李向阳

E- Mail： xiangyangli@ustc.edu.cn

个人主页：http://staff.ustc.edu.cn/~xiangyangli/    


主要研究方向：无线网络、移动计算、智能物联网，安全隐私、数据共享与交易，大数据计算/网络经济学



李向阳博士（英文用名Xiang-Yang Li），中国科学技术大学计算机科学与技术学院教授、博士生导师、新创讲席教授。现任中国科大信息与智能学部执行部长，计算机科学与技术学院执行院长，中国科学院无线光电通信重点实验室主任。前ACM中国联合主席，ACM Publication Board 成员，现ACM中国指导委员会主席，ACM SigMobile China联合主席。获评国家创新人才长期项目，ACM Fellow，IEEE Fellow, ACM杰出科学家（ACM Distinguished Scientist），基金委杰出青年基金获得者，国家重点研发计划物联网安全项目首席科学家。带领下一代移动计算与数据创新团队（LINKE）入选全国高校黄大年团队（中国科大首批团队）；首次将射频识别室内定位精度提高到毫米级。 作为首席科学家承担了国家重点研发计划、杰出青年基金、海外杰出青年基金、国家自然科学基金重点项目、和美国基金委重点项目等20余项。和国内多家知名企业进行科研合作，服务地方经济。独立/合作指导博士50余名，大部分在美国和中国高校担任教职。

1995获得清华大学计算机科学和工商管理双学士学位，1999年至2001年获得美国伊利诺伊大学厄巴纳-香槟分校硕士、博士学位。曾任美国伊利诺伊理工大学计算机科学系助理教授、副教授、教授，曾任清华大学EMC讲席教授，微软亚洲研究院访问教授，2012年5月至2015年12月曾任无锡清华信息科学与技术国家实验室物联网技术中心副主任。

李向阳教授一直从事智能物联网，边缘计算，数据共享计算，物联网安全和数据安全隐私等方面的研究。自2000年以来已在高水平国际期刊及会议累计发表近500篇学术论文（其中CCF A类论文170余篇），包括移动计算/无线网络领域著名的会议ACM MobiCom论文16篇，谷歌学术论文引用总数超过24000次，H-Index 81，近10次获得国际会议最佳论文奖，例如ACM MobiCom 2014、IEEE GlobeCom 2015等。获批国内外专利50余项。撰写了无线网络领域专著《Wireless Ad Hoc and Sensor Networks: Theory and Applications》（2008年出版）。曾经担任《IEEE/ACM Transactions on Networking》，《IEEE Transactions on Mobile Computing》，《IEEE Transactions on Parallel and Distributed Systems》等期刊的编委，和算法百科全书《Encyclopedia of Algorithms》无线网络学科方向的编辑。曾经担任了多个知名国际学术会议程序委员会主席或者大会主席（如ACM MobiHoc，IEEE MASS等），多年来担任本领域的重要学术会议的程序委员会成员（如ACM MobiCom，IEEE INFOCOM等）。是美国国家自然科学基金（NSF）、中国国家自然科学基金（NSFC）、香港自然科学基金（RGC HongKong）科技部重点研发计划等重大项目的评委。


