香港城市大学全奖博士项目(Chi Hung Sammy CHAN教授)

一、导师简介

香港城市大学全奖博士项目(Chi Hung Sammy CHAN教授)

在电信与无线网络领域深耕近40年的Prof. Chi Hung Sammy CHAN(陈志雄),目前是香港城市大学电子工程学系副教授,同时也是该系网络研究团队的核心成员。其学术与工业界经历的深度结合,让研究始终带有“理论服务实际”的鲜明特点。

教育与职业背景

- 教育经历:1988年,Prof. CHAN从澳大利亚墨尔本大学取得工学学士学位;1990年,他在该校继续深造,获得工程科学硕士学位;1994年,他于澳大利亚皇家墨尔本理工大学(RMIT)完成博士研究,获博士学位。这一系列学习经历,为他搭建了从传统电信到现代网络技术的完整知识框架。

- 工业界经历:1989至1994年,Prof. CHAN在澳大利亚电信研究实验室(TRL)工作,职位从工程师(1989-1992)晋升为高级工程师(1992-1994)。这段时间里,他深度参与产业核心项目:1989年,负责澳大利亚电信基于X.500协议的企业电子目录开发;1990至1994年,转入网络分析部门,开展ISDN网络性能评估、电信网络分析工具开发,以及宽带ISDN拥塞控制研究。这些实践不仅提升了他的问题解决能力,更让他始终关注研究的产业应用价值。

- 学术任职:1994年12月,Prof. CHAN加入香港城市大学,开启学术生涯。至今,他仍与工业界保持紧密联系,曾为全球首个商业视频点播服务商、VoIP服务商提供技术咨询——这种“产学研”结合的模式,让他的研究避开脱离实际的理论空谈,始终紧扣产业需求。

学术资质与影响力

- 学术标识:Prof. CHAN拥有ORCID iD(0000-0002-8524-229X)和Scopus Author ID(13310352900),方便同行追踪其成果;他还是IEEE高级会员(SMIEEE),这一身份是国际电气电子领域对其专业能力的认可——只有在领域内做出一定学术贡献、具备影响力的学者,才能获得该资格。

- 学术产出:从Scopus数据库来看,Prof. CHAN的h-index达47。h-index是衡量学者影响力的核心指标,47的数值意味着他有47篇成果各自被引用至少47次,这在电信与无线网络领域属于较高水平,体现其成果的学术认可度;截至目前,他累计发表277项研究成果,涵盖期刊、会议论文等类型,还持有2项专利,进一步说明其研究既重理论,也重应用转化。

研究兴趣演变

- 早期研究:Prof. CHAN早期聚焦传统电信网络,研究内容包括ATM网络拥塞控制与交换机架构、无线ATM切换技术、视频点播网络文件放置,以及无线网络TCP协议优化。这些方向贴合当时电信网络发展主流,为他积累了传统网络技术的研究经验。

- 近期研究:随着物联网(IoT)与无线自组织网络(ad hoc networks)成为技术热点,Prof. CHAN的研究方向随之调整,转向ad hoc网络的资源分配与路由优化;近年,他的研究进一步拓展至工业物联网安全、无线传感器网络能效优化等前沿领域。这种调整体现了他对技术趋势的敏锐把握,始终将研究重点放在学术与产业的交叉前沿。

二、近期文章和项目解析

香港城市大学全奖博士项目(Chi Hung Sammy CHAN教授)

2025年,Prof. CHAN团队的研究成果集中在物联网安全、无线传感器网络优化、区块链应用三大领域。这些成果均发表于IEEE Internet of Things Journal、Cluster Computing等领域权威期刊,且全部是经过同行评审的RGC 21类论文——同行评审确保了成果的严谨性,RGC 21类期刊则代表该领域的较高学术水平。以下解析部分代表性成果:

(1)工业物联网入侵检测模型

- 文章1:《A deep residual SConv1D-attention intrusion detection model for industrial Internet of Things》(Cluster Computing, 2025, 28(2): 116)

  • 核心内容:工业物联网设备的核心矛盾是“计算资源有限但安全需求高”。针对这一点,Prof. CHAN团队提出深度残差SConv1D-attention入侵检测模型,通过注意力机制提取网络流量关键特征,结合残差网络解决训练中的梯度消失问题,最终在保证高检测精度的同时,控制计算成本(Computational Cost)。
  • 应用价值:工业控制系统安全直接关系生产安全,该模型能有效检测入侵行为,且适配设备资源约束,可为工业控制系统安全防护提供切实支持,填补“高精度与低资源”的空白。

- 文章2:《DTKD-IDS: A dual-teacher knowledge distillation intrusion detection model for the industrial internet of things》(Ad Hoc Networks, 2025, 174: 103869)

  • 核心创新:传统入侵检测模型常面临“精度高则计算重”的问题。为解决这一问题,团队首次将双教师知识蒸馏(dual-teacher knowledge distillation)技术引入工业物联网,把两个复杂模型的知识迁移到轻量级模型中,实现“高精度”与“轻计算”的平衡。
  • 领域贡献:实验数据显示,该模型在工业物联网环境下检测效率提升30%以上,计算资源占用降低50%。这一成果不仅为工业物联网安全提供新方法,还推动了知识蒸馏技术在工业场景的应用。

(2)物联网与无线传感器网络优化

- 文章1:《A Novel Lightweight IoT Intrusion Detection Model Based on Self-knowledge Distillation》(IEEE Internet of Things Journal, 2025, 12(11): 16912-16930)

