鄭遠(yuǎn)鵬，張?zhí)炜?，龐博，陳杲?北京郵電大學(xué)，北京 00876；.中國(guó)聯(lián)通研究院，北京 009）

1 概述

近年來(lái)，隨著從云數(shù)據(jù)服務(wù)器到個(gè)人端的計(jì)算和存儲(chǔ)設(shè)備的激增，計(jì)算普遍化和計(jì)算服務(wù)下沉的信息中心的時(shí)代到來(lái)。Machina Research報(bào)告顯示，預(yù)計(jì)到2025 年全球聯(lián)網(wǎng)設(shè)備會(huì)超過(guò)270 億臺(tái)；同時(shí)，根據(jù)Gartner預(yù)測(cè)，2025年將會(huì)有超過(guò)75%的數(shù)據(jù)需要分流到網(wǎng)絡(luò)邊緣側(cè)［1］。邊緣計(jì)算作為一種將計(jì)算任務(wù)盡量靠近數(shù)據(jù)源和用戶(hù)終端處理的技術(shù)［2］，具有緩解骨干網(wǎng)壓力、服務(wù)響應(yīng)靈活和任務(wù)完成時(shí)延低的優(yōu)勢(shì)。

隨著人工智能技術(shù)的不斷發(fā)展和廣泛應(yīng)用，基于深度學(xué)習(xí)的智能服務(wù)對(duì)算力資源需求大幅增加，在網(wǎng)絡(luò)邊緣部署智能服務(wù)并提供高效、泛在和安全的計(jì)算服務(wù)獲得廣泛關(guān)注，相關(guān)研究提出了邊緣智能（Edge Intelligence，EI）概念。邊緣計(jì)算和智能服務(wù)相結(jié)合，形成了邊緣智能的概念，邊緣與智能的結(jié)合能使兩者相互受益［3］。同時(shí)，為了充分挖掘異構(gòu)廣域的可用計(jì)算資源，相關(guān)研究機(jī)構(gòu)提出了計(jì)算與通信資源深度融合的算力網(wǎng)絡(luò)（Computing Force Network）概念［1］。算力網(wǎng)絡(luò)將不同地理位置分布的云計(jì)算服務(wù)器、邊緣計(jì)算服務(wù)器等算力節(jié)點(diǎn)組網(wǎng)，通過(guò)計(jì)算任務(wù)和計(jì)算結(jié)果在不同算力節(jié)點(diǎn)間傳輸實(shí)現(xiàn)了異構(gòu)算力協(xié)同，并具備計(jì)算資源狀態(tài)感知、面向計(jì)算任務(wù)的動(dòng)態(tài)路由、計(jì)算任務(wù)統(tǒng)籌調(diào)度等能力。結(jié)合邊緣計(jì)算和算力網(wǎng)絡(luò)，移動(dòng)算力網(wǎng)絡(luò)概念被提出。移動(dòng)算力網(wǎng)絡(luò)是指由移動(dòng)設(shè)備和邊緣服務(wù)器組成的計(jì)算網(wǎng)絡(luò)，通過(guò)在網(wǎng)絡(luò)中相互協(xié)作、共享計(jì)算資源和任務(wù)負(fù)載提供邊緣計(jì)算服務(wù)。顯然，移動(dòng)算力網(wǎng)絡(luò)將為邊緣智能提供泛在異構(gòu)的算力資源服務(wù)。面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)架構(gòu)如圖1所示。

圖1 面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)架構(gòu)

