試分析面向異構算力的網絡調度

【摘" 要】 傳統網絡無法有效地滿足計算密集型應用服務對于資源的實際需求。而算力網絡作為一種新型的網絡范式，可以有效整合云計算、邊緣計算以及智能設備的異構計算資源，可以實現高效便捷的網絡化計算、存儲以及信息的傳輸。基于此，文章主要分析了面向異構算力的網絡調度，從網絡概念及發展現狀，到面向異構算力網絡傳輸聯合優化方式。

【關鍵詞】 面向異構算力網絡；調度；POLYAKHEAVY-βALL梯度下降法

隨著數據處理對算力需求的日益增加，傳統的數據中心無法有效滿足不同行業對于算力的需求。而利用云-邊-端的異構算力網絡進行處理，可以有效滿足數據處理的實際需求，這也是今后算力網絡協同發展的主要發展方向。通過異構算力網絡對計算能力進行調度以及管理，構建異構數據算力網絡調度機制，可以有效滿足不同的場景需求。

一、面向異構算力網絡調度

（一）異構算力網絡概念

計算域網絡的融合形成了異構算力網絡結構，異構算力網絡主要包括聯網元素、云網元素以及算網元素。其中聯網是基礎性網絡，通過應用超低時延技術以及端到端的網絡確定性技術可以有效滿足工業計算等相關垂直行業的實際需求。而云網元素則主要包括智能、云化以及網絡業務快速交付的實現、網絡智能運維管理、管理與故障檢測等相關內容。算網則主要包括了算力生產、算力調度以及算力交易三個方面的因素。

（二）計算優先網絡CFN

CFN是基于分布式網絡結構的計算網絡融合的新架構系統。可以將計算能力以及網絡狀況作為路由信息進行處理，并且將其發布到網絡系統中，通過網絡對報文路由到對應的節點進行計算處理，可以提高網絡的運行效率。

二、異構算力網絡優化模型

（一）通用應用服務模型

通過分析網絡服務功能鏈模型以及通用應用服務的模型可以發現在此鏈狀結構之下，數據流主要就是先通過不同的網絡服務功能對其進行順序處理，最后達到目的終端。在處理中算力網絡應用服務主要包括工業互聯網、元宇宙以及無人駕駛等場景，對此要做好鏈狀模型的優化。通過網絡節點為任務的完成提供計算資源，可以在子任務中的不同網絡節點中進行處理，再利用網絡路徑進行傳輸處理，到達節點中，最后，拆分單個子任務，通過多個網絡節點進行協同處理，可以有效地提供算力網絡的協同能力。

（二）面向資源負載隊列模型

在離散時間系統中網絡節點進行計算以及傳輸的負載處理中主要通過虛擬隊列模型的方式開展，如圖1所示。

三、面向異構算力網絡傳輸聯合優化方式

算力網絡屬于全新的網絡架構，在發展中還是存在異構適配、調度技術以及算力標準等相關問題，而為了優化算力網絡，必須做好面向異構算力網絡傳輸聯合的優化方式分析。

（一）POLYAKHEAVY-β ALL梯度下降法

（二）實驗設置與性能評估

1. 實驗與參數設置

通過設置數值仿真實驗的方式驗證算法的理論性能，通過INET工具則可以形成一個包括1010個網絡節點的異構網絡拓撲結構，根據節點設置則可以將其設置為三類不同的網絡節點，其主要涵蓋服務提供者、網絡轉發者以及內容消費者。通過搭建小型原型系統的方式對優化策略進行對比分析，在原型系統中進行通用服務系統的設置，達到仿真分析的目的。

2. 數值仿真結果

（1）不同V以及β條件下隊列長度變化

（2）不同V以及β條件下θ變化

（三）原型系統結果

1. 性能對比

通過三種不同的設備對比異構算力網絡系統的性能。在原型系統中生產虛擬視頻性能，藍色虛線表示長度與運行的時間關系。綠色、紅色虛線以及黃色標記則表示三臺臺式工作站的性能，如圖2所示.

2. 發送速率以及系統總效用

通過實驗發現速率會隨著算法迭代而出現變化，其相對較為穩定，可以快速地收斂，到達穩定值，在穩定數值附近進行波動，總體的波動振幅也較小；在測試環境中受到外界因素的綜合影響，其具有不確定性的特征，在處理中收斂較為困難，而通過分析累積平均值則可以發現其理論數值由于測試結果，但是二者沒有顯著的差異。隨著時間的累積，其測試獲得的數值逐漸達到理論數值。表明此方法在原型系統環境中具有一定穩健性。

3. 總效用隨算法迭代變化狀況

通過分析實驗數據可以發現，算法在原型系統中整體上來說具有較大的振幅，其累積均值會逐漸平穩，達到理論數值。可以確定系統總效用U通過原型系統實驗分析其具體較為顯著的穩健性。

（四）負載對比

應用HEAVY-βALL方法對四種高性能服務器以及臺式工作站、筆記本電腦中的工作負載進行對比分析，可以發現其整體分配較為均勻。其在處理中主要應用動量概念算法，在分配過程中可以對各臺設備在運行中的負載狀況進行系統的分析，也會綜合分析工作狀態中的負載變化速率，達到預測分析的目的。

（五）下載性能對比

通過分析四種優化算法在平均下載時間、卡頓時間以及評價視頻碼率、資源消耗等性能，可以發現HEAVY-βALL算法的各項性能均顯著優異，其具體如圖4所示。

四、結束語

異構算力網絡的融合調度在本質上來說就是一種將網絡與算力融合的技術手段，通過將不同類型的算力資源進行整合，將其高效率、精準地調度到有需求的資源節點之上，滿足其實際運行的不同需求。異構算力網絡調度技術其主要包括分析感知用戶的需求以及全網的算力網絡資源、編排以及路由策略等。而通過基于波利亞中重球法的梯度下降算法進行優化分析，通過數值仿真測試以及原型系統實驗的方式進行驗算，則可以確定此算法在服務性能以及資源系統開銷等方面具有顯著的優勢。對此，在實踐中要基于異構算力網絡的融合調度，對其進行系統優化，在實際的應用環節中合理部署，這樣才可以創造更大的社會以及商業效益。

參考文獻：

［1］ 姜海洋，李勇. 端邊云場景下的算力度量方法［J］. 電信工程技術與標準化，2023，36（07）：79-83.

［2］ 張慷，桑潔麗，吳美希. 面向異構算力網絡調度的研究［J］. 信息通信技術與政策，2023，49（05）：42-47.

［3］ 賴鋮，韓佳容，王暉. MSAdapter：面向異構AI算力的深度學習框架代碼高效轉換工具［J］. 人工智能，2023（03）：18-25.