周吉喆 楊思遠 王志勤

摘要：為解決現(xiàn)有算網(wǎng)融合方案存在的完整業(yè)務建模缺失、算網(wǎng)資源與業(yè)務需求失配、系統(tǒng)多性能指標折中關系不清的問題，提出了基于服務化架構的算網(wǎng)融合關鍵技術。通過建模微服務與業(yè)務性能相關性業(yè)務模型，設計適配業(yè)務需求的算網(wǎng)融合資源調(diào)度方案，并研究面向系統(tǒng)多種性能聯(lián)合優(yōu)化的算網(wǎng)融合一體化編排策略，滿足新一代移動通信網(wǎng)絡建設中業(yè)務高性能、系統(tǒng)高效能、算網(wǎng)深融合的綜合發(fā)展需求。

關鍵詞：算網(wǎng)融合；服務化架構；資源管理

Abstract： The current schemes of computing and network convergence （CNC） resource allocation face three challenges： the lack of a general profile and model of service， the mismatching between computing-network resource allocation and service needs， and the missing analysis of the tradeoff relation among various system key performance indicators （KPIs）. To solve these problems， the combination between service-based architecture and CNC is studied， and the service-aware CNC technology is introduced. By leveraging the orchestration strat？ egy of computing and network for the system-level optimization on multiple KPIs， the service-aware CNC can greatly enhance the perfor？ mance of applications， improve the efficiency of the system and strengthen the convergence of computing and network.

Keywords： computing and network convergence； service-based architecture； resource management

1算網(wǎng)融合發(fā)展現(xiàn)狀

隨著新一代科技革命和產(chǎn)業(yè)革命的持續(xù)演進，以工業(yè)互聯(lián)網(wǎng)、車聯(lián)網(wǎng)、虛擬及增強現(xiàn)實和數(shù)字孿生為代表的數(shù)字化、網(wǎng)絡化、智能化業(yè)務蓬勃發(fā)展。據(jù)IMT-2030（6G）推進組《6G典型場景和關鍵能力白皮書》[1]預測：到2030年，各類移動終端連接數(shù)將超過184億，月均流量將高達5 835 GB。

新數(shù)字業(yè)務的急速增長將需要更強的網(wǎng)絡數(shù)據(jù)處理與計算能力。當前，僅依賴云計算或單一邊緣計算的端到端數(shù)據(jù)處理與計算方式存在業(yè)務多元需求但算力供給不均、業(yè)務快速變化但算力延遲響應、業(yè)務分布泛化但算力調(diào)配集中等系統(tǒng)性矛盾，難以有效支撐業(yè)務發(fā)展。同時，隨著手機、智能汽車等各類移動終端設備計算能力的提升，云計算、邊緣計算等網(wǎng)絡算力呈現(xiàn)多樣化發(fā)展的趨勢。根據(jù)《中國算力發(fā)展指數(shù)白皮書》[2]，2020年中國算力規(guī)模達到135 EFlops（億次浮點運算），年增長率達到55%，算力規(guī)模持續(xù)增加。算力規(guī)模的快速增長與算力的多樣性發(fā)展將驅(qū)動網(wǎng)絡算力分配向泛在化演進，即網(wǎng)絡內(nèi)部分布著不同計算能力的算力節(jié)點。為此，如何高效調(diào)用分布式算力，有效匹配并服務多樣泛在的算力資源，從而實現(xiàn)算力與網(wǎng)絡的深度融合，是新一代移動通信網(wǎng)絡發(fā)展的重要問題。

面向上述業(yè)務需求，中國高度重視算力與網(wǎng)絡融合（以下簡稱“算網(wǎng)融合”）技術研究，將其列為6G網(wǎng)絡技術儲備的重要內(nèi)容[3-6]。2021年5月，國家發(fā)展和改革委員會等4部門聯(lián)合印發(fā)的《全國一體化大數(shù)據(jù)中心協(xié)同創(chuàng)新體系算力樞紐實施方案》指出，需要加快建設全國算力一體化的新型算力網(wǎng)絡架構，進行算網(wǎng)資源的優(yōu)化配置，實施“東數(shù)西算”工程[7]。在標準化方面，全球的標準化組織積極力推動算網(wǎng)融合領域的標準進程。國際電信聯(lián)盟（ITU）已將算力網(wǎng)絡架構與算網(wǎng)融合需求相關的標準做了立項，探索算網(wǎng)融合邏輯功能與信息交互機制。歐洲電信標準化協(xié)會（ETSI）聚焦動態(tài)路由、分流等算網(wǎng)融合技術研究，開展通信與計算融合的高效網(wǎng)絡系統(tǒng)研究?；ヂ?lián)網(wǎng)研究任務組（IRTF）成立在網(wǎng)計算研究工作組，面向可編程網(wǎng)絡設備研究“計算+轉發(fā)”的算網(wǎng)融合網(wǎng)絡內(nèi)生功能。中國標準化組織也積極推動算網(wǎng)融合、算力網(wǎng)絡相關的研究和立項。IMT-2030（6G）推進組成立算力網(wǎng)絡研究組，旨在推動業(yè)界達成算網(wǎng)融合技術研究共識，加快關鍵技術攻關與系統(tǒng)設計進程。

