算网资源智能适配与融合调度方法

doi:10.11959/j.issn.1000-0801.2023174

电信科学 ›› 2023, Vol. 39 ›› Issue (9): 12-20.doi: 10.11959/j.issn.1000-0801.2023174

• 专题：网络智能化与生成式人工智能 • 上一篇

算网资源智能适配与融合调度方法

张维庭, 孙呈蕙, 王洪超, 代嘉宁

北京交通大学移动专用网络国家工程研究中心，北京 100044

修回日期:2023-09-04 出版日期:2023-08-01 发布日期:2023-08-01
作者简介:张维庭（1992- ），男，博士，北京交通大学移动专用网络国家工程研究中心副教授、硕士生导师，主要研究方向为工业互联网、算力网络和网络智能
孙呈蕙（1998- ），女，北京交通大学移动专用网络国家工程研究中心硕士生，主要研究方向为算力网络和边缘计算
王洪超（1982- ），男，博士，北京交通大学移动专用网络国家工程研究中心副教授、硕士生导师，主要研究方向为信息网络
代嘉宁（2000- ），男，北京交通大学移动专用网络国家工程研究中心硕士生，主要研究方向为算力网络和深度强化学习
基金资助:
国家自然科学基金资助项目(62201029);中国博士后科学基金资助项目(2022M710007);中国博士后科学基金资助项目(BX20220029)

Intelligent adaptation and integrated scheduling method for computing and networking resources

Weiting ZHANG, Chenghui SUN, Hongchao WANG, Jianing DAI

National Engineering Research Center of Advanced Network Technologies, Beijing Jiaotong University, Beijing 100044, China

Revised:2023-09-04 Online:2023-08-01 Published:2023-08-01
Supported by:
The National Natural Science Foundation of China(62201029);China Postdoctoral Science Foundation(2022M710007);China Postdoctoral Science Foundation(BX20220029)

摘要/Abstract

摘要：

为有效支撑网络和计算深度融合的发展需求，新型的算力网络架构应运而生。在此背景下，如何实现算网资源的智能感知以及计算任务的高效调度，是当前网络需要解决的关键问题。为此，分析了面向算网融合的新型网络场景，设计了计算任务与算力节点的调度模型，提出了一种基于深度强化学习的资源调度算法。所提算法通过感知用户设备、算网资源可用容量和链路状态等关键信息，能够智能地做出系统成本最小的调度决策。最后，通过仿真实验验证了所提算法在节约系统成本方面的有效性。

关键词: 算力网络, 资源调度, 深度强化学习

Abstract:

To effectively support the development needs of the deep integration of networking and computing, a novel computing and network convergence architecture has emerged.In this context, how to realize the intelligent perception of computing and networking resources and the efficient scheduling of computational tasks are key problems.To this end, the new network scenario for computing and networking convergence were analyzed, a scheduling model for computing tasks and nodes was designed, and a deep reinforcement learning-based resource scheduling algorithm was proposed.The proposed algorithm was able to intelligently make scheduling decisions that minimize the system cost by sensing key information such as user devices, available capacity of computing and networking resources, and link status.Finally, the effectiveness of the proposed algorithm in saving system cost was verified by simulation experiments.

Key words: computing and network convergence, resource scheduling, deep reinforcement learning, The National Natural Science Foundation of China, China Postdoctoral Science Foundation

中图分类号:

TP393

张维庭, 孙呈蕙, 王洪超, 代嘉宁. 算网资源智能适配与融合调度方法[J]. 电信科学, 2023, 39(9): 12-20.

Weiting ZHANG, Chenghui SUN, Hongchao WANG, Jianing DAI. Intelligent adaptation and integrated scheduling method for computing and networking resources[J]. Telecommunications Science, 2023, 39(9): 12-20.

图/表 7

图1

图2

表1

仿真实验参数的设置"

参数表示	具体描述	取值
$K_{bs}$	基站数量	5
$K_{nodes}$	算力节点数量	5
N	中心算力控制器数量	1
$w_{i}$	计算任务输入数据大小/KB	{300, 500, 700, 900, 1 100}
$c_{i}$	任务所需要的计算资源/cycle	1×10⁹
C	算力节点的计算能力/GHz	{4, 8, 12, 16, 20}
$C_{local}$	本地设备的计算能力/GHz	{0.5, 0.6, 0.7, 0.8, 0.9, 1.0}
B	上行链路带宽/MHz	15
$S / N_{0}$	上行链路信噪比/dB	{15, 20, 25, 30, 35}
$p_{local}^{Tr}$	本地设备的发射功率/mW	50
$p_{local}^{wait}$	本地设备的静态功率/mW	10
$λ^{T} 、 λ^{E}$	用户偏好权重	0.5、0.5

