崔来中教授领衔的未来智能互联网络团队是入驻光明实验室的团队之一，主要开展未来智能互联网络基础理论与核心技术相关研究，面向未来互联网体系结构，专注互联网路由、传输和新型网络方面的应用基础研究，力求在未来互联网的大规模互联互通基础理论和核心技术上实现重大突破, 推动新型智能路由器、传输机制及边缘网络平台和相关新业务形态的产业化, 促进国家在互联网体系结构研究、网络运营部署和安全管理方面的领先地位。

基于机器学习的智能路由机制：研究基于深度强化学习的智能路由机器学习模型。以解决传统路由算法在网络海量、动态、差异化的服务需求下，控制粒度小、计算难度大、路由最优性较差的问题为目标，利用深度学习与强化学习等方法，建立路由图模型、流量矩阵时序模型与 IP地址分布模型等基础行为模型，作为智能路由的数据输入；针对路由历史数据覆盖性有限，但路由目标较清晰的特点，设计集中式与分布式相结合的智能路由控制架构并研究基于深度强化学习的智能路由机器学习模型。

面向移动终端的沉浸式流媒体关键技术：针对沉浸式流媒体中移动终端硬件能力受限的问题，研究沉浸式流媒体服务不同阶段的优化方法，采用实验测量与数据驱动分析的方法构建关键理论模型，设计基于端边协同、深度学习、强化学习等技术的系统架构和智能算法， 并把所提出的关键技术和算法形成系统性解决方案。研究多用户渲染任务边缘部署策略， 利用异构边缘设备实现计算卸载，有效减轻移动终端在多媒体内容生成阶段的计算负载； 研究超分辨率智能调节算法，合理选择运行的模型和参数，在内容传输阶段实现终端传输负载和计算负载之间的灵活调配； 研究用户行为在线预测方法， 进而设计优化的自适应传输机制， 在自适应决策逻辑中融入用户行为预测和终端可用资源评估， 形成从用户观看到传输决策的反馈控制。

联邦学习通信优化关键技术：联邦学习是一种非常灵活的分布式机器学习范式。其主要特点是可以保护参与学习的用户的数据隐私。其工作模式的主要过程是参数服务器与分布式学习节点通过网络进行多轮通信以进行模型参数或者模型梯度的聚合与交换。然而，由于通信次数过多和通信流量过大，通信延迟过大已经成为影响联邦学习训练效率的主要瓶颈，也是联邦学习在实际系统应用中面临的一个主要挑战。联邦学习参数服务器能够在不获取原始数据的情况下协作多个终端设备共同训练机器学习模型。本方向主要开展：研究基于聚类的联邦学习通信优化算法；研究基于压缩通信的联邦学习中压缩率自适应调整框架；研究联邦学习通信中跨数据包的异构压缩方法。

设备透明移动边缘计算场景下虚拟化功能及服务链的部署和迁移关键技术：利用轻量级虚拟化方法，提出适用于移动边缘计算和异构设备边缘计算环境的新理论模型与关键算法。建立针对用户移动的虚拟化功能的无缝迁移机制；设计针对异构边缘设备硬件限制的功能服务链最优化部署算法；实现针对突发访问流量变化的功能服务链动态备份方案。同时，利用边缘硬件设备实现原型系统， 实现边缘应用场景， 提供软硬件工具，以期实现边缘计算中服务质量和资源利用率的提升，帮助实现移动边缘计算应用落地。

近五年，团队承担国家重点研发计划课题、国家自然科学家基金、广东省自然科学基金、深圳市优青等科研项目20余项，发表高水平论文200余篇。团队坚持面向国家重大战略需求的建设理念，围绕互联网体系结构开展人才培养、学科建设、基础研究和产业应用，致力于建设成为本领域具有国际影响力的一流科研团队。

研究方向

智能算力网络服务器、智能中心控制平台、下一代互联网体系结构、软件定义网络、工业互联网、边缘计算、分布式机器学习等。

已开展研究工作：

(1)基于机器学习的智能路由机制

(2)面向移动终端的沉浸式流媒体关键技术

(3)联邦学习通信优化关键技术

(4)设备透明移动边缘计算场景下虚拟化功能及服务链的部署和迁移关键技术