面向業(yè)務(wù)感知的算網(wǎng)融合關(guān)鍵技術(shù)研究

周吉喆 楊思遠(yuǎn) 王志勤

摘要：為解決現(xiàn)有算網(wǎng)融合方案存在的完整業(yè)務(wù)建模缺失、算網(wǎng)資源與業(yè)務(wù)需求失配、系統(tǒng)多性能指標(biāo)折中關(guān)系不清的問題，提出了基于服務(wù)化架構(gòu)的算網(wǎng)融合關(guān)鍵技術(shù)。通過建模微服務(wù)與業(yè)務(wù)性能相關(guān)性業(yè)務(wù)模型，設(shè)計適配業(yè)務(wù)需求的算網(wǎng)融合資源調(diào)度方案，并研究面向系統(tǒng)多種性能聯(lián)合優(yōu)化的算網(wǎng)融合一體化編排策略，滿足新一代移動通信網(wǎng)絡(luò)建設(shè)中業(yè)務(wù)高性能、系統(tǒng)高效能、算網(wǎng)深融合的綜合發(fā)展需求。

關(guān)鍵詞：算網(wǎng)融合；服務(wù)化架構(gòu)；資源管理

Abstract： The current schemes of computing and network convergence （CNC） resource allocation face three challenges： the lack of a general profile and model of service， the mismatching between computing-network resource allocation and service needs， and the missing analysis of the tradeoff relation among various system key performance indicators （KPIs）. To solve these problems， the combination between service-based architecture and CNC is studied， and the service-aware CNC technology is introduced. By leveraging the orchestration strat？ egy of computing and network for the system-level optimization on multiple KPIs， the service-aware CNC can greatly enhance the perfor？ mance of applications， improve the efficiency of the system and strengthen the convergence of computing and network.

Keywords： computing and network convergence； service-based architecture； resource management

1算網(wǎng)融合發(fā)展現(xiàn)狀

隨著新一代科技革命和產(chǎn)業(yè)革命的持續(xù)演進(jìn)，以工業(yè)互聯(lián)網(wǎng)、車聯(lián)網(wǎng)、虛擬及增強(qiáng)現(xiàn)實和數(shù)字孿生為代表的數(shù)字化、網(wǎng)絡(luò)化、智能化業(yè)務(wù)蓬勃發(fā)展。據(jù)IMT-2030（6G）推進(jìn)組《6G典型場景和關(guān)鍵能力白皮書》[1]預(yù)測：到2030年，各類移動終端連接數(shù)將超過184億，月均流量將高達(dá)5 835 GB。

新數(shù)字業(yè)務(wù)的急速增長將需要更強(qiáng)的網(wǎng)絡(luò)數(shù)據(jù)處理與計算能力。當(dāng)前，僅依賴云計算或單一邊緣計算的端到端數(shù)據(jù)處理與計算方式存在業(yè)務(wù)多元需求但算力供給不均、業(yè)務(wù)快速變化但算力延遲響應(yīng)、業(yè)務(wù)分布泛化但算力調(diào)配集中等系統(tǒng)性矛盾，難以有效支撐業(yè)務(wù)發(fā)展。同時，隨著手機(jī)、智能汽車等各類移動終端設(shè)備計算能力的提升，云計算、邊緣計算等網(wǎng)絡(luò)算力呈現(xiàn)多樣化發(fā)展的趨勢。根據(jù)《中國算力發(fā)展指數(shù)白皮書》[2]，2020年中國算力規(guī)模達(dá)到135 EFlops（億次浮點(diǎn)運(yùn)算），年增長率達(dá)到55%，算力規(guī)模持續(xù)增加。算力規(guī)模的快速增長與算力的多樣性發(fā)展將驅(qū)動網(wǎng)絡(luò)算力分配向泛在化演進(jìn)，即網(wǎng)絡(luò)內(nèi)部分布著不同計算能力的算力節(jié)點(diǎn)。為此，如何高效調(diào)用分布式算力，有效匹配并服務(wù)多樣泛在的算力資源，從而實現(xiàn)算力與網(wǎng)絡(luò)的深度融合，是新一代移動通信網(wǎng)絡(luò)發(fā)展的重要問題。

