欢迎访问江苏省计算机学会网站!    设为首页  |  收藏本站
江苏省计算机学会
  •  当前位置首页 > 新闻中心 > 通知公告
    新闻中心  
    党建工作
    学会动态
    政策法规
    行业新闻
    图片新闻
    通知公告
    学会通讯
     
    通知公告
    第三届智能化软件工程研讨会通知(第二轮)
    发布时间:2020-11-09 16:49:35

    为促进智能化软件工程领域相关技术研究和发展,定于20201114日在扬州举办第三届智能化软件工程研讨会。本次会议由江苏省计算机学会计算机软件专业委员会和扬州大学信息工程学院(人工智能学院) 主办,江苏省知识管理与智能服务工程研究中心、江苏省人工智能学会知识工程与智能服务专委会、扬州市计算机学会协办。 邀请了包括香港科技大学、 北京大学、南京大学、复旦大学、西安交通大学、香港理工大学、大连理工大学、西安电子科技大学等单位专家进行研讨会主题报告,探讨智能化软件工程领域的最新研究成果和发展趋势。

    现将有关事项通知如下:

    一、会议主会场        

    江苏扬州大学信息工程学院。

    二、会议方式

    线上网上直播,直播网址: https://live.bilibili.com/22608183

    三、会议时间

    2020年1114日(星期六) 09:00-12:00 14:00-17:00

    四、联系人

    扬州大学信息工程学院(人工智能学院)罗琴18451795080

    五、 会议日程



    特邀报告和专家介绍详见附件1

    本次会议不收会议费,欢迎参加!


    江苏省计算机学会(代章)

    江苏省计算机学会计算机软件专业委员会

    扬州大学信息工程学院(人工智能学院)

    2020年119



    附件1:特邀报告和专家介绍


    1Detecting Numerical Bugs in Neural Network Architectures

    报告摘要: Detecting bugs in deep learning software at the architecture level provides additional benefits that detecting bugs at the model level does not provide. This paper makes the first attempt to conduct static analysis for detecting numerical bugs at the architecture level. We propose a static analysis approach for detecting numerical bugs in neural architectures based on abstract interpretation. Our approach mainly comprises two kinds of abstraction techniques, i.e., one for tensors and one for numerical values. Moreover, to scale up while maintaining adequate detection precision, we propose two abstraction techniques: tensor partitioning and (elementwise) affine relation analysis to abstract tensors and numerical values, respectively. We realize the combination scheme of tensor partitioning and affine relation analysis (together with interval analysis) as DEBAR, and evaluate it on two datasets: neural architectures with known bugs (collected from existing studies) and real-world neural architectures. The evaluation results show that DEBAR outperforms other tensor and numerical abstraction techniques on accuracy without losing scalability. DEBAR successfully detects all known numerical bugs with no false positives within 1.7-2.3 seconds per architecture. On the real-world architectures, DEBAR reports 529 warnings within 2.6ś135.4 seconds per architecture, where 299 warnings are true positives.

    报告人简介:Shing-Chi Cheung is an ACM Distinguished Member on software analysis and testing, and a Fellow of the British Computer Society. He is a Professor and Associate Head of Computer Science and Engineering, the Hong Kong University of Science and Technology. He serves on the editorial board of Science of Computer Programming, and Journal of Computer Science and Technology (JCST). Earlier, he was an editorial board member of the IEEE Transactions on Software Engineering (TSE) and the Information and Software Technology. He was the general chair of the 22nd ACM SIGSOFT International Symposium on the Foundations of Software Engineering (FSE 2014). He was also the general chair of the 19th Asia-Pacific Software Engineering Conference (APSEC 2012). In addition, he is an executive committee member of the ACM SIGSOFT.