目前，業(yè)界主要聚焦基于互聯(lián)網(wǎng)協(xié)議（IP）技術的算力感知與算網(wǎng)融合技術研究，通過感知業(yè)務服務質(zhì)量（QoS）要求與分布式算網(wǎng)資源狀態(tài)，將業(yè)務調(diào)度到合適的算力節(jié)點。但目前這些研究仍然面臨分布式算力協(xié)同機制匱乏、算網(wǎng)資源管理靈活性與動態(tài)性受限、業(yè)務性能與可靠性保障機制缺乏等挑戰(zhàn)。針對未來泛在移動業(yè)務接入與極致性能需求，算網(wǎng)融合技術發(fā)展將與未來移動通信網(wǎng)絡服務化、分布式的演進方向緊密結合，進一步細化算力度量與感知顆粒度，建立網(wǎng)絡泛在算力資源與實時網(wǎng)絡狀態(tài)的彈性協(xié)同管理機制，為業(yè)務性能指標提供確定性保障。

2基于服務化架構的算網(wǎng)融合技術演進趨勢

5G網(wǎng)絡確定了基于服務化的網(wǎng)絡架構，并利用虛擬化技術靈活部署核心網(wǎng)控制面網(wǎng)元，建立網(wǎng)元間的統(tǒng)一接口與交互機制。未來網(wǎng)絡將進一步深化端到端網(wǎng)絡的服務化進程[7-8]。云原生技術能夠?qū)⒕W(wǎng)絡功能拆解為松耦合的微服務，并利用容器等虛擬化技術將微服務獨立運行并按需部署，以支持更加廣泛的應用場景與靈活高效的網(wǎng)絡服務能力，拓展網(wǎng)絡服務化架構應用邊界。

結合未來網(wǎng)絡全面服務化的演進趨勢，基于服務化架構的算網(wǎng)融合資源管理能夠在算力協(xié)同與業(yè)務性能的角度適配分布式算力高效調(diào)度的技術路線，增加算網(wǎng)資源管理的靈活性，助力自配置、自優(yōu)化的網(wǎng)絡功能編排升級。同時，面向微服務的業(yè)務治理方法能夠通過按需靈活的算網(wǎng)資源進行管理，滿足實時、跨域、智能化等多樣化的業(yè)務場景與性能要求。在算力協(xié)同方面，與傳統(tǒng)面向業(yè)務整體的資源分配方案不同，運行微服務所需的算網(wǎng)資源規(guī)模相對較小，能夠充分調(diào)用算力規(guī)模較小的算力節(jié)點，并通過多點算力協(xié)作提高算網(wǎng)資源利用率與系統(tǒng)容量。因此，基于服務化架構的服務編排思路與分布式算力高效調(diào)用的技術路線相匹配。在業(yè)務性能方面，以微服務為對象的資源分配方案將算網(wǎng)資源進行統(tǒng)一封裝，增加了算網(wǎng)服務的多樣性與定制性。同時，基于微服務的算力服務編排允許每個微服務單獨部署在不同的容器或算力節(jié)點上。這使得同一微服務可以被不同業(yè)務所調(diào)用，更加靈活地通過微服務冗余部署實現(xiàn)負載均衡。因此，基于微服務的算網(wǎng)資源管理增加了微服務調(diào)用的靈活性，進一步提升了時延、可靠性等業(yè)務性能指標，增強了多業(yè)務并運行下的網(wǎng)絡服務能力。面向業(yè)務感知的服務化架構算網(wǎng)融合技術愿景如圖1所示。

為最大程度發(fā)揮服務化架構在適應性、彈性、可靠性上的優(yōu)勢，算網(wǎng)融合通過對算力與網(wǎng)絡等多維資源進行統(tǒng)一編排與調(diào)度，以算力服務的形式向業(yè)務提供按需調(diào)度、靈活適配的網(wǎng)絡服務，拓寬了未來網(wǎng)絡的新價值。

