【学术征稿-组织单位 武汉理工大学西安理工大学、西安财经大学】第三届通信网络与机器学习(CNML 2025)
重要信息
官网：www.iccnml.org
大会时间：2025年2月21日-23日
大会地点：中国 南京
通信网络
通信是人与人之间通过某种媒体进行的信息交流与传递。网络是用物理链路将各个孤立的工作站或主机相连在一起，组成的数据链路。通信网络是指将各个孤立的设备进行物理连接，实现人与人，人与计算机，计算机与计算机之间进行信息交换的链路，从而达到资源共享和通信的目的。
机器学习
机器学习是一门多领域交叉学科，涉及概率论、统计学、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能核心，是使计算机具有智能的根本途径。
简介
第三届通信网络与机器学习(CNML 2025)将于2025年2月21-23日在中国南京举行。它致力于为通信网络和机器学习领域的专家和学者之间的学术交流创造一个平台。
通信网络与机器学习之间的结合是近年来在信息通信领域的一个重要发展方向。随着通信技术和机器学习算法的不断进步，这两个领域的融合不仅提高了通信系统的效率、可靠性和性能，而且为解决传统通信网络中的一些难题提供了新的解决方案。
1. 通信网络中的基本概念
通信网络是指由多个节点（如计算机、路由器、基站等）和它们之间的连接构成的系统，目的是进行数据传输。通信网络有很多种类型，如：
- 有线网络（例如以太网）
- 无线网络（例如4G、5G、Wi-Fi等）
- 光纤网络（例如光纤到户 FTTH）
这些网络的核心任务是确保数据在不同设备之间可靠、快速、有效地传输。
2. 机器学习的基本概念
机器学习（ML）是人工智能（AI）的一个分支，它通过算法使计算机从数据中学习，识别模式并进行预测，而无需明确编程。机器学习的主要类型包括：
- 监督学习：模型在标记数据上进行训练，学习输入与输出之间的关系。
- 无监督学习：模型在没有标签的数据上进行学习，识别数据中的模式。
- 强化学习：通过与环境交互，逐步学习如何最大化回报。
3. 通信网络中的机器学习应用
机器学习与通信网络的结合，可以大大提高网络性能、优化资源管理并增强网络安全。下面是一些具体的应用场景：
a. 网络优化
- 资源分配：机器学习可以帮助网络自动优化资源分配。例如，在无线网络中，机器学习可以通过预测不同时间段的网络流量和用户需求，智能地分配带宽和计算资源，从而提高网络的整体效率。
- 流量预测：机器学习可以用于流量预测，预测网络中某一时段或某一区域的流量需求，帮助网络运营商提前进行容量规划和优化。
b. 自动化网络管理
- 自适应网络管理：机器学习算法可以自动调整网络参数（如信号强度、频率、编码方案等），以应对不同的网络负载和环境条件。通过自适应算法，网络管理变得更加智能和高效。
- 故障检测与诊断：通过监控网络数据，机器学习可以帮助检测和诊断网络中的潜在故障或异常。例如，使用异常检测算法检测到网络中的攻击行为、硬件故障或配置错误，提前发出警告并自动进行修复。
c. 网络安全
- 入侵检测与防御：机器学习在通信网络中的安全防护中起着重要作用。通过分析网络流量数据，机器学习能够识别恶意攻击模式，如拒绝服务攻击（DoS）、分布式拒绝服务攻击（DDoS）等，提前做出防御反应。
- 恶意软件识别：机器学习可以被用来识别并隔离恶意软件或异常通信行为，通过学习和识别正常与异常的通信模式，有效防范潜在的安全威胁。
d. 5G和未来网络
- 在5G和未来的网络中，机器学习将起到至关重要的作用。例如，在网络切片、边缘计算、资源优化等方面，机器学习可以根据不同的用户需求和网络状况做出实时调整。
- 边缘计算：机器学习能够在靠近用户端的边缘节点进行数据处理，从而减少延迟、节省带宽并提高系统响应速度。
e. 无线网络中的机器学习
- 信道估计与干扰管理：在无线通信中，信号受到干扰、衰减等影响。机器学习可以用来进行信道估计和干扰管理，通过预测和优化信道质量，提高通信的可靠性。
- 自组织网络（SON）：机器学习可以帮助实现自组织网络，使网络能够在没有人工干预的情况下，自我配置、自我优化和自我修复。
4. 通信网络与机器学习的挑战
尽管通信网络和机器学习的结合带来了许多创新，但也面临一些挑战：
- 数据隐私和安全：机器学习需要大量的数据进行训练，这些数据可能包含敏感信息。在通信网络中应用机器学习时，必须确保用户数据的隐私和安全。
- 计算和延迟问题：机器学习模型尤其是深度学习模型需要强大的计算资源。在低延迟和资源有限的通信环境中，如何高效地部署和运行机器学习模型是一个挑战。
- 模型的可解释性：机器学习模型，尤其是深度学习模型，通常是“黑箱”模型，难以解释其决策过程。在关键的网络管理和安全决策中，网络管理员需要更高的透明度和可解释性。
5. 未来展望
通信网络与机器学习的融合仍处于快速发展中，未来可能会看到：