    2、程序合成

    报告摘要: 程序合成是软件工程领域历史最悠久和最受关注的方向之一。近年来,快速发展的人工智能技术使得机器对代码和人类需求的理解能力得到显著提升,为代码生成、测试、安全分析等提供了新的思路。本报告以团队在程序合成领域的部分成果,探讨人工智能时代程序合成的现状和发展。

    报告人简介:刘烃,博士,教育部青年长江学者,西安交通大学网络空间安全学院教授、副院长。主要研究方向包括软件工程和信息物理融合系统。2003年和2010年分别获西安交通大学学士和博士学位;2016-2017年美国康奈尔大学访问教授。获得2017年国家科技进步二等奖、以及2015年教育部科技进步一等奖等省部级科技奖励5项。在IEEE TIFSIEEE TSGIEEE TSE等国际权威期刊和ICSEFSEASEISSTAINFOCOM等国际顶级会议上发表论文70余篇,获得2019 IEEE INFOCOM2016 IEEE ISSRE等会议最佳论文奖。

    3、多源信息制导的代码缺陷定位研究

    报告摘要:本次报告将首先介绍报告人的智能化软件测试与排错研究;从代码缺陷定位技术使用的信息源的角度总结分析现有的缺陷定位技术,指出补丁执行信息的作用;以此为基础介绍报告人团队的最新工作——统一的缺陷定位技术ProFL。

    报告人简介:郝丹,北京大学信息科学技术学院计算机系长聘副教授,2016年度“长江学者奖励计划”青年学者,CCF杰出会员。主要从事软件测试等方面的研究,累计在顶级学术会议期刊上发表代表性论文近40余篇,三次获得ACM SIGSOFT Distinguished Paper Award。研究成果投入到航天、电力、税务、搜索等软件系统的测试过程。郝丹博士先后主持和承担了多项国家级科研项目,包括国家自然科学基金(优秀青年科学家项目)、国家自然科学基金(面上项目)等。担任了国际会议ASE 2021的PC Co-Chair,SPLC 2018的General Co-Chair和SPLC的Steering Committee Member等,参与国际会议ISSTA 2019、ASE 2019、ASE 2020、ICSE 2022等组织委员会,国际会议ICSE 2018/ 2019、ASE 2018/2019,FSE 2020,ISSTA 2020/2021等程序委员会委员,以及国际期刊TSE、ESEM和STVR的Associate Editor。

    4Smart Contract Analysis

    报告摘要:The support of smart contracts is the landmark of blockchain 2.0, which allows running various applications on the blockchain. Many blockchain systems support smart contracts, among which Ethereum is the largest one with more than 25 billion USD market capitalization. Moreover, Ethereum supports the majority of cryptocurrency tokens through smart contracts. The top 100 tokens have more than $15 billion USD market capitalization. Unfortunately, smart contracts have been exploited unintentionally or intentionally to cause financial damage to users. For instance, vulnerable smart contracts, especially token contracts, have led to losses amounting to millions of dollars in the past few years. In this talk, we will introduce our recent studies on identifying various issues in smart contracts.

    报告人简介:Xiapu Luo is an associate professor in the Department of Computing, The Hong Kong Polytechnic University. He received his PhD in the same university and then spent two years at the Georgia Institute of Technology as a postdoctoral fellow. His current research interests include Mobile/IoT Security and Privacy, Blockchain and Smart Contract, Network Security and Privacy, and Software Engineering. His work appeared in top conferences and journals, such as USENIX SEC, CCS, NDSS, ICSE, FSE, ASE, ISSTA, INFOCOM, SIGMETRICS, TC, TSE, TIFS, TDSC, etc., and he received eight best (student) paper awards (e.g., INFOCOM'18, ISPEC'17, ATIS'17, ISSRE'16, etc.). He has four granted US patents.

    5、设计模式挖掘、分析与统一表示

    报告摘要:软件设计模式以复用成功设计范例的方式提升软件系统设计的效率和质量。由于设计模式的实践过程较多地涉及到人类主观活动,存在一些颇具挑战性却在已有研究中鲜有提及的问题。例如,如何在众多设计模式中找到重点与关注点?如何形成更具时效性的设计模式文档?如何利用好设计模式的自然语言数据进行任务辅助?为此,我们尝试使用数据驱动的方法来解决这些问题。首先,我们基于大型软件信息平台数据对设计模式的现状进行分析,从而方便从总体上了解和掌握设计模式;然后,我们使用文本挖掘技术从网络众智数据中获取设计模式的相关资料,从而帮助构建与当前编程技术紧密相关的设计模式文档;最后,我们使用词嵌入技术对设计模式和自然语言进行统一建模,从而支持基于文本信息的设计模式相关任务。我们期望通过这些研究来更好地辅助设计模式的实践。