邊緣智能技術(shù)通過(guò)邊緣與智能的相互結(jié)合，為邊緣計(jì)算帶來(lái)更多的服務(wù)種類(lèi)和更靈活的網(wǎng)絡(luò)部署，以滿(mǎn)足日益增長(zhǎng)的業(yè)務(wù)需求。邊緣智能概念包含以下2個(gè)方面：第一，致力于通過(guò)邊緣計(jì)算部署人工智能服務(wù)，形成邊緣+智能技術(shù)；第二，將人工智能技術(shù)整合進(jìn)邊緣計(jì)算網(wǎng)絡(luò)，打造動(dòng)態(tài)自適應(yīng)的邊緣網(wǎng)絡(luò)管理和維護(hù)，形成智能+邊緣技術(shù)。邊緣+智能和智能+邊緣之間并非相互獨(dú)立，在邊緣智能中，邊緣+智能作為邊緣智能的目標(biāo)，將深度學(xué)習(xí)計(jì)算從云推向邊緣，提供多樣化、分布式、低時(shí)延、可靠的智能服務(wù)；智能+邊緣中的深度學(xué)習(xí)服務(wù)也是邊緣智能的一部分，通過(guò)深度學(xué)習(xí)的方法對(duì)終端-邊緣-云這一動(dòng)態(tài)性網(wǎng)絡(luò)架構(gòu)進(jìn)行管理和維護(hù)，為邊緣智能提供更高的服務(wù)吞吐量和資源利用率。

算力是對(duì)數(shù)據(jù)處理能力及服務(wù)的統(tǒng)稱(chēng)，由多種芯片、部件和封裝形成的上層服務(wù)組成［4］。而算力網(wǎng)絡(luò)是一種以泛在算力資源為基礎(chǔ)、網(wǎng)絡(luò)通信為紐帶、智能化調(diào)度為核心，實(shí)現(xiàn)網(wǎng)云邊端和業(yè)務(wù)的高效協(xié)同與適配，從而滿(mǎn)足差異化算力服務(wù)需求的技術(shù)［5］。目前算力網(wǎng)絡(luò)研究尚處于起步階段，主要面向需求日益增長(zhǎng)的計(jì)算和網(wǎng)絡(luò)相互感知、協(xié)同、調(diào)度問(wèn)題，推進(jìn)網(wǎng)絡(luò)和計(jì)算的深度融合。

移動(dòng)算力網(wǎng)絡(luò)則面向多級(jí)算力資源（云計(jì)算、邊緣計(jì)算和端側(cè)計(jì)算）并存情況下的資源統(tǒng)一供給問(wèn)題。移動(dòng)算力網(wǎng)絡(luò)通過(guò)云網(wǎng)協(xié)同、云邊協(xié)同和邊邊協(xié)同等算力協(xié)同技術(shù)，重點(diǎn)解決邊緣計(jì)算中資源泛在化后的用戶(hù)體驗(yàn)一致性以及服務(wù)靈活動(dòng)態(tài)部署問(wèn)題［6］，實(shí)現(xiàn)資源利用的最優(yōu)化，從而推進(jìn)云、網(wǎng)、邊的深度融合，在移動(dòng)網(wǎng)絡(luò)中提供包括人工智能、區(qū)塊鏈、云、數(shù)據(jù)、網(wǎng)絡(luò)、邊緣計(jì)算、終端計(jì)算和安全保障的整合服務(wù)。

因此，綜合上述邊緣智能和移動(dòng)算力網(wǎng)絡(luò)的概念，下面針對(duì)邊緣智能和移動(dòng)算力網(wǎng)絡(luò)的研究現(xiàn)狀和關(guān)鍵技術(shù)進(jìn)行了討論，提出了面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)設(shè)計(jì)實(shí)例，并給出了面向智能任務(wù)的網(wǎng)絡(luò)部署方案和多維資源分配方案，為后續(xù)邊緣智能和移動(dòng)算力網(wǎng)絡(luò)結(jié)合技術(shù)的實(shí)現(xiàn)和應(yīng)用部署提供有益參考。

2 面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)技術(shù)挑戰(zhàn)

邊緣智能和移動(dòng)算力網(wǎng)絡(luò)兩者互為依托，邊緣智能關(guān)鍵技術(shù)包括邊緣訓(xùn)練、邊緣推理和智能邊緣管理，需要移動(dòng)算力網(wǎng)絡(luò)提供靈活的算力調(diào)度和優(yōu)化；移動(dòng)算力網(wǎng)絡(luò)關(guān)鍵技術(shù)包括算力感知、算力度量與標(biāo)識(shí)和算力路由，可以依靠邊緣智能進(jìn)行服務(wù)擴(kuò)展和智能部署。因此，在智能應(yīng)用逐漸增多的背景下，在移動(dòng)網(wǎng)絡(luò)的基礎(chǔ)上逐漸形成了面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)技術(shù)，移動(dòng)算力網(wǎng)絡(luò)不斷促進(jìn)邊緣智能技術(shù)發(fā)展與應(yīng)用部署。