表1

图3

图4

图5

图6

参考文献 15

[1]	IETF,Routing Area Working Group (RTGWG). A report on compute first networking (CFN) field trial[R]. 2019.
[2]	IETF,Routing Area Working Group (RTGWG). Directions for computing in the network[R]. 2020.
[3]	张宏科, 于成晓, 权伟 ,等. 融算网络体系基础研究[J]. 电子学报, 2022,50(12): 2928-2934.
	ZHANG H K , YU C X , QUAN W ,et al. Fundamental research on computing integration networking[J]. Acta Electronica Sinica, 2022,50(12): 2928-2934.
[4]	ZHANG H K , QUAN W , CHAO H C ,et al. Smart identifier network:a collaborative architecture for the future Internet[J]. IEEE Network, 2016,30(3): 46-51.
[5]	GAO J , KUANG Z F , GAO J ,et al. Joint offloading scheduling and resource allocation in vehicular edge computing:a two layer solution[J]. IEEE Transactions on Vehicular Technology, 2023,72(3): 3999-4009.
[6]	刘润滋, 吴伟华, 张文柱 ,等. 基于图学习的密集空间网络传输资源调度方法[J]. 电子学报, 2021,49(11): 2133-2137.
	LIU R Z , WU W H , ZHANG W Z ,et al. Graph learning based transmission resources scheduling in dense space networks[J]. Acta Electronica Sinica, 2021,49(11): 2133-2137.
[7]	彭新玉, 周扬, 董振江 . 基于车联网远程驾驶的虚拟资源智能协同管理技术[J]. 电信科学, 2020,36(4): 61-68.
	PENG X Y , ZHOU Y , DONG Z J . Intelligent collaborative management technology of virtual resources based on Internet of vehicles remote driving[J]. Telecommunications Science, 2020,36(4): 61-68.
[8]	MUNIR A , HE T , RAGHAVENDRA R ,et al. Network scheduling and compute resource aware task placement in datacenters[J]. IEEE/ACM Transactions on Networking, 2020,28(6): 2435-2448.
[9]	GODAVARTI M , MARZETTA T L , SHAMAI S . Capacity of a mobile multiple-antenna wireless link with isotropically random Rician fading[J]. IEEE Transactions on Information Theory, 2003,49(12): 3330-3334.
[10]	李泽源 . 移动边缘计算中计算卸载和资源分配协同优化策略设计与实现[D]. 北京:北京交通大学, 2021.
	LI Z Y . Design and implementation of cooperative optimization strategy for computing offload and resource allocation in mobile edge computing[D]. Beijing:Beijing Jiaotong University, 2021.
[11]	CARDELLINI V , DE NITTO PERSONé V , DI VALERIO V ,et al. A game-theoretic approach to computation offloading in mobile cloud computing[J]. Mathematical Programming, 2016,157(2): 421-449.
[12]	WU M Y , YU F R , LIU P X ,et al. A hybrid driving decision-making system integrating Markov logic networks and connectionist AI[J]. IEEE Transactions on Intelligent Transportation Systems, 2023,24(3): 3514-3527.
[13]	LI C L , ZHANG Y , LUO Y L . A federated learning-based edge caching approach for mobile edge computing-enabled intelligent connected vehicles[J]. IEEE Transactions on Intelligent Transportation Systems, 2023,24(3): 3360-3369.
[14]	KANG H Y , LI M L . High-dimensional data classification based on dimension reduction of BP neural network[J]. Computer Engineering and Applications, 49(20): 183-7.
[15]	ZHANG C , ZHANG Z . Task migration for mobile edge computing using deep reinforcement learning[J]. Future Generation Computer Systems, 2019,96: 111-118.

算网资源智能适配与融合调度方法

Intelligent adaptation and integrated scheduling method for computing and networking resources

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 15

相关文章 15

Metrics

推荐阅读 0

[1]	张儒申, 左扬, 李东奇, 周铭, 胡一伟, 陈晓芳. 5G调度性能优化方案研究与应用[J]. 电信科学, 2023, 39(Z1): 110-117.
[2]	潘洁, 叶兰, 张鹏飞, 卜忠贵. 基于国密算法的算力网络安全研究[J]. 电信科学, 2023, 39(8): 157-166.
[3]	庞冉, 易昕昕, 辛亮, 曹畅, 唐雄燕. 算力网络路由调度技术研究[J]. 电信科学, 2023, 39(8): 149-156.
[4]	沈林江, 曹畅, 崔超, 张岩. 基于策略约束强化学习的算网多目标优化研究[J]. 电信科学, 2023, 39(8): 136-148.
[5]	刘峻朋, 夏玮玮, 刘晗, 修成林, 燕锋, 沈连丰. 面向电力业务质量保障的NR-U与Wi-Fi频谱共享[J]. 电信科学, 2023, 39(7): 11-22.
[6]	胡珈玮, 刘晓谦, 唐昕柯, 董宇涵. 基于DQN的UUV辅助水下无线光通信轨迹规划系统[J]. 电信科学, 2023, 39(5): 42-47.
[7]	廖熙雯, 冷甦鹏, 明昱君, 李天扬. 基于数字孪生的城市交通流智能预测与导引策略[J]. 电信科学, 2023, 39(3): 70-79.
[8]	王淑玲, 孙杰, 王鹏, 杨爱东. 云边协同中的资源调度优化[J]. 电信科学, 2023, 39(2): 163-170.
[9]	康宇, 刘雅琼, 赵彤雨, 寿国础. AI算法在车联网通信与计算中的应用综述[J]. 电信科学, 2023, 39(1): 1-19.
[10]	邓丹昊, 王朝炜, 江帆, 王卫东. 无人机辅助无蜂窝大规模MIMO中的空地协同调度[J]. 电信科学, 2022, 38(8): 37-44.
[11]	王丽莉. 算力网络部署方案分析[J]. 电信科学, 2022, 38(6): 172-180.
[12]	何涛, 杨振东, 曹畅, 张岩, 唐雄燕. 算力网络发展中的若干关键技术问题分析[J]. 电信科学, 2022, 38(6): 62-70.
[13]	种璟, 唐小勇, 朱磊, 李娜, 张钰, 游正朋, 胥焙柯, 刘佳. 5G关键技术演进方向与行业发展趋势[J]. 电信科学, 2022, 38(5): 124-135.
[14]	伍仲丽, 曹园园, 黄文睿, 戴彬, 莫益军. 面向确定性网络的按需智能路由技术[J]. 电信科学, 2021, 37(11): 11-16.
[15]	曹畅, 张帅, 刘莹, 唐雄燕. 云网向算网演进中的若干关键技术问题[J]. 电信科学, 2021, 37(10): 93-101.