6G算力網絡：體系架構與關鍵技術

郭鳳仙，孫耀華，彭木根

(1.北京郵電大學 計算機學院(國家示范性軟件學院)，北京100876；2.北京郵電大學 信息與通信工程學院，北京100876)

0 引言

隨著智能設備、物聯網、人工智能、網絡技術等 的發展，移動通信系統與技術取得了較大進步，逐步形成了較為成熟的無線感知、無線通信和泛在計算等多個功能體系，構建了終端采集信息、網絡傳遞信息、云邊處理信息的煙囪式信息服務框架。然而，隨著無人化、浸入式、數字孿生等通信、感知和計算高度融合業務的演進發展，當前的煙囪式信息服務框架難以滿足其各方面的技術需求[1-2]。6G通信、感知、計算(通感算)融合是指在共享頻譜、時間、空間和能量等資源條件下，利用蜂窩網作為感知和通信基礎設施，并通過信號、通道、信息、平臺等層面上的統一設計，實現一個信號、一個通道、一個天線、一個平臺對感知和通信信息的統一承載和處理，從而實現 6G通感算深度融合。通感技術的發展與深度融合將帶來巨量的數據處理需求。據華為發布的《計算2030》預測，2030年人類將進入堯字節(YottaByte，YB)數據時代，全球數據每年新增1 YB[3]。海量數據處理與分析將消耗大量算力。據OpenAI分析顯示，從2012—2021年，人工智能算法對算力的需求增長了390萬倍。作為通感深度融合系統的基石，算力的作用不言而喻。

在上述背景下，云計算、移動邊緣計算和霧計算等技術蓬勃發展，同時智能終端算力不斷增強，算力沿網絡由中心延伸至邊緣，形成了網在算中、算在網中的局面。然而，算力在使用方式上大多采用獨占模式，利用率不高。據分析，數據中心的平均利用率只有55%，許多數據中心地利用率甚至不到20%[4]。由此推斷，未來網絡必將面臨算力供不應求的局面。

面對上述挑戰，盡管邊緣計算的廣泛部署能夠有效緩解上述問題，但是如何更加高效的利用這些分布式泛在算力更具有現實意義，亦面臨著諸多技術挑戰：① 現有算力節點從規模上大到智算中心、超算中心，小到智能終端、gNB加速卡，在能力上囊括了通用算力、并行算力、智能算力、定制化算力，將業務調度至不合適的算力節點將導致資源的浪費，難以滿足多樣化業務的服務級別協議(Service Level Agreement,SLA)需求。② 算力節點高度分散且單一算力節點能力有限，通常將服務分散至多算力節點。面對上述多服務器場景，當前網絡依賴應用層技術，如域名系統(Domain Name System,DNS)，應對負載均衡、重連、服務遷移等問題，等待時延長達數分鐘，嚴重影響時延敏感型業務體驗。③ 算力和網絡分屬于彼此獨立的管控系統，動態性差，如傳統的移動邊緣計算仍依賴于中心控制節點，引入了一定的控制時延，如何實現邊緣計算與網絡共治進一步滿足時延敏感型業務需求是邊緣計算落地的關鍵。

因此，為高效利用云、邊、端泛在多級算力，國內外學者和研究機構依據“算力+網絡”深度融合的思想提出了算力網絡(Computing Force Networks, CFN)，旨在基于統一算力建模方法，利用網絡發達的觸角感知業務需求和算力狀態，進行算網統一管控，從而突破傳統網絡應用層和網絡層相互隔離所帶來的調度固化問題，實現業務與算網資源的按需實時適配，滿足用戶的SLA需求。本文圍繞算力網絡的發展歷程和發展現狀，介紹了算力網絡的愿景、架構以及關鍵技術，然后分析了算力網絡面臨的挑戰和發展趨勢。