面向上述業(yè)務(wù)需求，中國高度重視算力與網(wǎng)絡(luò)融合（以下簡稱“算網(wǎng)融合”）技術(shù)研究，將其列為6G網(wǎng)絡(luò)技術(shù)儲備的重要內(nèi)容[3-6]。2021年5月，國家發(fā)展和改革委員會等4部門聯(lián)合印發(fā)的《全國一體化大數(shù)據(jù)中心協(xié)同創(chuàng)新體系算力樞紐實施方案》指出，需要加快建設(shè)全國算力一體化的新型算力網(wǎng)絡(luò)架構(gòu)，進(jìn)行算網(wǎng)資源的優(yōu)化配置，實施“東數(shù)西算”工程[7]。在標(biāo)準(zhǔn)化方面，全球的標(biāo)準(zhǔn)化組織積極力推動算網(wǎng)融合領(lǐng)域的標(biāo)準(zhǔn)進(jìn)程。國際電信聯(lián)盟（ITU）已將算力網(wǎng)絡(luò)架構(gòu)與算網(wǎng)融合需求相關(guān)的標(biāo)準(zhǔn)做了立項，探索算網(wǎng)融合邏輯功能與信息交互機(jī)制。歐洲電信標(biāo)準(zhǔn)化協(xié)會（ETSI）聚焦動態(tài)路由、分流等算網(wǎng)融合技術(shù)研究，開展通信與計算融合的高效網(wǎng)絡(luò)系統(tǒng)研究?；ヂ?lián)網(wǎng)研究任務(wù)組（IRTF）成立在網(wǎng)計算研究工作組，面向可編程網(wǎng)絡(luò)設(shè)備研究“計算+轉(zhuǎn)發(fā)”的算網(wǎng)融合網(wǎng)絡(luò)內(nèi)生功能。中國標(biāo)準(zhǔn)化組織也積極推動算網(wǎng)融合、算力網(wǎng)絡(luò)相關(guān)的研究和立項。IMT-2030（6G）推進(jìn)組成立算力網(wǎng)絡(luò)研究組，旨在推動業(yè)界達(dá)成算網(wǎng)融合技術(shù)研究共識，加快關(guān)鍵技術(shù)攻關(guān)與系統(tǒng)設(shè)計進(jìn)程。

目前，業(yè)界主要聚焦基于互聯(lián)網(wǎng)協(xié)議（IP）技術(shù)的算力感知與算網(wǎng)融合技術(shù)研究，通過感知業(yè)務(wù)服務(wù)質(zhì)量（QoS）要求與分布式算網(wǎng)資源狀態(tài)，將業(yè)務(wù)調(diào)度到合適的算力節(jié)點(diǎn)。但目前這些研究仍然面臨分布式算力協(xié)同機(jī)制匱乏、算網(wǎng)資源管理靈活性與動態(tài)性受限、業(yè)務(wù)性能與可靠性保障機(jī)制缺乏等挑戰(zhàn)。針對未來泛在移動業(yè)務(wù)接入與極致性能需求，算網(wǎng)融合技術(shù)發(fā)展將與未來移動通信網(wǎng)絡(luò)服務(wù)化、分布式的演進(jìn)方向緊密結(jié)合，進(jìn)一步細(xì)化算力度量與感知顆粒度，建立網(wǎng)絡(luò)泛在算力資源與實時網(wǎng)絡(luò)狀態(tài)的彈性協(xié)同管理機(jī)制，為業(yè)務(wù)性能指標(biāo)提供確定性保障。

2基于服務(wù)化架構(gòu)的算網(wǎng)融合技術(shù)演進(jìn)趨勢

5G網(wǎng)絡(luò)確定了基于服務(wù)化的網(wǎng)絡(luò)架構(gòu)，并利用虛擬化技術(shù)靈活部署核心網(wǎng)控制面網(wǎng)元，建立網(wǎng)元間的統(tǒng)一接口與交互機(jī)制。未來網(wǎng)絡(luò)將進(jìn)一步深化端到端網(wǎng)絡(luò)的服務(wù)化進(jìn)程[7-8]。云原生技術(shù)能夠?qū)⒕W(wǎng)絡(luò)功能拆解為松耦合的微服務(wù)，并利用容器等虛擬化技術(shù)將微服務(wù)獨(dú)立運(yùn)行并按需部署，以支持更加廣泛的應(yīng)用場景與靈活高效的網(wǎng)絡(luò)服務(wù)能力，拓展網(wǎng)絡(luò)服務(wù)化架構(gòu)應(yīng)用邊界。