    报告人简介:大连理工大学软件学院教授、博导、大连理工大学人工智能大连研究院院长,国家优秀青年科学基金获得者(优青)。1999年本科毕业于中国科学技术大学少年班。2004年博士毕业于中国科学技术大学,师从陈国良院士。目前主要研究兴趣为智能软件工程、软件大数据、编译系统。先后在ACM/IEEE系列汇刊(TOSEM, TSE, TKDE, TSC等), 中国科学等期刊及ICSE, ASE 等国际会议发表论文70余篇,在科学出版社出版专著一部,在人民邮电出版社出版著作及译著各1部。担任IEEE Trans. on Reliability, Journal of Software: Evolution and Process, Frontiers of Computer Science, 计算机科学等期刊编委(或青年编委)。多次承担或者参加国家自然科学基金项目、973、国家重点研发计划,并长期与华为、百度等企业开展合作。2013年获得大连市五一特等奖章。2013年入选教育部新世纪优秀人才计划。2014年指导博士生获得中国计算机学会优秀博士学位论文奖(CCF优博)。2016年获得全国东软-NASAC青年软件创新奖。2017年获得国家优秀青年科学基金资助。2018年研究成果获得国际软件工程大会ACM SIGSOFT Distinguished Paper Awards. 

    6、大规模微服务轨迹数据分析研究

    报告摘要:微服务架构已经成为云原生软件的主流架构选择,然而微服务系统的运行时管理和维护仍然是一个巨大的挑战。基于运维大数据收集、分析和智能化决策的智能化运维(AIOps)是应对这一挑战的必然选择。本次报告将分析微服务系统智能化运维中的大规模轨迹数据分析相关问题和挑战,并介绍复旦大学CodeWisdom团队在相关方面的研究和实践探索。

    报告人简介:复旦大学计算机科学技术学院副院长、教授、博士生导师。中国计算机学会软件工程专委会副主任,上海市计算机学会青工委主任,《Journal of Software: Evolution and Process》联合主编(Co-Editor),《ACM Transactions on Software Engineering and Methodology》编委(Associate Editor),《软件学报》编委、《Empirical Software Engineering》编委,IEEE软件维护与演化国际会议(ICSME)执委。2016年获得东软-NASAC青年软件创新奖。主要研究方向包括软件开发数据分析、智能化软件开发、软件维护与演化、移动计算与云计算等。在ICSEFSEASECSCWICSMESANERRE等软件工程及相关领域高水平国际会议及IEEE/ACM Transactions等国际期刊发表论文80余篇。研究工作获得ICSM 2011最佳论文奖、ACM SIGSOFT杰出论文奖(ASE 2018)、IEEE TCSE杰出论文奖(ICSME 2018ICSME 2019)、IEEE Transactions on Software Engineering年度最佳论文奖(2018)。担任ICGSE 2014ICSME 2017组委会主席、Internetware 2017ICSR 2019程序委员会主席,以及ICSEFSEASE等会议程序委员会委员。带领复旦大学CodeWisdom研究团队开展软件开发大数据分析平台以及智能化软件开发平台的研究与实践,研究成果在多家大型企业进行了实践应用。

    7、智能软件工程的机遇与挑战

    报告摘要:智能时代是一个计算无所不在、软件定义一切、数据驱动发展的新时代。智能软件工程作为智能时代下新的研究领域,已成为软件工程与智能交叉领域共同关注的研究重点。报告回顾了智能软件工程的发展背景,围绕“智能的软件工程”与“智能软件的工程”两方面展开讨论,从宏观政策引导、科研机构动向、企业布局状态等多维度出发,分析了上述两方面的相关工作情况,并重点探讨在类脑计算、量子计算等新兴计算范型与航空航天、智能制造等特定领域智能化需求的牵引下,发展与应用智能软件工程所面临的机遇与挑战。