1 發展歷程與現狀

1.1 發展歷程

依據組織形式，算力可以劃分為4個層次：芯片級算力、整機算力、集約化算力和網絡化算力[5]，算力的提升可以通過不同的層次實現。

在單芯片算力方面，20世紀60年代，半導體技術的發展使得計算機進入芯片時代。芯片成為算力的主要載體，目前主要包括CPU、GPU、NPU/TPU、FPGA等類型。CPU作為通用基礎算力，軟硬件解耦，具有最高的靈活度，在不考慮性能的前提下幾乎能夠完成所有的計算任務。從20世紀80年代開始，在經歷了架構設計、多核并行、提高CPU頻率等各種手段之后，CPU的整體性能提升達到了一個瓶頸?，F今CPU性能每年提升不到3%。若要實現CPU性能翻倍，需要20年。面對上述困境，GPU應運而生，主要擅長處理類似圖像處理這類高密度計算且數據相關性小的并行計算任務。不同于CPU，通過將大量晶體管用于計算單元，GPU算力得到大幅提升。GPU算力的提升主要通過增加核數，受限于成本，其性能即將到頂。另一種方式通過犧牲靈活性換取性能的提升，即軟硬件耦合，代表芯片包括FPGA、TPU、NPU等。FPGA是一種高性能、低功耗的半定制化芯片，在性能上同時具有CPU和GPU的流水線和并行能力，能夠針對神經網絡這類算法的特性增加并行度、調整內存訪問，以更好匹配其需求。而NPU、TPU是專門為機器學習算法定制的ASIC芯片，在處理速度上是CPU、GPU這類芯片的15～30倍，其算力的提升主要依賴于計算單元MAC的累加。

在整機算力方面，無論是智能終端、個人電腦(Personal Computer，PC)、服務器甚至是網絡設備，大多采用多核CPU或者CPU+xPU(其中，xPU是指GPU、NPU、TPU、FPGA等芯片)的主流架構。一方面，可通過多核并行提升整機算力，但是由于半導體工藝進步放緩、芯片功耗急劇上升，多核架構算力性能提升變慢；另一方面，可通過異構計算架構，即集成通用算力CPU與硬件加速算力xPU，使得更多處理器能夠并行計算。特別地，在異構計算架構中，xPU均作為CPU的硬件加速器的形態存在，接受CPU的控制。其中CPU負責底層基礎計算，xPU負責上層特定計算任務。由于業務多樣，算法迭代快，異構計算架構在擴展性上受限，無法長期落地。

集約化算力包括各類計算中心，如傳統數據中心、云計算中心、新型的智算中心、超算中心以及邊緣計算機房等基礎計算設施。首先，不同的計算中心能力不同，例如傳統數據中心主要提供存儲能力，云計算中心主要為多樣化業務提供基礎算力，智算中心主要為人工智能應用提供智能算力，超算中心主要面向科學計算，而邊緣計算主要提供低時延算力。其次，不同計算中心的規模差別巨大，如我國神威太湖之光超算中心峰值算力達125千兆浮點運算次數每秒(peta Floating-point Operations per Seconds, PFLOPS)，邊緣計算機房由于場地限制通常僅具有數臺服務器。集約化算力的提升主要通過提升規模和廣泛部署。

網絡化算力是指通過網絡連接、組織、調度的分散化算力，是一種分布式網絡計算模型，其演進歷史如圖1所示。分布式計算模型可追溯至20世紀90年代，PC算力的增強促進了互聯網技術的發展，同時PC的普及帶來了分散化算力。為利用這些閑散的算力，研究者提出了網格計算，利用網絡連接閑置的計算資源形成計算網格，從而完成需要大量算力的科學計算。然而，由于當時網絡技術以及計算技術的限制，網格計算效率不高，并未得到大規模商用。21世紀初，隨著虛擬化、微服務、云原生技術等計算技術的發展，云計算蓬勃發展，通過資源池化，為用戶提供彈性可靠的算力供給。隨著新型業務的發展，傳統云計算由于集中部署無法滿足用戶的低時延需求，移動邊緣計算應運而生。盡管邊緣算力是分布式部署的，但是在資源供給上仍屬于集中式方式。網絡的作用僅限于連接算力，算力調度需要額外的編排調度系統，跨地域算力調度困難，泛在算力普遍利用率不高。

圖1 網絡計算模式演進歷程

在網絡化算力演進趨勢下，算網融合需求明顯。在部署形式上，移動邊緣計算廣泛部署，網絡云化發展迅速，形成了網在算中、算在網中的狀態，具備一體化供給的先提條件[6]。在技術上，軟件定義網絡(Software-Defined Networking，SDN)和網絡功能虛擬化(Network Function Virtualization，NFV)賦予了網絡靈活編排能力，虛擬化、微服務、云原生、無服務器計算等使云具備了彈性可靠的算力供給能力，二者提供了網絡和算力靈活編排調度的可能。在需求上，新型業務不斷涌現，一方面要求未來網絡提供多樣的網絡和算力供給，另一方面對時延、服務質量的變化更加敏感，要求網絡能夠保障SLA需求。