2.1 邊緣智能技術(shù)研究現(xiàn)狀

在邊緣+智能方面，部分研究仍在起步階段。相關(guān)研究首先考慮了如何將深度學(xué)習(xí)服務(wù)靠近用戶(hù)端側(cè)部署，云端只參與所需的額外處理［7］，這樣可以顯著降低傳輸數(shù)據(jù)至云端的時(shí)延和開(kāi)銷(xiāo)；然后考慮了將深度學(xué)習(xí)所需的原始數(shù)據(jù)存儲(chǔ)在邊緣或用戶(hù)端側(cè)而非云端，增強(qiáng)用戶(hù)的隱私保護(hù)［8］；部分研究考慮了部署適用于深度學(xué)習(xí)的分層計(jì)算架構(gòu)，提供更為可靠的深度學(xué)習(xí)計(jì)算，同時(shí)還具有自學(xué)習(xí)特性，能高效處理不同的智能任務(wù)需求；而后更多研究開(kāi)始考慮邊緣擁有的豐富數(shù)據(jù)和應(yīng)用場(chǎng)景，從而適配深度學(xué)習(xí)應(yīng)用，實(shí)現(xiàn)無(wú)處不在的人工智能服務(wù)的前景；最后，在商業(yè)應(yīng)用方面，部分研究通過(guò)在邊緣部署人工智能以降低系統(tǒng)開(kāi)銷(xiāo)，并通過(guò)多種類(lèi)的深度學(xué)習(xí)應(yīng)用部署，提高系統(tǒng)效用，從而提升整個(gè)系統(tǒng)的商業(yè)價(jià)值。

在智能+邊緣方面，相關(guān)研究起步較早。首先提出的是邊緣計(jì)算架構(gòu)能為端側(cè)和云端提供可靠和持續(xù)性的連接，將云-邊-端整合進(jìn)一個(gè)共享資源池中，但是對(duì)這一整合了無(wú)線通信、網(wǎng)絡(luò)、計(jì)算和存儲(chǔ)等功能的龐大架構(gòu)進(jìn)行管理和維護(hù)十分復(fù)雜，典型的基于固定數(shù)學(xué)模型的網(wǎng)絡(luò)優(yōu)化方法很難適配快速變化的邊緣網(wǎng)絡(luò)環(huán)境和系統(tǒng)。并且，邊緣節(jié)點(diǎn)的計(jì)算和存儲(chǔ)能力以及云邊協(xié)同，使得通過(guò)深度學(xué)習(xí)來(lái)優(yōu)化邊緣計(jì)算網(wǎng)絡(luò)和系統(tǒng)成為可能［3］。因此提出引入深度學(xué)習(xí)方法解決這類(lèi)面向復(fù)雜網(wǎng)絡(luò)信息的問(wèn)題，通過(guò)深度學(xué)習(xí)進(jìn)行自適應(yīng)的決策、智能管理和維護(hù)。最后，部分研究開(kāi)始對(duì)自適應(yīng)邊緣緩存，邊緣任務(wù)卸載以及包括邊緣通信、安全和聯(lián)合邊緣優(yōu)化的管理和維護(hù)等具體場(chǎng)景的研究，主要優(yōu)化移動(dòng)邊緣計(jì)算系統(tǒng)的資源管理。