- 更高效的网络资源调度：通过更加精确的流量预测和实时数据分析，网络资源的调度将变得更加智能和高效。
- 更强大的自动化与自愈能力：通过机器学习，网络将能够自我优化和修复，大大减少人工干预。
- 量子通信与机器学习结合：随着量子通信的发展，机器学习有望帮助优化量子网络的性能，解决量子信号传输中的一些难题。
总结
通信网络与机器学习的结合为传统网络带来了许多创新和变革，特别是在网络优化、自动化管理、安全防护等方面。虽然面临一定的技术挑战，但随着计算能力和算法的不断进步，机器学习将在未来的通信网络中发挥越来越重要的作用。
组织单位
武汉理工大学
西安理工大学、西安财经大学
| 祁忠勇教授 台湾清华大学 IEEE Fellow、AAIA Fellow, AIIA Fellow 祁忠勇教授发表了240多篇技术论文(被Google-Scholar引用超过7500次)，其中包括90多篇期刊论文(主要发表在IEEE TRANSACTIONS ON SIGNAL PROCESSING)， 140多篇同行评议的会议论文，3本书章节，2本书，包括一本教科书《信号处理与通信的凸优化》，《从基础到应用》，CRC出版社2017年版(自出版前的2010年起，已在中国大陆10所一流大学的一系列受邀强化短期课程中广泛使用。 研究方向：机器学习中的数据安全和隐私保护，无线通信的信号处理，盲源分离的凸分析和优化，基于图的学习和信号处理。 | |
| 吴劲松教授 桂林电子科技大学 吴劲松博士近来主要研究方向机器学习，大数据，绿色信息技术，计算机视觉，自然语言处理，物联网，边缘计算。目前被Google学术搜索引用：8241次，h-index：47。2021年和2022年连续2年入选 全球前 2%顶尖研究学者。在2020年和2022年2次入选中华人民共和国科技部高端外国专家引进计划。2020年 他入选入选桂林市三级高层次人才, 2021年入选华为云与计算先锋教师, 2022年荣获教育部-华为智能基座“栋梁之师”。 研究方向：机器学习，绿色信息技术，计算机视觉，自然语言处理，物联网，边缘计算等。 | |
| 钟竞辉教授 华南理工大学 华南理工大学计算机科学与工程学院教授，博士生导师，科技部重点领域创新团队核心成员，广东省高层次人才计划引进青年拔尖人才。近年来在IEEE TEVC, IEEE Tcyb, IEEE CIM 和 ACM TOMACS等国际权威期刊和会议发表学术论文100余篇，主持国家级科研项目、省级科研项目、产业化项目和产教融合协同育人项目多项，曾获教育部自然科学一等奖。目前担任国际期刊《Memetic Computing》 编委（JCR一区期刊）、IEEE 高级会员，CCF高级会员，协同计算专委会委员和智能优化与调度专委会委员。 研究方向：演化计算、机器学习、多智能体建模与仿真。 | |
| 沈谋全教授 南京工业大学 南京工业大学电气工程与控制科学学院教授、博士生指导教师、2015 年江苏省“六大人才高峰”。东南大学博士后，香港大学、韩国岭南大学和澳大利亚阿德莱德大学等境外高校访问学者。主持国家自然科学基金、国家外专 局高端外专和江苏省自然科学基金等省部级以上项目 10 余项。近年来，在 IEEE·Transactionson·AutomaticControl、IEEETransactionson·Cybernetics 和 IEEE-Transactions onSystems,Man,and Cybernetics: Systems 等期刊发表论文 100 余篇、H 指数 25,其中 ESI 热点论文3 篇和 ESI 高被引8 篇。目前担任 JournaofSvstems and·ControlEngineering EditorialOffice 等12 个国际期刊主编或 Associate-Editor 或编委，是IEEE·TAC、Automatica 等 80 余种国内外期刊审稿人，也是国家自然科学基金和多个省市科技项目通讯评审人。 |
主题
| 通信网络 | 机器学习 |
| 通信理论 通信工程 计算机网络和数据通信 信息分析和基础设施 通信建模理论与实践 无线传感器和通信网络 云计算与物联网 网络和数据安全 光电子学和光通信 无线/移动通信和技术 智能通信与计算 绿色通信系统 卫星通信技术 大数据与通信 微波通信 5G通信技术 边缘计算 遥感和卫星通信 无线传感器网络 通信和信息系统 5G/6G产业应用与发展 网络和信息安全技术 通信人工智能 安全和隐私等其他相关主题 | 机器学习算法 智能数据分析 建模和识别 多任务和迁移学习 深度学习 强化学习 人工智能 数据挖掘 数据存取 机器人控制 自然语言处理 机器学习的实验评估 机器学习算法的性能分析 统计学习 贝叶斯网络 神经网络 智能系统 多任务学习 信号检测与估计 统计学习 模式识别 机器学习技术 机器学习5G系统 机器学习的安全和保护 用于通信网络异常检测的机器学习技术 |