1.2 研究現狀

面對上述算網融合需求，為高效利用泛在分布式算力，工業界和學術界在算力網絡方面開展了大量工作。本節將從產業、網絡架構和關鍵技術等方面進行介紹。

在產業方面，2019年，中國聯通和中國移動分別發布了《中國聯通算力網絡白皮書》《算力感知網絡技術白皮書》[7-8]，正式拉開了算力網絡時代的帷幕。算力網絡的體系架構在邏輯功能上被劃分為算網融合資源層、算力路由層和算力服務層，以實現在統一度量和建模下的算力感知、路由和協同調度。算力網絡的核心在于通過引入業務感知網絡和計算優先網絡，將業務信息與資源信息嵌入數據包，通過改進路由層協議，如邊界網關協議(Border Gateway Protocol，BGP)和內部網關協議(Interior Gateway Protocol，IGP)，在控制面進行業務信息和算力資源信息的擴散，從而實現基于算力和網絡信息的聯合尋路，實現算網協同的資源調度。此后，三大運營商聯合華為、中國信息通信研究院等組織，先后發布了數版算力網絡白皮書，詳述了算力網絡體系架構、發展階段以及核心技術體系。特別地，在中國移動2021年發布的《算力網絡白皮書》闡述了算力網絡的三個發展階段，即泛在協同、融合統一和一體內生[9]。

在算力度量和建模方面，文獻[10]提出了面向業務體驗的算力建模方法，首先將算力劃分為邏輯運算能力、并行計算能力以及神經網絡加速能力，通過度量函數將其映射到統一的量綱，然后以分級的形式將其劃分為小、中、大、超大型算力。針對數據中心算力，中國信息通信研究院云計算與大數據研究所提出了綜合衡量算力的五力模型，利用多屬性群決策方法將與計算能力相關的通用算力、智能算力、算效、存儲能力、網絡能力等不同量綱進行融合對比，進而對不同數據中心就其能力進行定級[11]。然而上述度量和建模方法由于缺乏對業務的分析建模，仍不能作為業務與算力的適配的橋梁。

算力感知主要通過擴展現有路由協議，將算力節點信息嵌入數據包，使得網絡能夠實時感知算力節點的算力信息，其實現方式與算力路由方法相關，可劃分為集中式和分布式。在統一度量的基礎上，算力網絡首先進行算力信息的采集，進行算力信息通告，即將算力信息通告至控制節點，在控制面完成算力感知；然后控制面根據算力路由協議生成路由表，轉發面按照其進行轉發，完成算力節點和路徑的聯合選擇。文獻[12]提出了一種基于域名解析機制的算力網絡實現方案，由算力資源管理模塊以集中式方式收集算力資源信息并進行統一的分配調度。該方案利用應用層技術實現負載均衡，僅作為算力網絡的初步實現方案。中興通訊股份有限公司基于SRv6提出了一種分級分層的控制面架構，將不同顆粒的算力資源和服務狀態在不同的網絡域進行通告，并創建對應的分級路由表，轉發面執行無狀態轉發[13]。

2 算力網絡愿景、架構與工作機制

2.1 愿景與體系架構

算力網絡的核心是基于統一的算力度量和建模方法，感知業務、網絡、算力，利用網絡實現對跨地域算力的靈活按需調度編排，滿足多樣化業務對算網的需求，保障其SLA需求，是云網融合、邊緣計算向算網融合演進的新階段。不同于云網融合，其調度粒度更細，是算力的標準化技術。不同于邊緣計算，網絡的作用不再僅限于連接，包括了感知、組織、調度等功能，能夠實現分布式算力的深度互聯和靈活調度。

算力網絡愿景如圖2所示，主要由算網基礎設施和運營云、管理云組成。

圖2 算力網絡愿景

在算網基礎設施中，算力包括承載在接入云、邊緣云、核心云、數據中心上不同粒度的算力，即CPU、GPU、ASIC這類硬件算力資源，虛擬機、容器、微服務這類封裝化算力資源，以及人工智能(Artificial Intelligence，AI)算法、數據等這類頂層算力資源。網絡包括基礎網絡(如移動網絡中的承載網絡)、云化網絡設施(如云化接入網、核心網等)、算力網絡(如算力路由等)。算力網絡以基礎網絡和云化網絡為基礎、以算力網絡為核心，為上層業務提供算網融合服務，如電信業務、超高清視頻、擴展現實(Extended Reality,XR)、無人駕駛等業務以及智慧城市、智慧電網、工業互聯網等業務。