2.2 移動(dòng)算力網(wǎng)絡(luò)技術(shù)研究現(xiàn)狀

移動(dòng)算力網(wǎng)絡(luò)目前主要從RAN 通信計(jì)算融合、算網(wǎng)協(xié)同調(diào)度和移動(dòng)算網(wǎng)一體化3個(gè)階段出發(fā)，從架構(gòu)、協(xié)議、度量等方面協(xié)同演進(jìn)。邊緣計(jì)算服務(wù)器作為兼具通信計(jì)算功能的邊緣主體，在RAN 整合通信和計(jì)算功能中發(fā)揮著重要作用，該類(lèi)研究主要通過(guò)研究多個(gè)邊緣節(jié)點(diǎn)計(jì)算資源的分配和調(diào)度，滿(mǎn)足用戶(hù)的業(yè)務(wù)體驗(yàn)并提高資源利用率。而隨著云邊算力的泛在發(fā)展，網(wǎng)絡(luò)變得扁平靈活，算網(wǎng)協(xié)同調(diào)度階段研究首先面向業(yè)務(wù)算力的協(xié)同感知技術(shù)，設(shè)計(jì)算力感知技術(shù)架構(gòu)，通過(guò)服務(wù)自動(dòng)化部署、最優(yōu)路由和負(fù)載均衡等技術(shù)構(gòu)建協(xié)同感知能力。而后通過(guò)網(wǎng)絡(luò)感知的應(yīng)用、計(jì)算等多維度資源，對(duì)算力路由進(jìn)行了研究，能夠?qū)⑺懔蜆I(yè)務(wù)按需調(diào)度到合適的節(jié)點(diǎn)，實(shí)現(xiàn)自適應(yīng)的算力調(diào)度功能。在移動(dòng)算網(wǎng)一體化階段，首先面向云、網(wǎng)、邊融合的資源利用，部署多級(jí)算力節(jié)點(diǎn)，對(duì)計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)算法資源進(jìn)行多級(jí)部署和靈活調(diào)度，初步提出算網(wǎng)一體化構(gòu)想［6］，而后部分研究對(duì)算網(wǎng)資源的統(tǒng)一運(yùn)維和優(yōu)化部署方案進(jìn)行討論，提出算網(wǎng)融合需要云邊端多級(jí)算力的泛在和互聯(lián)，減少邊緣計(jì)算節(jié)點(diǎn)的管控復(fù)雜度，以達(dá)到網(wǎng)絡(luò)資源和計(jì)算資源的全面融合［4］。

2.3 面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)技術(shù)挑戰(zhàn)

當(dāng)前，已有研究關(guān)注了邊緣智能與移動(dòng)算力網(wǎng)絡(luò)相結(jié)合需要解決的關(guān)鍵技術(shù)難題，具體包括以下2 個(gè)方面。

a）面向邊緣智能的算網(wǎng)資源管控。目前，已有從具體應(yīng)用如圖像傳輸?shù)礁话愕闹悄苣Ｐ托阅芎唾Y源分配結(jié)合的研究，該研究主要結(jié)合智能服務(wù)的精度特性和無(wú)線接入網(wǎng)絡(luò)資源，討論包括算力在內(nèi)的資源對(duì)智能服務(wù)的模型推理精度的影響。而后提出在邊緣網(wǎng)絡(luò)中部署分布式學(xué)習(xí)和聯(lián)邦學(xué)習(xí)方法，通過(guò)靈活分配資源的方法支持分布式模型訓(xùn)練的部署，初步提出計(jì)算負(fù)載量化的概念。

b）智能技術(shù)輔助的移動(dòng)算力網(wǎng)絡(luò)設(shè)計(jì)。目前，相關(guān)研究首先從移動(dòng)邊緣計(jì)算的計(jì)算卸載問(wèn)題出發(fā)，討論了在邊緣部署智能的需求以及所需的算力網(wǎng)絡(luò)架構(gòu)，并結(jié)合算力感知和調(diào)度功能設(shè)計(jì)算力網(wǎng)絡(luò)框架［6］；而后從智能服務(wù)輔助算力網(wǎng)絡(luò)的角度出發(fā)，通過(guò)部署分布式學(xué)習(xí)的方法解決動(dòng)態(tài)的計(jì)算卸載和算力調(diào)度問(wèn)題。

然而，需要指出的是，面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)部署目前仍存在諸多挑戰(zhàn)，一方面需要部署多種類(lèi)的定制化輕量智能模型，在包括邊緣訓(xùn)練和邊緣推理方面減輕邊緣的資源壓力，并能提供更多種智能服務(wù)，對(duì)模型的參數(shù)量和精度有非常高的要求；另一方面需要移動(dòng)算力網(wǎng)絡(luò)進(jìn)行高效率的算力感知，適配智能模型的多業(yè)務(wù)部署，在算力度量和路由的設(shè)計(jì)方面存在很大的挑戰(zhàn)。