結(jié)合未來網(wǎng)絡(luò)全面服務(wù)化的演進(jìn)趨勢，基于服務(wù)化架構(gòu)的算網(wǎng)融合資源管理能夠在算力協(xié)同與業(yè)務(wù)性能的角度適配分布式算力高效調(diào)度的技術(shù)路線，增加算網(wǎng)資源管理的靈活性，助力自配置、自優(yōu)化的網(wǎng)絡(luò)功能編排升級。同時，面向微服務(wù)的業(yè)務(wù)治理方法能夠通過按需靈活的算網(wǎng)資源進(jìn)行管理，滿足實時、跨域、智能化等多樣化的業(yè)務(wù)場景與性能要求。在算力協(xié)同方面，與傳統(tǒng)面向業(yè)務(wù)整體的資源分配方案不同，運(yùn)行微服務(wù)所需的算網(wǎng)資源規(guī)模相對較小，能夠充分調(diào)用算力規(guī)模較小的算力節(jié)點(diǎn)，并通過多點(diǎn)算力協(xié)作提高算網(wǎng)資源利用率與系統(tǒng)容量。因此，基于服務(wù)化架構(gòu)的服務(wù)編排思路與分布式算力高效調(diào)用的技術(shù)路線相匹配。在業(yè)務(wù)性能方面，以微服務(wù)為對象的資源分配方案將算網(wǎng)資源進(jìn)行統(tǒng)一封裝，增加了算網(wǎng)服務(wù)的多樣性與定制性。同時，基于微服務(wù)的算力服務(wù)編排允許每個微服務(wù)單獨(dú)部署在不同的容器或算力節(jié)點(diǎn)上。這使得同一微服務(wù)可以被不同業(yè)務(wù)所調(diào)用，更加靈活地通過微服務(wù)冗余部署實現(xiàn)負(fù)載均衡。因此，基于微服務(wù)的算網(wǎng)資源管理增加了微服務(wù)調(diào)用的靈活性，進(jìn)一步提升了時延、可靠性等業(yè)務(wù)性能指標(biāo)，增強(qiáng)了多業(yè)務(wù)并運(yùn)行下的網(wǎng)絡(luò)服務(wù)能力。面向業(yè)務(wù)感知的服務(wù)化架構(gòu)算網(wǎng)融合技術(shù)愿景如圖1所示。

為最大程度發(fā)揮服務(wù)化架構(gòu)在適應(yīng)性、彈性、可靠性上的優(yōu)勢，算網(wǎng)融合通過對算力與網(wǎng)絡(luò)等多維資源進(jìn)行統(tǒng)一編排與調(diào)度，以算力服務(wù)的形式向業(yè)務(wù)提供按需調(diào)度、靈活適配的網(wǎng)絡(luò)服務(wù)，拓寬了未來網(wǎng)絡(luò)的新價值。

3基于服務(wù)化架構(gòu)的算網(wǎng)融合研究挑戰(zhàn)

為了充分發(fā)揮微服務(wù)等服務(wù)化相關(guān)技術(shù)在算網(wǎng)資源管理問題上的賦能效用，我們需要著力解決以下兩方面的問題。首先，需要對拆解的微服務(wù)與業(yè)務(wù)整體的相關(guān)性進(jìn)行合理的分析與數(shù)學(xué)建模。由于微服務(wù)間存在功能上的依賴關(guān)系，微服務(wù)單體性能與業(yè)務(wù)整體性能間存在制約關(guān)系，因此，基于微服務(wù)的科學(xué)業(yè)務(wù)建模方法是算網(wǎng)資源高效利用的研究基礎(chǔ)。其次，需要面向業(yè)務(wù)需求感知與業(yè)務(wù)特征，建立算網(wǎng)資源的協(xié)同控制機(jī)理。在面向微服務(wù)設(shè)計算網(wǎng)資源分配方案時，由于微服務(wù)的算網(wǎng)資源需求不同，且業(yè)務(wù)的微服務(wù)邏輯結(jié)構(gòu)復(fù)雜，需要充分分析微服務(wù)單體與微服務(wù)局部交互對算網(wǎng)資源分配的影響。

3.1基于微服務(wù)的算網(wǎng)融合資源管理研究現(xiàn)狀

目前，學(xué)術(shù)界主要聚焦無線接入網(wǎng)、邊緣計算等特定場景下的基于微服務(wù)的算網(wǎng)資源管理研究。為了實現(xiàn)算力與網(wǎng)絡(luò)資源的高效調(diào)度并最終體系化地建立基于微服務(wù)的業(yè)務(wù)模型，應(yīng)首先充分分析與提取微服務(wù)的需求、特征與相關(guān)性。

