实验室学生参加 ICWS 2019 并做报告

点击蓝字

关注我们

会议资讯

ICWS 2019（The 2019 IEEE International Conference on Web Services）是服务计算领域的旗舰国际会议，于2019年7月8日至13日在意大利米兰举行。

此次会议中，实验室谢芬方同学、余广坝同学的两篇论文被录用，并以口头报告的形式受邀参会。

论文介绍

谢芬方同学参会的论文题目为 “ Generative Adversarial Network Based Service Recommendation in Heterogeneous Information Networks ” 。

服务推荐是定位开发人员所需服务的一个很好的解决方案。以前的方法主要侧重于使用协同过滤技术向开发人员推荐服务。然而，基于协同过滤的方法存在一些问题，如对数据稀疏性敏感和对新开发人员的预测能力有限。为了解决上述问题，本文提出了一种基于生成对抗网络的异构信息网络服务推荐方法。因为生成对抗网络可以从有限数量的数据中学习到数据分布，而且即使在新开发人员没有调用过该服务的情况下，也能生成他对服务的偏好。具体做法如下：首先利用mashup信息、服务信息及其各自的属性信息构建了一个面向服务的异构信息网络。然后，对不同语义关系的元路径进行抽样，通过基于元路径的相似性度量构建mashup与服务之间的相似性矩阵。最后，通过判别器和生成器之间的对抗训练，判别器可以有效地指导生成器为开发人员生成符合其兴趣的偏好向量，进而为开发人员推荐一个合适的服务列表。对于新来的开发人员，只要他给定想要开发的mashup的属性信息，本文所提出的模型就可以给他生成一个服务列表。

获取论文原文，请访问

https://conferences.computer.org/serviceswp/2019/pdfs/ICWS2019-5QOrHwi6sZGb1mkwgK2JkB/UOsBiVsKlPlzW6AbNK7Aw/S158EMyPjlsSrvAGrVzF8.pdf

余广坝同学参会的论文题目为 “ Microscaler: Automatic Scaling for Microservices with an Online Learning Approach”。

微服务架构的应用与传统的单体应用相比更加灵活，资源利用更细粒度。但自动伸缩问题在微服务场景下变得更加复杂：一是服务性能指标采集困难，二是定位需要进行资源伸缩的服务困难，三是如何在满足服务质量要求的前提下最小化服务提供成本。

作者提出了Microscaler系统原型，主要有三部分构成：

1. 利用Service Mesh实现无需修改应用源代码即可实现对应用每个微服务的细粒度监控，获取微服务实时响应延迟和工作负载等性能指标；

2. 提出一个新颖的机制，service power ，用于定位需要进行资源伸缩的微服务；

3. 结合在线学习算法和启发式算法实现成本最小化的定量扩容。

获取论文原文，请访问

https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8818401

参会感想

在本次会议中，听了几个分组报告发现，国内和国外做研究的侧重点不太一样。国内偏向于深度学习的方法，而国外则偏向于传统的协同过滤方法，且更倾向于做一些底层的和有实践意义的工作。听报告的过程中觉得演讲和表达真的很重要，有的人的工作做得很扎实，但演讲的时候表述不清或者过于紧张，很多人都听不懂，最后都没有人提问，场面比较尴尬。有的人能用通俗易懂的语言把复杂的工作表达清楚，然后就有很多人对这个工作感兴趣，进而提出一个又一个的问题。 

——谢芬方

参会的过程中，我最大的感触是好的工作不仅需要新颖的想法，更需要扎实的理论分析。在提出一个想法的时候，实验结果固然重要，但是理论上分析结果也很重要，也更能让其他学者信服我的工作。其次，与参会的其他学者进行交流，有助于产生新的想法，为我的进一步工作带来了新的启发。

——余广坝

更多精彩内容，请持续关注我们