  • 技术重点:普通物联网设备(如智能家居传感器、穿戴设备)的资源限制比工业设备更严格。针对这一特点,团队提出基于自知识蒸馏(Self-knowledge Distillation)的轻量级模型,无需依赖外部复杂教师模型,仅通过自身知识迁移,就能实现轻量化与高精度的平衡。
  • 期刊价值:IEEE Internet of Things Journal是物联网领域JCR Q1区TOP期刊,能在该期刊发表,说明该模型的创新性与价值得到了领域权威专家的认可。

- 文章2:《Energy efficient clustering and routing for wireless sensor networks by applying a spider wasp optimizer》(Ad Hoc Networks, 2025, 174: 103841)

  • 研究目标:无线传感器网络的关键问题是节点续航短、路由低效,这直接限制网络部署规模与寿命。针对此,团队提出基于蜘蛛蜂优化器的聚类与路由算法,重点优化簇头(cluster-head)选举与路由路径。
  • 核心效果:实验显示,该算法能让网络能效提升40%,节点续航延长50%,对环境监测、智慧农业等大规模部署场景具有重要意义,可降低运维成本,提升网络实用性。

(3)区块链与网络安全

- 文章1:《Blockchain Assisted Trust Management for Data-Parallel Distributed Learning》(IEEE Transactions on Mobile Computing, 2025, 24(5): 3826-3843)

  • 核心内容:数据并行分布式学习中,节点数据造假、参数篡改会严重影响结果可靠性。为解决这一问题,团队将区块链(Blockchain)引入,利用其不可篡改特性构建信任管理(Trust Management)机制,保障学习过程安全。
  • 应用场景:该机制特别适合移动终端参与的边缘联邦学习——这类场景中终端可信度参差不齐,区块链能有效筛选可信节点,确保学习顺利进行。

- 文章2:《A Vulnerability Detection Method for Smart Contracts Based on Dynamic Meta Optimizer》(IEEE Internet of Things Journal, 2025, 12(13): 24904-24915)

  • 技术突破:智能合约(Smart Contract)是区块链核心组件,但代码不可修改性导致漏洞后果严重。针对这一难题,团队提出动态元优化器检测方法,通过动态调整优化策略,提升漏洞检测(Vulnerability Detection)覆盖率与准确率。实验显示,其对重入攻击、整数溢出等常见漏洞检测率超98%,显著高于传统方法。

三、未来研究预测

分析Prof. CHAN团队的研究轨迹可见,其研究始终围绕“技术前沿与产业需求”展开。结合当前物联网、无线网络、区块链的发展趋势,可对其未来方向做出如下预测:

(1)物联网安全:定制化轻量级模型开发

- 研究方向:当前物联网设备碎片化加剧,工业、医疗、消费电子等设备资源特性差异极大。未来,团队可能针对不同设备开发“定制化轻量级检测模型”,例如为医疗物联网设计延迟低于10ms的算法(医疗对延迟要求极高),为工业设备开发抗干扰异常检测机制(工业环境干扰多)。

- 技术支撑:为解决“数据隐私与检测精度”的矛盾,团队可能进一步结合联邦学习(Federated Learning)——让IoT设备在本地训练模型,无需上传敏感数据,同时通过参数共享实现模型实时更新,兼顾隐私与时效性。

(2)无线传感器网络:边缘协同与智能优化

- 研究重点:随着5G/6G普及,无线传感器网络与边缘计算的融合将成趋势。未来,团队可能聚焦“边缘-传感器”协同路由,利用边缘节点预处理数据,过滤无效信息,减少传输能耗;同时,引入强化学习(Reinforcement Learning),让路由策略根据网络状态(如遮挡、干扰)动态调整,提升效率。

- 应用延伸:当前团队研究集中在环境监测、智慧农业,未来可能拓展至智慧交通(车联网传感器网络,低延迟需求)、智慧医疗(可穿戴传感器网络,高可靠性需求),针对不同场景优化算法,提升成果适应性。

(3)区块链:轻量化与场景化落地

- 研究方向:区块链的“不可篡改”特性在网络安全领域潜力巨大。未来,团队可能进一步探索其在“分布式信任”中的应用,例如为车联网(V2X)设计区块链身份认证机制(车辆间通过区块链验证身份,防范恶意节点),为边缘节点设计区块链资源调度协议(保障资源共享安全)。

- 技术突破:当前区块链存在“能耗高、延迟大”的问题,限制了在IoT节点、边缘终端等资源受限设备中的应用。未来,团队可能结合轻量化区块链(Lightweight Blockchain)技术,开发适配这类设备的协议,降低能耗与延迟,推动区块链在无线网络大规模应用。

(4)跨领域融合:多技术协同解决复杂问题

- 潜在方向:随着网络技术发展,单一技术已难解决复杂问题。未来,团队可能探索“物联网安全-无线网络-区块链”的跨领域融合,例如构建“区块链+轻量级检测+能效路由”一体化架构,用区块链保障信任,用轻量级模型保障安全,用能效路由优化性能,协同解决物联网综合问题;此外,还可能涉足AIGC在网络安全的应用,利用AIGC生成模拟攻击数据,丰富训练样本,提升检测模型对未知攻击的泛化能力。

【竞赛报名/项目咨询+微信:mollywei007】

上一篇

前招生官教你改美高文书:如何生动地呈现和展示自己的故事

下一篇

USACO铜级题目/晋级分数线速了解!USACO铜升银备考需要多久?

你也可能喜欢

  • 暂无相关文章!

评论已经被关闭。

插入图片
返回顶部