現(xiàn)有普遍使用的基于微服務(wù)的業(yè)務(wù)建模方法主要有兩種。第一種是將業(yè)務(wù)建模成有序的微服務(wù)集合，微服務(wù)間存在線性依賴且在時間上有前后邏輯關(guān)系[9-13]。例如，人臉表情識別微服務(wù)需要在人臉識別微服務(wù)后運(yùn)行。第二種方法是將業(yè)務(wù)建模成有向無環(huán)圖（DAG），只有當(dāng)有向邊上的前導(dǎo)微服務(wù)完成后才能進(jìn)行其指向的后續(xù)微服務(wù)[14-18]。在這種情況下，微服務(wù)存在不止一個前導(dǎo)微服務(wù)，其部署方案與性能受到所有前導(dǎo)微服務(wù)集合的影響。這兩種業(yè)務(wù)建模方法均考慮了實際業(yè)務(wù)運(yùn)行過程中業(yè)務(wù)模塊間存在的邏輯關(guān)系。由于業(yè)務(wù)微服務(wù)間的邏輯關(guān)系，前導(dǎo)微服務(wù)的部署方案與性能會影響后續(xù)微服務(wù)的通信資源分配與算力節(jié)點(diǎn)部署決策。因此，需要根據(jù)微服務(wù)間的關(guān)聯(lián)性設(shè)計算網(wǎng)資源分配方案，以提高業(yè)務(wù)性能?；贒AG的業(yè)務(wù)建模方法在一定程度上考慮了業(yè)務(wù)微服務(wù)間的復(fù)雜邏輯關(guān)系，并設(shè)計了相應(yīng)算網(wǎng)資源分配方案，提高了業(yè)務(wù)性能。

3.2基于服務(wù)化架構(gòu)的算網(wǎng)融合面臨的挑戰(zhàn)

現(xiàn)有工作雖然能夠面向微服務(wù)進(jìn)行算網(wǎng)融合的資源協(xié)同分配，但仍存在微服務(wù)與業(yè)務(wù)性能相關(guān)性的業(yè)務(wù)建模方法缺失、算網(wǎng)融合資源調(diào)度與業(yè)務(wù)需求失配的問題，未能建立系統(tǒng)融合性能最優(yōu)的算網(wǎng)融合編排管理機(jī)制?；诜?wù)化架構(gòu)的算網(wǎng)融合研究面臨以下一些挑戰(zhàn)。

（1）微服務(wù)與業(yè)務(wù)整體相關(guān)性建模缺失：微服務(wù)間存在邏輯關(guān)系與交互行為，因此微服務(wù)單體部署決策影響業(yè)務(wù)整體服務(wù)水平。現(xiàn)有工作未充分考慮不同微服務(wù)的異質(zhì)化特性，僅建模了微服務(wù)間單向的邏輯關(guān)系，未對多個微服務(wù)間信息交互與相互依賴的邏輯關(guān)系進(jìn)行建模與量化，無法真實反應(yīng)業(yè)務(wù)需求與微服務(wù)邏輯關(guān)聯(lián)的結(jié)構(gòu)特征。因此，目前缺少通用的基于微服務(wù)的業(yè)務(wù)建模方法。

（2）算網(wǎng)融合資源調(diào)度與業(yè)務(wù)需求失配：為了最大程度地提升業(yè)務(wù)性能，需要結(jié)合微服務(wù)的資源需求與相關(guān)性特征，設(shè)計對應(yīng)的算網(wǎng)資源分配方案。現(xiàn)有基于微服務(wù)的算網(wǎng)融合資源管理方案并未完整分析微服務(wù)間交互行為對業(yè)務(wù)性能的影響，這導(dǎo)致資源分配無法滿足實際業(yè)務(wù)需求。

（3）系統(tǒng)多種性能指標(biāo)折中關(guān)系不清晰：在多業(yè)務(wù)場景下，需要在保證業(yè)務(wù)QoS的前提下，最大程度提升網(wǎng)絡(luò)整體性能與容量?，F(xiàn)有算網(wǎng)融合資源管理方案通常以業(yè)務(wù)時延、吞吐量等單一性能作為優(yōu)化目標(biāo)，對可靠性、系統(tǒng)容量、算網(wǎng)資源開銷等性能指標(biāo)間折中關(guān)系的研究并不清晰。因此，現(xiàn)有算網(wǎng)融合資源管理方案無法實現(xiàn)系統(tǒng)整體服務(wù)能力最優(yōu)的目標(biāo)。

4基于服務(wù)化架構(gòu)的算網(wǎng)融合關(guān)鍵技術(shù)