3 面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)設(shè)計(jì)實(shí)例

在邊緣智能關(guān)鍵技術(shù)中，存在很多智能模型的輕量化部署方法，包括模型的優(yōu)化、模型的分割部署以及模型的提前退出，這些技術(shù)為面向邊緣智能與移動(dòng)算力網(wǎng)絡(luò)部署提供了基礎(chǔ)。在移動(dòng)算力網(wǎng)絡(luò)關(guān)鍵技術(shù)中，算力感知度量與路由為部署提供了資源保障。因此，結(jié)合部署的關(guān)鍵在于整合2類(lèi)技術(shù)，根據(jù)智能服務(wù)的場(chǎng)景進(jìn)行不同層次的網(wǎng)絡(luò)部署與資源管控。

3.1 網(wǎng)絡(luò)部署設(shè)計(jì)方案

模型輕量化部署可以顯著減輕算力網(wǎng)絡(luò)資源壓力。在深度學(xué)習(xí)模型分割中，模型可以被分解成多個(gè)部分并按照算網(wǎng)的適配性分配至終端設(shè)備中異構(gòu)的本地處理器、分布式算力節(jié)點(diǎn)或合作式的“端-邊-云”架構(gòu)，其中分配至“端-邊-云”架構(gòu)的被稱(chēng)為水平分割，分配至分布式算力節(jié)點(diǎn)的被稱(chēng)為垂直分割［3］。垂直分割方法按照輸入維度對(duì)模型進(jìn)行分割，將模型的各層分成獨(dú)立的分布式計(jì)算任務(wù)進(jìn)入各個(gè)算力節(jié)點(diǎn)，為移動(dòng)算力網(wǎng)絡(luò)提供了很好的適配條件，而移動(dòng)算力網(wǎng)絡(luò)的分層算力感知架構(gòu)［4］為智能模型的部署提供了底層條件。

面向邊緣智能與移動(dòng)算力網(wǎng)絡(luò)部署需要結(jié)合算力感知技術(shù)架構(gòu)，對(duì)邊緣智能服務(wù)進(jìn)行垂直分割。通過(guò)合適的模型分割算法將智能模型分割成適合部署在算力網(wǎng)絡(luò)中的分布式計(jì)算模式，由算力編排層進(jìn)行統(tǒng)一管理，通過(guò)算力服務(wù)層承載，由算力感知功能對(duì)分割后的計(jì)算任務(wù)進(jìn)行算力需求的感知，而后算力路由層將分割后的子任務(wù)分配算網(wǎng)資源，即路由調(diào)度到不同的算力節(jié)點(diǎn)中，由網(wǎng)絡(luò)資源層和算力資源層提供網(wǎng)絡(luò)連接和算力資源進(jìn)行傳輸和計(jì)算，最后將業(yè)務(wù)部署完成并反饋給用戶(hù)。可以看出，面向邊緣智能與移動(dòng)算力網(wǎng)絡(luò)部署需要高度融合的算網(wǎng)架構(gòu)和成熟的模型分割算法，以確保網(wǎng)絡(luò)資源的利用和智能服務(wù)的質(zhì)量，同時(shí)還需要云-邊-端的協(xié)同以應(yīng)對(duì)不同場(chǎng)景下不同類(lèi)型的智能任務(wù)，將邊緣算力節(jié)點(diǎn)無(wú)法處理的智能任務(wù)回傳至云端進(jìn)行處理，結(jié)合部署架構(gòu)如圖2 所示。

