• Home
• Biography
• Research Interest
• Publications
• Professional Activities
• Projects
• Students
• Teaching
• Recruiting

CONTACT

	Lecturer (讲师) Master Supervisor (硕士生导师) Outstanding Young Scholar of Soochow University (苏州大学优秀青年学者) IEEE、CCF会员 School of Computer Science and Technology
	18983676944
	ningc@suda.edu.cn
	CS Building 430, Tiancizhuang Campus, Soochow University No.333, Ganjiang East Road Suzhou, Jiangsu 215008, China

RECRUITING

I am looking for well motivated students to work on cutting-edge research projects. Both undergraduate and graduate students are welcome!
2025年我组有空缺硕士，欢迎同学们联系！

RESEARCH INTEREST

聚焦于边缘视频推理系统优化，旨在资源受限的边缘环境中实现低延迟、低能耗和高性能的视频推理效果。具体而言，我的研究涵盖以下三个核心子方向：

[视频配置自适应] 在边缘计算环境中，由于硬件资源（如计算能力、内存和电池续航）的限制，网络带宽的不确定性，以及视频内容的多样性，传统固定配置的方法使得视频推理的实时性和精度都面临巨大挑战。因而，考虑通过动态调整视频配置（如分辨率、帧率、压缩率、码率等），使其在不同资源供给条件下依然能最优化系统性能，满足时延和精度需求。

[云边端协作机制] 边缘设备资源有限，而视频推理任务（如视频分析、增强）通常是计算和存储密集型的，因而考虑根据视频任务的复杂性和时效性，设计任务的分层架构，将不同的任务合理分配到云、边缘、终端。例如，边缘设备利用其CPU进行视频预处理（如帧过滤、ROI提取、结果缓存等），边缘服务器执行具体的视频推理，云端则根据视频内容的动态性进行模型训练和微调，并通过剪枝、压缩等手段轻量化推理模型。

[异构协同推理] 单设备推理无法保障实时性，而随着智能摄像头等设备的广泛部署，我们考虑多异构设备协同来加速推理。协同方式分为以下两种：（1）模型切割并分布式部署：基于异构设备运行时状态和模型中间数据大小，将模型分成多块并部署在多个异构设备，通过流水线串行方式增加吞吐量并降低平均处理时延；（2）数据切分并行卸载：基于视频特征将数据切分，并卸载至异构设备实现并行推理，从而加快推理速度。