导师选题：

基于Wi-Fi 等无线信号的感知随着物联网技术的快速发展，非接触式人员状态监测在智能家居、医疗健康等领域展现出广阔的应用前景。传统的监测手段，如摄像头和雷达，虽然能够提供较为精确的监测数据，但通常存在隐私风险、高能耗和高成本等问题，限制了其在日常环境中的广泛应用。相比之下，利用商用Wi-Fi设备进行人员状态监测凭借其低成本、低功耗、无侵入性以及广泛的设备普及率，成为近年来研究的热点。通过分析Wi-Fi信道状态信息（CSI），系统能够捕捉人体与无线信号的微小交互变化，从而实现对人员存在、呼吸速率和跌倒状态等的监测。然而，实际应用中面临诸多技术挑战。首先，室内环境复杂，Wi-Fi信号在传播过程中会受到墙壁、家具等多种因素的干扰，如何从噪声中提取与人员状态相关的高质量信号成为关键难点。其次，系统需适应不同用户及其多样化的行为模式，这些行为会对无线信号造成干扰，影响监测的稳定性和准确性。因此，本研究旨在通过优化信号处理算法，提高在复杂环境下对Wi-Fi CSI数据的解析能力，增强系统在面对不同用户和行为变化时的鲁棒性，从而实现高精度、实时的人员状态监测。这将为智能家居和健康监控领域中隐私友好、低成本的监测系统提供强有力的技术支持。
RFID或者自研无源标签在工业环境中的应用研究如何在复杂的工业环境中使用RFID或者无源标签进行物品位置跟踪和运动状态等检测。研制适用于工业场景的测温标签，通过CT取能设计，实现母线温度的无线低成本监测，解决母线高压环境下维护困难的问题。
工业动作感知与认知聚焦于工业环境中人与设备的动作感知，确保装配过程的质量可靠。通过对视频数据进行深度神经网络训练，实现操作顺序和工具使用的智能识别，确保正确的装配步骤。
基于5G的全域气象感知降雨感知对于智慧农业、径流检测、灾害预警具有至关重要的意义。传统的检测手段，如雨量计、气象雷达、星载雷达等，虽然能够进行精准的降雨监测，但是成本高昂，难以对市镇集区域进行全域检测。注意到5G 基站已经得到广泛部署，如果能给予 5G 信号实现无处不在的降雨感知，将极大丰富气象感知手段，赋能智慧生产。使用 5G 信号进行降雨感知来源于一个基本观察：不同程度的降雨会对信号传播造成不同程度的影响。然而，具体实现中存在诸多挑战，首先，室外环境复杂，信号在传播过程中会受到楼宇、树木等多种因素的干扰，如何从噪声中提取降雨相关的高质量信号成为关键难点；其次，系统需适应不同终端设备，不同设备发射功率不同、姿势朝向各异，这些差异会对无线信号造成干扰，影响监测的稳定性和准确性。因此，本研究旨在通过优化信号处理算法，提高在复杂环境下5G 信号数据的解析能力，增强系统在不同环境中的的鲁棒性，从而实现市镇级全域降雨感知，为智慧生产提供信息支撑。
云边端协同在线计算：数据-传输-计算联合优化基于数据-传输-计算联合优化，研究边缘计算的在线解决方案的设计、分析与应用，充分利用在线近似算法、在线学习、在线博弈等理论，设计一系列当前最优性能保障、真实数据平台验证、关键领域落地应用的数据存储与传输、云边端协同计算、模型部署等策略，算法简洁、易分布式部署，为实现低延迟、高可靠、强安全的智能边缘计算提供核心理论与算法支撑。
数据共享和交易数据共享和计算智能物联网等技术催生海量异构数据，各行各业对跨域大数据融合应用的强烈需求，及中国数据要素市场化政策的推进充分表明了数据共享与交易的必要性和紧迫性。然而数据共享与交易有以下的挑战：1）数据的权属可信、权利安全难以保障；2）数据的实际价值、质量难以度量；3）数据的服务安全、隐私信息难以确保。研究多模异构数据的安全可信确权、标记和权属鉴定；多模异构数据的质量评估和价值衡量；数据服务/模型服务的隐私安全和服务保障等内容。
个性化非结构化数据隐私保护通过加解密或脱敏的方式，实现不同用户的不同等级的隐私保护，以满足可定制、个性化的用户隐私需求。研究实时音/视频流中实现动态个性化加密；多语言环境中提高语音隐私保护的有效性；一次保护满足多个用户不同的物体粒度的隐私脱敏需求。面向不同的机器学习任务进行个性化隐私增强，隐私增强后的数据保证特定任务可用（模型训练/模型推理）。研究隐私保护效果与可用性的权衡，保护隐私的同时保留特定任务的可用性；设计数据脱敏策略，保护隐私同时不影响机器学习任务性能。
非结构化数据隐私检测与评估旨在通过多级语义分析，全面评估图像中的显性和隐性隐私信息，量化不同保护方法的隐私风险，帮助用户做出明智的决策。研究非结构化数据隐私泄露风险标准化和量化；场景/关系等隐私信息深度挖掘。
智能工业优化求解器自主建模：在工业场景建模中，工艺排布需求复杂，工艺知识收集困难，业务人员和算法人员存在沟通和协作困难，使得建模过程效率低下。本项目拟采用自然语言处理技术和大语言模型进行建模过程的辅助，建立从自然语言到建模语言的映射，从而高效、自主地对各行业优化问题进行建模。高效求解：工业制造中，面临着变量和约束数目较大的挑战，传统的求解方法如分支定界算法往往需要消耗大量的时间和计算资源。其中分支定界算法包含多个决策模块，如变量选择、节点选择、割平面选择等，我们结合历史求解数据，采取模仿学习、强化学习等技术，训练模型代替传统求解器的硬编码算法进行决策。增量求解：许多行业面临着目标和约束参数快速变化的挑战。例如，工厂流程优化、客户需求变更和部门人力调整都可能导致部分参数的增加或修改。传统方法中这些问题需要被重新建模后从头求解，但工业场景下的MILP问题往往约束多、规模大，且需要在规定的时间限制内完成，因此探索求解器的增量求解技术具有重要的意义。
量子智能量子算法：探索如何在前量子计算机上实现超越经典算法的机器学习，求解实际问题，如何利用量子特性，设计量子启发的经典算法，提高问题求解效率。量子纠错码：量子比特的易错性是量子计算面临的最大挑战之一。设计更高效的纠错码，也脚踏实地，考虑具体的硬件噪声提高解码器的精度速度，降低容错的资源开销。量子线路编译：量子算法不能直接在物理机器上执行，需要编译器将其转换到符合硬件的限制条件。优化量子线路的编译过程，最大限度地减少量子门的数量，提升计算效率和结果的准确性。量子硬件控制：量子比特的操控精度直接影响量子计算的效果。基于真实的硬件调控数据，设计更精准更高效的硬件参数调控方案。