圖2 面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)部署

3.2 面向邊緣智能的資源分配設(shè)計(jì)方案

基于上述部署架構(gòu)，需要考慮面向邊緣智能任務(wù)的多維資源分配方法，以滿(mǎn)足邊緣智能服務(wù)對(duì)通信和計(jì)算資源的需求。本文提出了一種面向智能任務(wù)的資源分配方法。智能任務(wù)需要考慮訓(xùn)練精度參數(shù)，系統(tǒng)采用OFDMA 多任務(wù)到達(dá)，計(jì)算任務(wù)并行處理。故在原始數(shù)據(jù)壓縮回傳時(shí)，考慮數(shù)據(jù)量和訓(xùn)練精度的關(guān)系，同時(shí)考慮多計(jì)算任務(wù)并行對(duì)計(jì)算時(shí)延的影響。考慮將移動(dòng)算力設(shè)備部署至基站側(cè)，設(shè)接入基站k的終端為uk，考慮終端任務(wù)m存在的時(shí)延和精度需求，由邊緣供給計(jì)算資源，將原始數(shù)據(jù)壓縮上傳至邊緣服務(wù)器進(jìn)行處理，并將結(jié)果回傳給終端執(zhí)行?？紤]用戶(hù)數(shù)據(jù)量αuk對(duì)智能任務(wù)處理精度y(αuk)的影響，如式（1）所示。

其中，p、q和r均為擬合參數(shù)?？紤]保證時(shí)延內(nèi)多計(jì)算任務(wù)并行對(duì)任務(wù)處理時(shí)延的影響，假設(shè)任務(wù)m處理時(shí)并行處理的任務(wù)數(shù)為im，那么有：

其中，d為退化因子，即一個(gè)虛擬機(jī)在與另一個(gè)虛擬機(jī)復(fù)用時(shí)經(jīng)歷的預(yù)期服務(wù)時(shí)間增加的百分比，用于表征并行任務(wù)對(duì)移動(dòng)算力節(jié)點(diǎn)計(jì)算產(chǎn)生的影響。考慮在精度限制和時(shí)延限制條件下，優(yōu)化通信與計(jì)算資源分配和壓縮比，并以精度和時(shí)延的結(jié)合作為系統(tǒng)效用，通過(guò)連續(xù)凸近似的方法進(jìn)行求解。

隨后設(shè)計(jì)固定信道（FC）、平均計(jì)算（AC）和不考慮壓縮比并行（WCR）的對(duì)比算法進(jìn)行仿真性能分析，圖3 和圖4 為該場(chǎng)景下系統(tǒng)效用和計(jì)算容量以及并行參數(shù)的變化關(guān)系。根據(jù)系統(tǒng)效用在不同帶寬（即10 MHz 和50 MHz）下隨計(jì)算容量的變化，本文提出的算法系統(tǒng)效用在200 Gigacycle/s 時(shí)達(dá)到最大值，在并行參數(shù)的影響中可以看出系統(tǒng)能效呈下降趨勢(shì)，且并行參數(shù)越大趨勢(shì)越緩和。此外，可以看出更高的帶寬對(duì)變化趨勢(shì)的影響不顯著。

圖3 系統(tǒng)效用和計(jì)算容量變化關(guān)系

圖4 系統(tǒng)效用和并行參數(shù)變化關(guān)系

該場(chǎng)景模型對(duì)移動(dòng)算力網(wǎng)絡(luò)中的邊緣節(jié)點(diǎn)在面向智能任務(wù)時(shí)的性能進(jìn)行了建模分析，通過(guò)傳統(tǒng)優(yōu)化的方法提出了結(jié)合任務(wù)精度的資源分配的算法；通過(guò)仿真分析可以看出，在面向智能任務(wù)時(shí)，不同需求量和不同資源量對(duì)系統(tǒng)性能影響的不同，對(duì)面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)結(jié)合部署的資源分配有著參考意義。

4 結(jié)束語(yǔ)

邊緣智能和移動(dòng)算力網(wǎng)絡(luò)作為5G 時(shí)代演進(jìn)至6G未來(lái)移動(dòng)通信的關(guān)鍵技術(shù)，在針對(duì)智能服務(wù)和移動(dòng)算力利用方面都有重要作用。本文針對(duì)新興的邊緣智能和移動(dòng)算力網(wǎng)絡(luò)的概念、發(fā)展和關(guān)鍵技術(shù)進(jìn)行了討論，并提出了一種面向邊緣智能的移動(dòng)算力網(wǎng)絡(luò)技術(shù)方案，分析了面向智能任務(wù)的邊緣資源分配實(shí)例，為未來(lái)邊緣智能和移動(dòng)算力網(wǎng)絡(luò)的結(jié)合部署提供了參考。