具體而言，運營云是指運營系統，主要有業務受理、業務建模、業務轉譯三大功能：① 業務受理主要負責受理第三方業務，如XR、無人駕駛、智慧電網、工業互聯網等第三方業務，獲取其業務需求，如業務類型、特征、性能需求等信息；② 業務建模主要負責描述業務的網絡和算力需求，包括空口資源、算力資源、網絡資源等；③ 業務轉譯負責將業務需求映射為業務的網絡和算力需求，從而實現業務需求的感知。算力基礎設施負責承載算力業務，如AI訓練和推理、針對XR的渲染任務和編解碼任務。在基礎網絡和云化網絡基礎之上，算力節點間以算力網絡為中心進行組網，負責算網感知和隨路算網資源監測以及相應的控制功能。依據上述信息，管理云進行智能編排和管理，如業務部署/遷移、路由編排決策等，并下發至算網管理平臺，完成算網管理編排。

算力網絡架構如圖3所示，該架構結合了中國移動所提三層算力網絡體系架構[9]和“四層五面”6G網絡架構[14]的邏輯架構設計思想，重點突出了與算力面相關的層與面以及相應的功能。具體而言，該架構在橫向邏輯上仍劃分為算網基礎設施層、融合算網功能層、應用與服務層。其中，算網基礎設施層由算網等基礎設施組成，為功能層提供傳輸、計算、存儲等底層資源，功能層形成特定的網絡功能和計算功能，提供基本的網絡和計算服務，應用與服務層為業務提供相應的支持。在縱向邏輯上，除了傳統的管理面、控制面、數據面外，新增加了算力面。計算面在底層統一算力度量的基礎上，在功能層提供計算執行功能，在頂層提供算力服務調用功能，負責向第三方提供算力支持。

圖3 算力網絡三層四面邏輯架構體系

不同于以往網絡架構設計，控制面和數據面不再僅隸屬于功能面，而是作為縱向邏輯功能，貫穿三層；在底層對算網資源進行感知和隨路監測，在功能層提供算力路由控制功能和傳輸執行功能，在頂層提供相應的功能調用接口，實現功能開放。此外，不同于傳統意義上的控制面和數據面是功能層為支持傳輸業務提供的控制機制和業務數據的傳輸機制，為支持算力面，控制面和用戶面需要增強其功能，用于算網融合控制和數據傳輸。一方面，分布式算力調度導致算力節點間數據流增多，數據面承載的數據流量模式發生了明顯變化；另一方面，控制面是算網融合一種有效的方案。在控制面和數據面獲取算網狀態的前提下，管理面依據上述信息和業務轉譯獲取到的業務需求信息，結合底層的資源/服務模型，對算網資源進行聯合編排和調度，調用控制面功能，實現算網功能的聯合編排和調度，數據面和算力面聯合完成業務適配的算網服務的一體化供給。

2.2 工作機制

基于上述網絡架構，本節簡要介紹算力網絡的基本工作流程，主要包括兩大步驟：算力服務部署和算力服務處理。

針對算力服務部署，其工作流程如下：

① 管理面受理用戶部署需求，并通過業務轉譯為業務模型，如網絡帶寬、算力類型、算力大小等需求，完成業務感知；

② 算力路由控制面收集算力節點狀態信息，如算力負載、算力類型、算力服務能力等，并通過相關應用編程接口(Application Programming Interface，API)向管理面通告其信息，完成算力感知；

③ 管理面依據業務需求和算力資源信息，為其選擇合適的節點進行算力服務部署，算力路由和管理面更新相應的信息。

通常，一個算力服務可部署在多個算力節點中。面對多算力服務場景，潛在解決方案包括以下兩種：基于DNS的負載均衡技術和基于任播技術?；贒NS的負載均衡技術與內容分發網絡(Content Delivery Network，CDN)中的DNS技術類似，本節不再贅述。下面簡要介紹基于任播技術的算力服務處理的基本工作流程。

