精度、能源消耗、延迟及通信成本。本研究将结合联邦学习、分割学习以及 TinyML 技术（修剪、量化、蒸馏）来应对设备与数据的异质性问题。 该论文将把调度问题构建为多目标优化问题，提出用于联邦学习轮次的分时与客户端选择策略，并研究适用于物联网-边缘-云架构的分层协议。研究将特别关注针对联邦学习攻击（如污染攻击、隐私泄露）的鲁棒性，以及不同客户端间聚合过程的公平性。 将开发一个测试平台原型，以在真实的工业数据集上评估所提出的方法，同时结合研究指标（准确率、模型规模、通信量）与工业关键绩效指标（能耗、设备利用率、IDS的检测/误报率）。 该博士研究生项目将由圣艾蒂安矿业大学/DIWII（里昂）与巴黎南电信大学（埃夫里）联合开展。预计将与工业合作伙伴（Orange、西门子、NVIDIA）以及萨凯尔Inria合作，同时还有DIWII另一名从事机器学习、IDS及数据质量研究的博士研究生共同参与。

所需个人背景与技能要求： 在机器学习领域具有扎实的基础（使用 scikit-learn、Keras/TensorFlow、PyTorch 等工具） 具备网络安全经验将被视为加分项。 扎实的编程技能（Python、C/C++、Rust、汇编语言） 建议具备边缘硬件（Jetson、Raspberry Pi、MCU、NPU）及网络技术（SDN、5G/6G概念）方面的基础知识。 具备与行业合作伙伴合作的能力，能够收集真实的轨迹与数据集，并将学术研究成果转化为可部署的原型。 工业研究兴趣与动力 良好的沟通能力（口头与书面） 出色的团队合作能力（团队内部及团队间） 所需英语水平：高级中级：您能够有效使用语言，并能准确表达观点。