為確保基于服務(wù)化架構(gòu)的算網(wǎng)資源的靈活高效調(diào)度，業(yè)界亟需解決業(yè)務(wù)建模缺失、算網(wǎng)資源與業(yè)務(wù)需求失配、系統(tǒng)多性能權(quán)衡不清等關(guān)鍵問題，突破基于云原生的算力服務(wù)與業(yè)務(wù)建模、業(yè)務(wù)需求適配的算網(wǎng)融合資源調(diào)度、面向系統(tǒng)整體性能優(yōu)化的算網(wǎng)融合編排等技術(shù)瓶頸。基于服務(wù)化架構(gòu)的算網(wǎng)融合關(guān)鍵技術(shù)研究將推動業(yè)務(wù)性能與網(wǎng)絡(luò)整體效率的優(yōu)化。構(gòu)建普適的業(yè)務(wù)模型可以為適配業(yè)務(wù)需求的最優(yōu)算網(wǎng)融合資源調(diào)度提供模型基礎(chǔ)。對業(yè)務(wù)模型與分布式算網(wǎng)資源拓?fù)涞挠成潢P(guān)系與資源分配方法的研究，能夠為復(fù)雜環(huán)境下的系統(tǒng)整體性能優(yōu)化提供理論基礎(chǔ)，從而指導(dǎo)系統(tǒng)整體服務(wù)能力最優(yōu)的算網(wǎng)融合服務(wù)編排。

舉例來說，基于服務(wù)化架構(gòu)的算網(wǎng)融合技術(shù)能夠有效賦能增強(qiáng)現(xiàn)實類應(yīng)用場景。通過對使用者看到的現(xiàn)實世界進(jìn)行數(shù)字化環(huán)境渲染與增強(qiáng)，增強(qiáng)現(xiàn)實技術(shù)實現(xiàn)了使用者在虛實世界的交互體驗。目前增強(qiáng)現(xiàn)實技術(shù)已廣泛應(yīng)用于智慧工廠中的設(shè)備巡檢、智慧教育中的教學(xué)互動等多種場景。增強(qiáng)現(xiàn)實類應(yīng)用通常包含視頻采集模塊、跟蹤模塊、映射模塊、物體識別模塊、渲染模塊等功能模塊。各個模塊的開發(fā)與部署可以相互獨(dú)立，且模塊間存在復(fù)雜的邏輯關(guān)系。例如，跟蹤模塊需要根據(jù)視頻采集模塊采集的圖片與當(dāng)前渲染模塊的渲染結(jié)果進(jìn)行特征點(diǎn)學(xué)習(xí)，完成對鏡頭與目標(biāo)物體的跟蹤同步。同時，映射模塊根據(jù)跟蹤結(jié)果更新虛擬世界模型，并反向為跟蹤模塊提供新的特征點(diǎn)參數(shù)。增強(qiáng)現(xiàn)實類應(yīng)用對算力的要求較高，而大多數(shù)移動終端與頭顯設(shè)備受限于算力與能耗，無法完成高清視頻渲染與實時虛實交互?；诜?wù)化架構(gòu)的算網(wǎng)融合技術(shù)能夠充分調(diào)度云邊端算力資源，滿足業(yè)務(wù)性能要求并提升網(wǎng)絡(luò)整體容量。首先，利用基于云原生的業(yè)務(wù)建模方法能夠?qū)⒉煌K視為微服務(wù)，從而量化其計算量、傳輸數(shù)據(jù)量等參數(shù)，并衡量不同模塊間的復(fù)雜邏輯關(guān)系與交互行為。其次，根據(jù)微服務(wù)的算網(wǎng)需求與相互作用關(guān)系，進(jìn)一步利用算網(wǎng)融合資源調(diào)度方法將增強(qiáng)現(xiàn)實類應(yīng)用模塊部署在最優(yōu)的算力節(jié)點(diǎn)（如移動終端、邊緣計算等）上，以滿足實時交互應(yīng)用需求。最后，面向多業(yè)務(wù)、動態(tài)等復(fù)雜網(wǎng)絡(luò)環(huán)境，利用算網(wǎng)融合服務(wù)編排能夠提高系統(tǒng)時延、可靠性、算網(wǎng)資源利用率等多種系統(tǒng)性能指標(biāo)，從而顯著提升系統(tǒng)整體效率。

4.1基于云原生的算力服務(wù)與業(yè)務(wù)建模

云原生技術(shù)廣泛地應(yīng)用在復(fù)雜信息技術(shù)（IT）業(yè)務(wù)的開發(fā)、維護(hù)等環(huán)節(jié)，能夠提高IT業(yè)務(wù)交付與后期管理效率。將云原生技術(shù)應(yīng)用在算網(wǎng)融合中，能夠解決現(xiàn)有算力服務(wù)單體龐大、部署僵化的問題，實現(xiàn)輕量級、定制化的算力服務(wù)管理。另外，云原生技術(shù)將底層網(wǎng)絡(luò)、算力、存儲等多維度資源封裝為微服務(wù)，并獨(dú)立地部署在算力節(jié)點(diǎn)上。這樣能夠更大程度地調(diào)度網(wǎng)絡(luò)分布式異構(gòu)的算力資源，實現(xiàn)算網(wǎng)資源協(xié)同控制。基于微服務(wù)的算力服務(wù)類型包括兩種：第一種是移動通信網(wǎng)絡(luò)的網(wǎng)絡(luò)功能，例如核心網(wǎng)的切片管理、接入網(wǎng)的基帶處理等；另外一種是網(wǎng)絡(luò)內(nèi)生支持的新型算力服務(wù)，例如人工智能（AI）訓(xùn)練等。組合不同的算力服務(wù)，能夠滿足多樣化業(yè)務(wù)需求。