如圖4所示，算力服務以服務標識(Service Identification，SID)進行標識，其中SID是一個任播地址。在算力網絡中，一個SID標識唯一的算力服務。用戶通過SID訪問算力服務。用戶請求可能由任意部署有所請求算力服務的算力節點響應。算力路由保留有該自治域或者算力節點下所有算力服務SID所對應的單播IP地址，由算力路由進行域內外的IP地址轉換。

圖4 算力服務處理過程

基于上述設置，算力服務處理流程如下：

① 算力面向算力路由同步其算力服務狀態，包括可用性、負載等信息；

② 控制面收集上述信息，并向相鄰路由通告該信息，并依據網絡距離和算力節點信息多要素更新相應路由表項；當算力服務或者算力節點信息發生改變，管理面進行算網聯合編排，更新路由表和算力服務部署；

③ 用戶發出算力服務請求，目的地址為SID，源地址為用戶IP地址；入口算力路由收到用戶的算力服務請求，源IP地址分別修改為該算力路由IP地址，目的IP地址修改為出口算力路由，并通過查找路由表轉發至下一跳；

④ 出口算力路由通過查找本地SID與BIP綁定信息，確認最終算力服務節點，并執行相應的計算任務。對于需要流粘性保持的數據流，入口算力路由可借助SRv6技術將后續數據包發送至綁定的出口算力路由。

3 關鍵技術

基于上述網絡架構，算力網絡需要突破算力度量與建模、算力感知、算力路由和算力調度等關鍵技術瓶頸。

3.1 算力度量與建模

面對異構計算場景，算力網絡亟需突破算力度量和建模方法，其目的包括：① 針對算力使用量，形成統一的可度量、可計費的算力度量單位，為算力交易提供標準；② 評估算力節點的服務能力，為業務算力適配提供參考信息。

從資源的使用方式來看，算力網絡是一種算力的標準化技術。算力網絡強調業務邏輯在用戶，即用戶僅開發程序，算力網絡負責進行算力資源的管理編排，算力的使用按照使用量進行計費。在現今的云計算和邊緣計算的模式下，用戶首先選擇算力節點，分配相應的計算資源和存儲資源，然后加載應用、執行運算，并將計算的結果存儲起來，在此期間還需要管理資源的釋放和再利用。算力的使用按照占用量進行計費，即使算力資源空閑時仍需要支付相應的費用。這樣粗放的使用方式使得算力資源存在極大的浪費。無服務器計算[15]是一種可動態擴展的云計算模型，能夠按需提供計算資源。函數即服務是無服務器計算的典型計算類型，即將應用程序拆解為細粒度的函數，按照業務需求提供計算資源和執行計算。計費方式依據函數的執行時間和次數進行計算。然而，以函數進行計費的方式面臨著計費方式難以統一、度量粒度較粗、難以衡量等問題。以太坊智能合約在執行時被編譯為以太坊虛擬機的指令，不同的指令以不同的標準進行收費[16]，如表1所示。

表1 計算量度量方法對比

盡管上述方式由于應用場景不同并不能直接應用于算力網絡，但是為算力網絡的標準化提供了很有益的參考，即從業務的需求出發，將其需求拆解為計算單元的細粒度操作，即指令/操作。受上述計算方式啟發，算力使用量可利用算法計算量來表示。以兩個大小為n×n的矩陣相乘為例，其計算量為N3個乘法操作。以深度學習經典模型AlexNet為例，該模型由5個卷積層和3個全連接層組成，每層計算量可由其設置獲得，總計算量為1.45 G浮點運算數次數(Giga Floating-point Operations, GFLOPs),其中包括乘法操作和加法操作。

為實現業務與算力適配，需要評估算力節點服務能力?；谏鲜鲇嬎懔坑嬎惴椒?，算力的衡量單位包括浮點運算數次數每秒(Floating-point Operations per Seconds, FLOPS)和操作數每秒(Operations per Second)，分別表現為對浮點數和整數的操作能力，在數值上與雙精度浮點數操作數相差8倍。因此，可忽略計算精度，將所有芯片的算力換算為雙精度浮點數操作數，即FLOPS，由此獲得單算力節點的總算力?，F有計算平臺大多采用異構計算模式，即通用算力+硬件加速算力，其中CPU為通用算力，并行算力(GPU)、智能算力(TPU/NPU)和定制化算力(FPGA)為硬件加速算力。不同算力擅長不同的業務，因此僅依靠算力大小無法完全彰顯算力節點對外服務能力。因此，可采用算力分級+能力隸屬度的方式評估算力節點服務能力。首先，根據文獻[8]中的分級方式，將該算力節點進行分級，對外展現其處理能力等級。然后將上述4種算力作為輸入信息，采用文獻[9]中的多屬性群決策算法或者人工智能算法獲得處理能力隸屬度。最后，算力節點由{算力分級、算力類型}表示，其中算力大小和算力類型可由數組或者向量表示。相應的，業務算力需求可由{算力大小、算力類型}表示。