3基于服務化架構的算網(wǎng)融合研究挑戰(zhàn)

為了充分發(fā)揮微服務等服務化相關技術在算網(wǎng)資源管理問題上的賦能效用，我們需要著力解決以下兩方面的問題。首先，需要對拆解的微服務與業(yè)務整體的相關性進行合理的分析與數(shù)學建模。由于微服務間存在功能上的依賴關系，微服務單體性能與業(yè)務整體性能間存在制約關系，因此，基于微服務的科學業(yè)務建模方法是算網(wǎng)資源高效利用的研究基礎。其次，需要面向業(yè)務需求感知與業(yè)務特征，建立算網(wǎng)資源的協(xié)同控制機理。在面向微服務設計算網(wǎng)資源分配方案時，由于微服務的算網(wǎng)資源需求不同，且業(yè)務的微服務邏輯結構復雜，需要充分分析微服務單體與微服務局部交互對算網(wǎng)資源分配的影響。

3.1基于微服務的算網(wǎng)融合資源管理研究現(xiàn)狀

目前，學術界主要聚焦無線接入網(wǎng)、邊緣計算等特定場景下的基于微服務的算網(wǎng)資源管理研究。為了實現(xiàn)算力與網(wǎng)絡資源的高效調(diào)度并最終體系化地建立基于微服務的業(yè)務模型，應首先充分分析與提取微服務的需求、特征與相關性。

現(xiàn)有普遍使用的基于微服務的業(yè)務建模方法主要有兩種。第一種是將業(yè)務建模成有序的微服務集合，微服務間存在線性依賴且在時間上有前后邏輯關系[9-13]。例如，人臉表情識別微服務需要在人臉識別微服務后運行。第二種方法是將業(yè)務建模成有向無環(huán)圖（DAG），只有當有向邊上的前導微服務完成后才能進行其指向的后續(xù)微服務[14-18]。在這種情況下，微服務存在不止一個前導微服務，其部署方案與性能受到所有前導微服務集合的影響。這兩種業(yè)務建模方法均考慮了實際業(yè)務運行過程中業(yè)務模塊間存在的邏輯關系。由于業(yè)務微服務間的邏輯關系，前導微服務的部署方案與性能會影響后續(xù)微服務的通信資源分配與算力節(jié)點部署決策。因此，需要根據(jù)微服務間的關聯(lián)性設計算網(wǎng)資源分配方案，以提高業(yè)務性能。基于DAG的業(yè)務建模方法在一定程度上考慮了業(yè)務微服務間的復雜邏輯關系，并設計了相應算網(wǎng)資源分配方案，提高了業(yè)務性能。

3.2基于服務化架構的算網(wǎng)融合面臨的挑戰(zhàn)

現(xiàn)有工作雖然能夠面向微服務進行算網(wǎng)融合的資源協(xié)同分配，但仍存在微服務與業(yè)務性能相關性的業(yè)務建模方法缺失、算網(wǎng)融合資源調(diào)度與業(yè)務需求失配的問題，未能建立系統(tǒng)融合性能最優(yōu)的算網(wǎng)融合編排管理機制。基于服務化架構的算網(wǎng)融合研究面臨以下一些挑戰(zhàn)。

（1）微服務與業(yè)務整體相關性建模缺失：微服務間存在邏輯關系與交互行為，因此微服務單體部署決策影響業(yè)務整體服務水平?，F(xiàn)有工作未充分考慮不同微服務的異質(zhì)化特性，僅建模了微服務間單向的邏輯關系，未對多個微服務間信息交互與相互依賴的邏輯關系進行建模與量化，無法真實反應業(yè)務需求與微服務邏輯關聯(lián)的結構特征。因此，目前缺少通用的基于微服務的業(yè)務建模方法。

（2）算網(wǎng)融合資源調(diào)度與業(yè)務需求失配：為了最大程度地提升業(yè)務性能，需要結合微服務的資源需求與相關性特征，設計對應的算網(wǎng)資源分配方案?，F(xiàn)有基于微服務的算網(wǎng)融合資源管理方案并未完整分析微服務間交互行為對業(yè)務性能的影響，這導致資源分配無法滿足實際業(yè)務需求。