為了更好地提升業(yè)務(wù)性能，需要深入挖掘業(yè)務(wù)微服務(wù)間的邏輯關(guān)系和交互行為，建立通用的業(yè)務(wù)微服務(wù)模型，為算網(wǎng)融合資源協(xié)同調(diào)度管理提供模型基礎(chǔ)。首先，對單體微服務(wù)的計算、通信等資源需求進(jìn)行合理性分析，并建模量化微服務(wù)對業(yè)務(wù)整體性能的相關(guān)性水平，完善微服務(wù)單體模型參數(shù)。其次，分析微服務(wù)間的邏輯關(guān)系與交互行為，進(jìn)而構(gòu)建微服務(wù)間的邏輯關(guān)聯(lián)結(jié)構(gòu)。在傳統(tǒng)業(yè)務(wù)建模方法的基礎(chǔ)上，不僅需要考慮兩個微服務(wù)間“單向線性”的邏輯關(guān)系，還要進(jìn)一步建模兩個或多個微服務(wù)間“環(huán)形交互”的復(fù)雜邏輯結(jié)構(gòu)。由于前導(dǎo)微服務(wù)在資源需求與性能上的差異，不同前導(dǎo)微服務(wù)對后續(xù)微服務(wù)的部署方案與性能表征的影響力存在不同。因此，還需進(jìn)一步量化邏輯關(guān)系上的前導(dǎo)微服務(wù)對后續(xù)微服務(wù)的影響力，建模微服務(wù)間的影響力參數(shù)。最后，根據(jù)微服務(wù)單體需求和邏輯關(guān)聯(lián)結(jié)構(gòu)，利用有向圖的方法健全業(yè)務(wù)整體模型。有向圖的頂點(diǎn)代表一個微服務(wù)，其特征參數(shù)包括計算能力要求、重要性水平等，有向邊代表兩個微服務(wù)間的邏輯關(guān)系，其特征參數(shù)包括微服務(wù)的業(yè)務(wù)傳輸量、影響力水平等。

4.2業(yè)務(wù)需求適配的算網(wǎng)融合資源調(diào)度

基于微服務(wù)的業(yè)務(wù)建模將算力服務(wù)分布式部署在異構(gòu)算力節(jié)點(diǎn)上。由于網(wǎng)絡(luò)算力節(jié)點(diǎn)的計算資源有限，且節(jié)點(diǎn)間通信能力受到帶寬、信道狀態(tài)等通信資源與環(huán)境因素影響，因此需要根據(jù)業(yè)務(wù)需求與網(wǎng)絡(luò)狀態(tài)，對網(wǎng)絡(luò)分布式的計算與通信資源進(jìn)行整合與協(xié)同控制。研究建立業(yè)務(wù)模型與算網(wǎng)物理資源拓?fù)溟g的映射關(guān)系，能夠?qū)λ懔Ψ?wù)進(jìn)行最優(yōu)部署與靈活調(diào)度，最大程度提升業(yè)務(wù)性能。

為實現(xiàn)算網(wǎng)融合資源的最優(yōu)調(diào)度，首先，分析算網(wǎng)物理資源拓?fù)渑c業(yè)務(wù)微服務(wù)模型的映射關(guān)系，構(gòu)建面向業(yè)務(wù)需求與特征的算網(wǎng)資源優(yōu)化問題。算網(wǎng)物理拓?fù)湟部梢岳脠D論的方法建模算力節(jié)點(diǎn)連接拓?fù)?，并通過量化計算能力、通信能力等參數(shù)，構(gòu)建算網(wǎng)資源模型。由于業(yè)務(wù)模型與算網(wǎng)資源模型具有不同的參數(shù)體系，可以通過在業(yè)務(wù)性能指標(biāo)和算網(wǎng)資源維度上對應(yīng)統(tǒng)一的方式，構(gòu)建兩者的關(guān)聯(lián)模型，進(jìn)一步研究算網(wǎng)融合資源分配優(yōu)化問題。其次，對上述算網(wǎng)融合資源優(yōu)化問題進(jìn)行分解，通過降低優(yōu)化變量間的關(guān)聯(lián)性，降低問題求解的復(fù)雜度。該算網(wǎng)融合資源優(yōu)化問題的復(fù)雜度主要來源于微服務(wù)間的邏輯關(guān)系與交互行為，因此，解決問題的關(guān)鍵在于對業(yè)務(wù)的有向圖模型進(jìn)行分解，形成多個算網(wǎng)融合資源優(yōu)化的子問題。最后，根據(jù)分解后的微服務(wù)間邏輯關(guān)聯(lián)性，建立子問題優(yōu)化方向與整體方案設(shè)計目標(biāo)的關(guān)聯(lián)與統(tǒng)一，實現(xiàn)全局資源的最優(yōu)配置?？梢岳梅植际綄W(xué)習(xí)、博弈論等方法，實現(xiàn)多智能體間的協(xié)同迭代學(xué)習(xí)，并最終獲得最優(yōu)的算網(wǎng)融合資源調(diào)度策略。