3.2 算力感知與路由

算力路由是在控制面實現最優算力節點與最優路徑的聯合決策。依據信息收集和決策方式，算力路由可分為集中式方案和分布式方案。

圖5為集中式算力路由方案，涉及到SDN、基于IPv6的分段路由(Segment Routing IPv6，SRv6)等技術。其中，SDN控制器負責收集算力信息、網絡信息和業務需求信息，依據上述信息進行路徑和算力節點的聯合決策，三個算力節點均能為用戶提供算力服務。首先，基于上述信息，采用算力路由算法(如負載均衡算法、聯合最短路徑算法等)獲得最優路徑和算力節點。然后將上述信息下發至入口路由節點，采用SRv6協議將路徑信息和目的節點信息寫入IPv6包頭。后續節點按照分段路由信息進行報文轉發。該方案能夠實現業務粒度的路徑編排和節點決策，能夠更好地滿足業務需求，改善網絡性能。如圖6所示，相較于傳統僅考慮網絡距離的傳統路由算法，如開放式最短路徑優先(Open Shortest Path First，OSPF)，基于SRv6的算力路由能夠實現更低的平均時延。

圖5 集中式算力路由方案

圖6 傳統路由與算力路由性能對比

分布式算力路由方案如圖7所示。在算網資源感知方面，可以通過telemetry實現網絡狀況感知，如帶寬、時延、抖動等。算力狀況以探針或者主動上報的形式上傳至算力路由，算力路由匯聚本域所有算力節點的算力狀況，如節點服務能力，并進行SID與BIP綁定，將相關信息存儲至算力路由。為實現全網算力感知，算力路由可將上述算力狀態信息通告至鄰近算力路由節點或者廣播至全網算力路由節點。為降低算網感知所帶來的通信開銷，亦可將算力狀態信息打包至數據包內，進行隨路算網狀況監測。在計算服務執行過程中，根據獲取到的算網資源信息，算力路由更新其路由表，其中聯合距離依據網絡狀態和算力狀態聯合計算，下一跳地址依據最短聯合距離進行修改。當用戶請求某項服務時，按照算力路由表進行轉發即可。為降低任播路由對路由表的影響，入口算力路由可將源IP地址修改為入口算力路由IP地址，目的IP地址修改為出口算力路由地址，此處依據最短聯合距離決定出口算力路由節點。出口算力路由接收到數據包后，將目的IP地址修改為SID所對應的單播IP地址，然后將數據包轉發至相應的算力節點。

圖7 分布式算力路由方案

3.3 業務感知的算力調度

在算力網絡中，計算節點具有體量小、能力異構、高分散、高動態等特征。業務多樣，對網絡和算力需求不同。同時，業務表現出潮汐、突發、故障等多種模式，導致算力節點在時間和空間尺度上負載不均衡。因此，對業務進行感知，以及算力服務的部署/遷移和相應的編排，并將計算任務調度到合適的算力節點，是改善業務服務質量和提高算力利用效率的關鍵。

業務感知的算力調度流程如圖8所示。區域內的業務呈現出明顯的潮汐效應，比如商業區和住宅區由于用戶的行為模式，造成業務負載隨著時間周期性地動態變化。在業務感知機制上，管理編排平臺基于人工智能的業務預測算法，將歷史信息作為輸入，對業務模型進行訓練，從而預測業務行為，比如流量、用戶移動性等業務信息，用于相關的服務部署和遷移。在業務預測算法上，可將數據上傳至管理編排平臺以集中式方式進行訓練構建出業務預測模型?？紤]到區域間業務流量的差別，統一的業務預測模型在應用時準確度會有所下降。針對該問題，可由局部算力節點進行再訓練，對模型進行修正。針對算力感知機制，可由上文中的算力感知方法實現。