    报告人简介:李青山,教授,博士生导师,西安电子科技大学计算机科学与技术学院党委书记,学校博一级软件工程学科带头人,智能软件与系统新技术研究所所长。曾任发展规划处副处长/一流建设工作办公室副主任、研究生院副院长、软件学院副院长。任教育部省级重点学科“软件工程”学术带头人,享受陕西省“三秦人才”津贴,CCF高级会员,CCF软件工程专委会、大数据专委会、青年工作委员会委员,全国工程专业学位研究生教育指导委员会软件工程领域协作组成员,国家留学基金委公派至美国留学访问学者。主持多项全国研究生教育研究课题,获陕西省高等教育教学成果二等奖、西安电子科技大学“十佳青年教师”、“优秀教师”等称号、研究生教育奖教金、中电集团奖教金等。李教授主要从事面向智能体的软件工程、软件体系结构、自适应软件演化、智能软件工程、逆向工程、智能决策支持系统、大数据智能化分析技术等等方向的研究工作,主持国家自然科学基金面上项目、国家科技部重大研发计划课题、国家863重大项目课题、国防973项目课题、国防预研项目、中央高校科研业务基金重点项目、国家留学回国人员基金、陕西省留学人员科技项目、航空科学基金等国家和省部级项目三十余项。作为第一作者或通讯作者在ICSEESEC/FSECCF A类会议和软件工程顶级会议,在ICSMESANERWCRECSMR等软件自适应与软件演化顶级会议,在《中国科学》、《软件学报》、《计算机学报》等国家一级学报、《Integrated Computer-Aided Engineering》(SCI 1区)、《Artificial Intelligence Review(SCI 2)等国际期刊上发表SCI/EI检索论文80余篇。第一完成人授权/公开国家发明专利20余项。并参与编写《Multi-Agent Systems - Modeling, Control, Programming, Simulations and Applications》、《多智能体系统及应用》专著。

    8Validation for Intelligent Software — Generic Adaptive Scheduling for Efficient Context Inconsistency Detection

    报告摘要:Many applications use contexts to understand their environments and make adaptation. However, contexts are often inaccurate or even conflicting with each other (a.k.a. context inconsistency). To prevent applications from behaving abnormally or even failing, one promising approach is to deploy constraint checking to detect context inconsistencies. A variety of constraint checking techniques have been proposed, based on different incremental or parallel mechanisms for the efficiency. They are commonly deployed with the strategy that schedules constraint checking immediately upon context changes. This assures no missed inconsistency, but also limits the detection efficiency. One may break the limit by grouping context changes for checking together, but this can cause severe inconsistency missing problem (up to 79.2%). In this work, we propose a novel strategy GEAS to isolate latent interferences among context changes and schedule constraint checking with adaptive group sizes. This makes GEAS not only improve the detection efficiency, but also assure no missed inconsistency with theoretical guarantee. We experimentally evaluated GEAS with large-volume real-world context data. The results show that GEAS achieved significant efficiency gains for context inconsistency detection by 1.4x-6.7x. When enhanced with an extended change-cancellation optimization, the gains were up to 28.6x.

    报告人简介:许畅,南京大学计算机软件新技术国家重点实验室和计算机科学与技术系教授、博导,研究兴趣包括大数据软件工程、智能软件测试与分析、以及自适应与自控软件系统,主持自然科学基金重点项目和国家重点研发计划课题,入选教育部新世纪优秀人才支持计划,获国家科学技术进步二等奖、中国计算机学会CCF青年科学家奖和中创软件人才奖,发表140余篇学术论文,获ICSE 2014 ACM SIGSOFT杰出论文奖、APSEC 2014最佳论文奖和ASE 2018 ACM SIGSOFT杰出论文奖。




    上一篇:学术报告《 Towards Trustworthy Machine Learning》
    下一篇:2020年江苏省人工智能学术会议会议通知
    友情链接:
    江苏省科学技术协会 中国计算机学会 南京大学 南京大学计算机科技与技术系 南京大学软件学院 东南大学计算机科学与工程学院 江苏经贸职业技术学院 南京信息职业技术学院 南京工业职业技术学院 江苏海事职业技术学院 常州信息职业技术学院 国网电力科学研究院 电子科技集团第28研究所 江南计算技术研究所 
       
     

    Copyright (c) 版权所有 江苏省计算机学会          南京网站建设公司
    秘书处办公室       地址: 江苏省南京市仙林大道163号  邮编:210023   电话/传真:025-89680909   
    秘书处市内联络点   地址: 江苏省南京市汉口路22号     邮编:210093   电话/传真:025-86635622
    电子邮箱:jscs@nju.edu.cn   网址:www.jscs.org.cn    技术支持:南京成旭通信息技术有限公司  

    网站备案号:苏ICP备14049275号-1

    您是本站第27333710位来客!

    在线客服

    点击这里给我发消息