4.3多目標(biāo)聯(lián)合優(yōu)化的算網(wǎng)融合編排

隨著網(wǎng)絡(luò)規(guī)模與業(yè)務(wù)多樣性的增加，算網(wǎng)融合資源優(yōu)化目標(biāo)不僅僅包括業(yè)務(wù)時延、吞吐等性能指標(biāo)，還需要考慮業(yè)務(wù)可靠性、確定性及網(wǎng)絡(luò)能效、算網(wǎng)資源利用率、算網(wǎng)管理開銷等多種指標(biāo)。因此，在適配業(yè)務(wù)需求的基礎(chǔ)上，需要進(jìn)一步考慮面向系統(tǒng)多性能聯(lián)合優(yōu)化的算網(wǎng)融合編排技術(shù)研究，通過對多指標(biāo)權(quán)衡與協(xié)同管理，實現(xiàn)網(wǎng)絡(luò)不確定性下的系統(tǒng)承載能力與效率提升。

首先，假設(shè)確定性的網(wǎng)絡(luò)場景，并根據(jù)微服務(wù)的特征參數(shù)，研究時延、可靠性、算網(wǎng)資源利用率等多種性能指標(biāo)間的折中關(guān)系。多種性能指標(biāo)的折中關(guān)系可以進(jìn)一步建模成受約束的算網(wǎng)融合資源分配優(yōu)化問題。通過對該優(yōu)化問題進(jìn)行求解，可以獲得性能指標(biāo)間相關(guān)性的數(shù)學(xué)表征，并能夠給出算網(wǎng)融合編排指導(dǎo)。其次，面對網(wǎng)絡(luò)不確定性場景，針對動態(tài)業(yè)務(wù)到達(dá)、算力節(jié)點(diǎn)中斷等情況，利用概率論等方法研究靈活動態(tài)的算網(wǎng)融合編排策略?？梢愿鶕?jù)歷史經(jīng)驗，利用梯度下降等方法設(shè)計線上算網(wǎng)融合編排策略，根據(jù)系統(tǒng)整體性能要求自適應(yīng)地調(diào)整分布式算網(wǎng)資源分配。

5結(jié)束語

本文探索了面向業(yè)務(wù)感知的服務(wù)化架構(gòu)算網(wǎng)融合的資源管理技術(shù)研究，旨在推動云原生、微服務(wù)等技術(shù)在算網(wǎng)融合中的應(yīng)用，引領(lǐng)通信與計算融合的新型網(wǎng)絡(luò)設(shè)計范式。

參考文獻(xiàn)

[1] IMT-2030（6G）推進(jìn)組. 6G典型場景和關(guān)鍵能力白皮書[R]. 2022

[2]中國信息通信研究院.中國算力發(fā)展指數(shù)白皮書[EB/OL]. [2022-09-05]. http：//www.caict.ac.cn/kxyj/qwfb/bps/202109/t20210918_390058.htm

[3] ChinaMobile，ChinaTelecom，ChinaUnicom，etal.5G-advanced technology evolution from a network perspective （2021） [EB/OL].[2022-09-05].https：//www.huawei.com/en/events/5g-advanced-technologyevolution-network-perspective

[4] IMT-2030（6G）推進(jìn)組. 6G網(wǎng)絡(luò)架構(gòu)愿景與關(guān)鍵技術(shù)展望白皮書[R]. 2021

[5] PELTONEN E， BENNIS M， CAPOBIANCO M， et al. 6G white paper on edge intelligence [EB/OL]. （2020-04-30） [2022-09-07]. https：//arxiv. org/abs/ 2004.14850

