人工智能驱动的云原生工作负载在设备—边缘—云连续体上的自动化与优化部署

专注于利用大语言模型进行自动化基础设施管理的人工智能博士学位。需具备云原生系统、人工智能及优化领域应用数学方面的专业知识。

职位说明： 项目描述： 本论文针对人工智能与云原生运营交叉领域中的三个紧密关联研究问题进行了探讨，这些问题涉及设备-边缘-云全链条。 第一个问题涉及基于大语言模型（LLMs）的代理式人工智能自动生成基础设施即代码工件及部署工作流。 在代码导向型大语言模型方面的最新进展（例如 Codex、CodeLlama、StarCoder 以及 GPT 类模型）已在软件合成领域取得了令人期待的成果 [14]，[15]，然而其在声明式基础设施语言（YAML、HCL、Helm 图表、Kubernetes 操作符、Ansible 剧本）中的应用仍处于初级阶段，存在较高的句法和语义错误率、虚假资源生成现象以及未经验证的策略配置等问题 [6]，[16]。 第二个问题聚焦于联邦多提供商领域中的人工智能驱动工作负载部署优化，需综合考量设备、边缘和云资源在运行时状态（包括 CPU、内存、能源、网络带宽、加速器可用性及服务等级目标），这些状态通过实时遥测数据持续获取[17]，[18]。 现有的调度器与资源分配策略要么依赖静态启发式方法，要么采用强化学习模型，这些方法在高度动态且异质化的环境中难以泛化，更无法在多个管理域间协同运作。此类做法将联盟机制考量视为新的目标，与传统的服务等级协议并列，从而显著扩大了搜索空间并增加了资源分配问题的计算复杂度[19]，[20]。 第三个问题涉及 LLM 生成的基础设施与部署成果的可靠性，以及用于实例化和协调这些系统的代理系统。这涵盖了正确性、安全性、稳健性、可解释性，以及在联邦式、多提供商环境中对运营政策的遵守性——这些都是实现实际生产级应用之前必须具备的必备属性 [21], [22], [23]。

所需背景与技能： 入选者应兼具扎实的科学基础和较强的工程能力，以应对本研究的跨学科性质。首先，必须具备扎实的计算机网络及分布式系统背景，包括深入理解云原生架构、虚拟化与容器化技术（Docker、Kubernetes、服务网格）、软件定义网络（SDN/NFV）、边缘与雾计算范式，以及基于 Linux 的系统管理。其次，须展现扎实的人工智能能力，尤其是大语言模型（LLMs）能力，包括熟悉深度学习框架（PyTorch、TensorFlow、Hugging Face Transformers）、提示工程、微调及参数高效适配技术（RAG、指令微调），以及代码生成模型的最新进展。了解可信 AI 原则（鲁棒性、可解释性、公平性和安全性），也有助于论文的可信性研究。第三，要求具备扎实的应用数学及优化背景，以形式化并求解计算连续体中的工作负载部署与资源分配问题。