试分析面向异构算力的网络调度

【摘" 要】 传统网络无法有效地满足计算密集型应用服务对于资源的实际需求。而算力网络作为一种新型的网络范式，可以有效整合云计算、边缘计算以及智能设备的异构计算资源，可以实现高效便捷的网络化计算、存储以及信息的传输。基于此，文章主要分析了面向异构算力的网络调度，从网络概念及发展现状，到面向异构算力网络传输联合优化方式。

【关键词】 面向异构算力网络；调度；POLYAKHEAVY-βALL梯度下降法

随着数据处理对算力需求的日益增加，传统的数据中心无法有效满足不同行业对于算力的需求。而利用云-边-端的异构算力网络进行处理，可以有效满足数据处理的实际需求，这也是今后算力网络协同发展的主要发展方向。通过异构算力网络对计算能力进行调度以及管理，构建异构数据算力网络调度机制，可以有效满足不同的场景需求。

一、面向异构算力网络调度

（一）异构算力网络概念

计算域网络的融合形成了异构算力网络结构，异构算力网络主要包括联网元素、云网元素以及算网元素。其中联网是基础性网络，通过应用超低时延技术以及端到端的网络确定性技术可以有效满足工业计算等相关垂直行业的实际需求。而云网元素则主要包括智能、云化以及网络业务快速交付的实现、网络智能运维管理、管理与故障检测等相关内容。算网则主要包括了算力生产、算力调度以及算力交易三个方面的因素。

（二）计算优先网络CFN

CFN是基于分布式网络结构的计算网络融合的新架构系统。可以将计算能力以及网络状况作为路由信息进行处理，并且将其发布到网络系统中，通过网络对报文路由到对应的节点进行计算处理，可以提高网络的运行效率。

二、异构算力网络优化模型

（一）通用应用服务模型

通过分析网络服务功能链模型以及通用应用服务的模型可以发现在此链状结构之下，数据流主要就是先通过不同的网络服务功能对其进行顺序处理，最后达到目的终端。在处理中算力网络应用服务主要包括工业互联网、元宇宙以及无人驾驶等场景，对此要做好链状模型的优化。通过网络节点为任务的完成提供计算资源，可以在子任务中的不同网络节点中进行处理，再利用网络路径进行传输处理，到达节点中，最后，拆分单个子任务，通过多个网络节点进行协同处理，可以有效地提供算力网络的协同能力。

（二）面向资源负载队列模型

在离散时间系统中网络节点进行计算以及传输的负载处理中主要通过虚拟队列模型的方式开展，如图1所示。

三、面向异构算力网络传输联合优化方式

算力网络属于全新的网络架构，在发展中还是存在异构适配、调度技术以及算力标准等相关问题，而为了优化算力网络，必须做好面向异构算力网络传输联合的优化方式分析。

（一）POLYAKHEAVY-β ALL梯度下降法

（二）实验设置与性能评估

1. 实验与参数设置

通过设置数值仿真实验的方式验证算法的理论性能，通过INET工具则可以形成一个包括1010个网络节点的异构网络拓扑结构，根据节点设置则可以将其设置为三类不同的网络节点，其主要涵盖服务提供者、网络转发者以及内容消费者。通过搭建小型原型系统的方式对优化策略进行对比分析，在原型系统中进行通用服务系统的设置，达到仿真分析的目的。

2. 数值仿真结果

（1）不同V以及β条件下队列长度变化

（2）不同V以及β条件下θ变化

（三）原型系统结果

1. 性能对比

通过三种不同的设备对比异构算力网络系统的性能。在原型系统中生产虚拟视频性能，蓝色虚线表示长度与运行的时间关系。绿色、红色虚线以及黄色标记则表示三台台式工作站的性能，如图2所示.

2. 发送速率以及系统总效用

通过实验发现速率会随着算法迭代而出现变化，其相对较为稳定，可以快速地收敛，到达稳定值，在稳定数值附近进行波动，总体的波动振幅也较小；在测试环境中受到外界因素的综合影响，其具有不确定性的特征，在处理中收敛较为困难，而通过分析累积平均值则可以发现其理论数值由于测试结果，但是二者没有显著的差异。随着时间的累积，其测试获得的数值逐渐达到理论数值。表明此方法在原型系统环境中具有一定稳健性。

3. 总效用随算法迭代变化状况

通过分析实验数据可以发现，算法在原型系统中整体上来说具有较大的振幅，其累积均值会逐渐平稳，达到理论数值。可以确定系统总效用U通过原型系统实验分析其具体较为显著的稳健性。

（四）负载对比

应用HEAVY-βALL方法对四种高性能服务器以及台式工作站、笔记本电脑中的工作负载进行对比分析，可以发现其整体分配较为均匀。其在处理中主要应用动量概念算法，在分配过程中可以对各台设备在运行中的负载状况进行系统的分析，也会综合分析工作状态中的负载变化速率，达到预测分析的目的。

（五）下载性能对比

通过分析四种优化算法在平均下载时间、卡顿时间以及评价视频码率、资源消耗等性能，可以发现HEAVY-βALL算法的各项性能均显著优异，其具体如图4所示。

四、结束语

异构算力网络的融合调度在本质上来说就是一种将网络与算力融合的技术手段，通过将不同类型的算力资源进行整合，将其高效率、精准地调度到有需求的资源节点之上，满足其实际运行的不同需求。异构算力网络调度技术其主要包括分析感知用户的需求以及全网的算力网络资源、编排以及路由策略等。而通过基于波利亚中重球法的梯度下降算法进行优化分析，通过数值仿真测试以及原型系统实验的方式进行验算，则可以确定此算法在服务性能以及资源系统开销等方面具有显著的优势。对此，在实践中要基于异构算力网络的融合调度，对其进行系统优化，在实际的应用环节中合理部署，这样才可以创造更大的社会以及商业效益。

参考文献：

［1］ 姜海洋，李勇. 端边云场景下的算力度量方法［J］. 电信工程技术与标准化，2023，36（07）：79-83.

［2］ 张慷，桑洁丽，吴美希. 面向异构算力网络调度的研究［J］. 信息通信技术与政策，2023，49（05）：42-47.

［3］ 赖铖，韩佳容，王晖. MSAdapter：面向异构AI算力的深度学习框架代码高效转换工具［J］. 人工智能，2023（03）：18-25.