圖8 算力調度流程圖

以算力服務遷移為例，管理面在獲取到所預測業務信息和算力信息后，進行集中決策，選擇出滿足要求的新算力節點并部署算力服務，然后進行相應的網絡編排，修改相應接口和路由，以將后續相關業務路由至新算力節點，至此完成算力服務遷移。圖9簡要描述了管理面進行算力服務遷移的工作流程，描述了在移動邊緣計算網絡中算力服務由算力節點1向算力節點2遷移的過程。定義了業務預測功能和算力服務遷移決策功能部署方案，并增加了進行算力服務遷移決策的方案/標準。

圖9 算力服務遷移流程

上述算力調度決策機制由管理面通過控制面應用于算力面，是一種集中式調度機制。上述算力調度亦可采用分布式機制，即控制面基于業務預測信息和算力信息進行服務部署決策，并將該決策交由管理面進行仲裁和相應的編排。

4 技術挑戰與未來發展方向

4.1 網絡架構

當前算力網絡架構主要面對承載網，在功能設計上聚焦于對TCP/IP網絡的改進。在算網編排上，算網大腦分別指揮算力資源管理平臺和網絡資源管理平臺，并未實現真正的算網融合。此外，移動通信網絡在網絡云化、云網融合的趨勢下，電信云亦可作為算力的提供者。然而，移動通信網絡中的算力并未被納入算力網絡體系中，如核心網、接入網云化后的算力。移動通信網絡作為通信網絡的重要組成部分，在算力網絡驅動下，如何應對算網融合趨勢，是6G移動通信網絡架構面臨的一大挑戰。

4.2 實時算力感知

算力感知是進行高效算力調度的基礎，是算力網絡的基礎。一方面，算力信息高度時變，大規模的算力采集和通告將帶來大量的信令和通信開銷；另一方面，大規模算力通告將帶來實時性問題，無法保障算力信息的準確性和實效性。另一種算力信息感知方式是通過人工智能算法對算力節點的負載進行時空刻畫。然而，網絡中存在頻繁的算力調度，流量錯綜復雜，將對算力節點負載帶來不可預測的影響，基于人工智能的算力感知機制的準確性亦無法保障。因此，如何進行實時高效的算力感知仍有待深入研究。

4.3 算力路由

集中式算力方案借助SRv6可編程能力能夠實現數據包級別的網絡和算力的聯合優化，由于不需要修改現有路由協議，是算力路由近期落地的首選方案。然而，算力感知和算力路由決策均依賴于SDN控制器，控制器壓力較大，尤其隨著網絡規模增大，該問題更加凸顯。分布式算力路由方案需要改進現有路由協議，距離實際應用還有相當長的一段距離。此外，聯合距離的計算問題以及任播技術的缺陷仍有待解決。

4.4 面向人工智能的算力調度

在算力服務部署完成后，仍需要相應的計算任務調度機制，保障用戶的服務質量，如時延、計算效率等。該機制需要應對以下兩種情況：① 當多個節點均部署有所需算力服務并且可獨立完成用戶的計算任務時，需要選擇最合適的算力節點；② 針對復雜業務，如大規模人工智能訓練任務，單個算力節點不足以支撐其算力需求，需要多個算力節點協作完成。針對情況①：可由算力路由方案以及相應的負載均衡算法解決。針對情況②：用戶提供算力服務其服務流不再具有“端到端”的傳輸模式，一種可能是通過管理面進行編排，一定范圍內的算力節點或者網元節點按照預設的規則和流程進行交互和協作訓練，從而完成人工智能訓練任務。在該過程中，由于人工智能數據的傳輸模式、數據類型、對網絡鏈路的要求以及參與節點的計算性能對人工智能訓練的性能影響與傳統業務不同，如何保障人工智能訓練的性能需求有待深入探索。

5 結論

6G通感算融合已成為6G網絡長期發展的方向，且與6G網絡“內生智能、數融、開放、安全”等愿景一致。隨著XR、自動駕駛、元宇宙等通感算融合應用的發展，算力網絡可以為智慧城市、智慧電網、工業互聯網提供強有力的性能保障，大力推動產業化升級和數字化轉型。算力網絡建設是一個長期、不斷演進的過程，盡管當前算力網絡已有一部分研究，在網絡架構、關鍵技術等方面仍面臨著諸多挑戰，需要運營商、設備提供商、應用開發商、科研機構和高校的共同努力，突破網絡架構和關鍵技術等方面的瓶頸問題。