近日，2023年国际计算机通信会议（IEEE International Conference on Computer Communications，INFOCOM 2023) 录用结果揭晓，实验室2020级硕士生黄均浩（指导老师：顾琳副教授）和2022级硕士生陈雨欣（指导老师：王雄副教授）的论文均被录用。黄均浩论文题目为“LOPO: An Out-of-order Layer Pulling Orchestration Strategy for Fast Microservice Startup”，陈雨欣论文题目为“FedMoS: Taming Client Drift in Federated Learning with Double Momentum and Adaptive Selection”。

基于容器的微服务已经被广泛应用于云计算等领域。为了启动微服务，必须从远端仓库中拉取所需的所有层，并且存储在本地服务器上，由此带来的较长的启动时间已成为微服务的主要瓶颈。现有的主流容器系统，如Docker等按照顺序依次拉取微服务的各层，这种方法没有考虑到各层的大小以及拉取任务与线程之间的对应关系。黄均浩在论文中第一次发现可以通过调整层拉取顺序来加速微服务启动。解决了微服务层拉取编排问题，并证明了该问题是NP难（NP-hard）的。提出了基于最长链的层拉取编排策略（LOPO），这种方法具有较低的时间复杂度和算法近似比。基于真实世界数据的实验表明，与目前最新的方法相比，所提出的LOPO方法能够减少22.71%的微服务启动时间。

联邦学习通过将数据保存在本地，从而在保护数据隐私情况下完成分布式合作训练。已有的联邦学习系统因为用户数据分布差异巨大这一因素，使得训练精度不高，并且效率低下，而有效的动量更新和用户选择算法是提高训练效率和精度的可靠手段。陈雨欣在论文中提出耦合的双动量更新算法和无先验信息的用户选择策略，通过缓存历史更新方向，减小了因数据分布不一致带来的用户漂移影响，取得了理论上最优的收敛速度。在此基础上，进一步基于收敛结果，构建最优用户选择策略，加速实际联邦学习训练效率。结果表明，所提出的耦合框架可以实现2.4-7.5倍的训练加速，降低58%-87%的通信轮数。

INFOCOM是IEEE组织在通信网络领域的旗舰性会议，也是国际通信网络领域的一大标志性会议。本届会议共收到投稿1312篇，录用252篇，录用率约为19.2%。

（通讯员：黄均浩、陈雨欣）