[6] WIKSTROM G， PERSSON P， PARKVALL S， et al. 6G-connecting a cyberphysical world [EB/OL]. [2022-09-06]. https：//www. ericsson. com/en/ reports-and-papers/white-papers/a-research-outlook-towards-6g

[7]國家發(fā)展改革委，中央網(wǎng)信辦，工業(yè)和信息化部，等.全國一體化大數(shù)據(jù)中心協(xié)同創(chuàng)新體系算力樞紐實施方案[EB/OL]. [2022-09-06]. https：//www.ndrc. gov.cn/xwdt/tzgg/202105/t20210526_1280839.html？code=&state=123

[8] IMT-2030（6G）推進(jìn)組. 6G網(wǎng)絡(luò)架構(gòu)愿景與關(guān)鍵技術(shù)展望白皮書[EB/OL].[2022-09-06]. https：//mp.weixin.qq.com/s/JXqJbVTvbPvJE_Tl5jRXKA

[9]中國移動通信有限公司研究院. 6G服務(wù)化RAN白皮書[EB/OL]. [2022-09-06]. http：//cmri.chinamobile.com/insight/technology/7319.html

[10] WANG M， CHENG B， FENG W D， et al. An efficient service function chain placement algorithm in a MEC-NFV environment [C]//Proceedings of 2019 IEEE Global Communications Conference. IEEE， 2019： 1-6. DOI： 10.1109/ GLOBECOM38437.2019.9013235

[11] CAO Z， ZHANG H G， CAO Y， et al. A deep reinforcement learning approach to multi-component job scheduling in edge computing [C]// Proceedings of 2019 15th International Conference on Mobile Ad-Hoc andSensorNetworks（MSN）.IEEE，2019：19-24.DOI：10.1109/ MSN48538.2019.00018

[12] CHEN L L， XU Y C， LU Z H， et al. IoT microservice deployment in edgecloud hybrid environment using reinforcement learning [J]. IEEE Internet of Things journal， 2021， 8（16）： 12610-12622. DOI： 10.1109/JIOT.2020. 3014970

[13] WANG S Q， ZAFER M， LEUNG K K. Online placement of multicomponent applications in edge computing environments [J]. IEEE access， 2017， 5： 2514-2533. DOI： 10.1109/ACCESS.2017.2665971

[14] CHEN J W， YANG Y J， WANG C Y， et al. Multitask offloading strategy optimization based on directed acyclic graphs for edge computing [J]. IEEE Internet of Things journal， 2022， 9（12）： 9367-9378. DOI： 10.1109/ JIOT.2021.3110412

[15] GHOLAMI A， BARAS J S. Collaborative cloud-edge-local computation offloadingformulti-componentapplications[C]//2021IEEE/ACM Symposium on Edge Computing （SEC）. IEEE， 2021： 361-365. DOI： 10.1145/3453142.3493515

[16] SEDGHANI H， FILIPPINI F， ARDAGNA D. A randomized greedy method for AI applications component placement and resource selection in computingcontinua[C]//Proceedingsof2021IEEEInternational Conference on Joint Cloud Computing. IEEE，2021： 65-70. DOI： 10.1109/ JCC53141.2021.00022

[17] CHEN X W， TANG S T， LU Z H， et al. iDiSC： a new approach to IoT-dataintensive service components deployment in edge-cloud-hybrid system[J]. IEEE access， 7： 59172-59184. DOI： 10.1109/ACCESS.2019.2915020

[18] FATICANTI F， DE PELLEGRINI F， SIRACUSA D， et al. Throughput-aware partitioning and placement of applications in fog computing [J]. IEEE transactions on network and service management， 2020， 17（4）： 2436-2450. DOI： 10.1109/TNSM.2020.3023011

作者簡介

周吉喆，中國信息通信研究院工程師；主要研究方向為算網(wǎng)融合、通感算一體化；發(fā)表論文10余篇。

楊思遠(yuǎn)，中國信息通信研究院移動通信創(chuàng)新中心MTNet實驗室主任工程師；長期從事移動通信領(lǐng)域的技術(shù)研究、技術(shù)試驗等工作，負(fù)責(zé)多項LTE、NB-IOT基站等標(biāo)準(zhǔn)的制定工作，參與多項國家重大專項課題。

王志勤，中國信息通信研究院副院長、中國通信標(biāo)準(zhǔn)化協(xié)會無線通信技術(shù)工作委員會主席、中國通信學(xué)會無線及移動通信委員會主任委員，教授級高級工程師，“新一代寬帶無線移動通信網(wǎng)”國家科技重大專項副總工程師；主要研究方向為無線移動通信技術(shù)和標(biāo)準(zhǔn)。