（3）系統(tǒng)多種性能指標折中關系不清晰：在多業(yè)務場景下，需要在保證業(yè)務QoS的前提下，最大程度提升網(wǎng)絡整體性能與容量。現(xiàn)有算網(wǎng)融合資源管理方案通常以業(yè)務時延、吞吐量等單一性能作為優(yōu)化目標，對可靠性、系統(tǒng)容量、算網(wǎng)資源開銷等性能指標間折中關系的研究并不清晰。因此，現(xiàn)有算網(wǎng)融合資源管理方案無法實現(xiàn)系統(tǒng)整體服務能力最優(yōu)的目標。

4基于服務化架構的算網(wǎng)融合關鍵技術

為確保基于服務化架構的算網(wǎng)資源的靈活高效調(diào)度，業(yè)界亟需解決業(yè)務建模缺失、算網(wǎng)資源與業(yè)務需求失配、系統(tǒng)多性能權衡不清等關鍵問題，突破基于云原生的算力服務與業(yè)務建模、業(yè)務需求適配的算網(wǎng)融合資源調(diào)度、面向系統(tǒng)整體性能優(yōu)化的算網(wǎng)融合編排等技術瓶頸?；诜栈軜嫷乃憔W(wǎng)融合關鍵技術研究將推動業(yè)務性能與網(wǎng)絡整體效率的優(yōu)化。構建普適的業(yè)務模型可以為適配業(yè)務需求的最優(yōu)算網(wǎng)融合資源調(diào)度提供模型基礎。對業(yè)務模型與分布式算網(wǎng)資源拓撲的映射關系與資源分配方法的研究，能夠為復雜環(huán)境下的系統(tǒng)整體性能優(yōu)化提供理論基礎，從而指導系統(tǒng)整體服務能力最優(yōu)的算網(wǎng)融合服務編排。

舉例來說，基于服務化架構的算網(wǎng)融合技術能夠有效賦能增強現(xiàn)實類應用場景。通過對使用者看到的現(xiàn)實世界進行數(shù)字化環(huán)境渲染與增強，增強現(xiàn)實技術實現(xiàn)了使用者在虛實世界的交互體驗。目前增強現(xiàn)實技術已廣泛應用于智慧工廠中的設備巡檢、智慧教育中的教學互動等多種場景。增強現(xiàn)實類應用通常包含視頻采集模塊、跟蹤模塊、映射模塊、物體識別模塊、渲染模塊等功能模塊。各個模塊的開發(fā)與部署可以相互獨立，且模塊間存在復雜的邏輯關系。例如，跟蹤模塊需要根據(jù)視頻采集模塊采集的圖片與當前渲染模塊的渲染結果進行特征點學習，完成對鏡頭與目標物體的跟蹤同步。同時，映射模塊根據(jù)跟蹤結果更新虛擬世界模型，并反向為跟蹤模塊提供新的特征點參數(shù)。增強現(xiàn)實類應用對算力的要求較高，而大多數(shù)移動終端與頭顯設備受限于算力與能耗，無法完成高清視頻渲染與實時虛實交互?；诜栈軜嫷乃憔W(wǎng)融合技術能夠充分調(diào)度云邊端算力資源，滿足業(yè)務性能要求并提升網(wǎng)絡整體容量。首先，利用基于云原生的業(yè)務建模方法能夠?qū)⒉煌K視為微服務，從而量化其計算量、傳輸數(shù)據(jù)量等參數(shù)，并衡量不同模塊間的復雜邏輯關系與交互行為。其次，根據(jù)微服務的算網(wǎng)需求與相互作用關系，進一步利用算網(wǎng)融合資源調(diào)度方法將增強現(xiàn)實類應用模塊部署在最優(yōu)的算力節(jié)點（如移動終端、邊緣計算等）上，以滿足實時交互應用需求。最后，面向多業(yè)務、動態(tài)等復雜網(wǎng)絡環(huán)境，利用算網(wǎng)融合服務編排能夠提高系統(tǒng)時延、可靠性、算網(wǎng)資源利用率等多種系統(tǒng)性能指標，從而顯著提升系統(tǒng)整體效率。

4.1基于云原生的算力服務與業(yè)務建模

云原生技術廣泛地應用在復雜信息技術（IT）業(yè)務的開發(fā)、維護等環(huán)節(jié)，能夠提高IT業(yè)務交付與后期管理效率。將云原生技術應用在算網(wǎng)融合中，能夠解決現(xiàn)有算力服務單體龐大、部署僵化的問題，實現(xiàn)輕量級、定制化的算力服務管理。另外，云原生技術將底層網(wǎng)絡、算力、存儲等多維度資源封裝為微服務，并獨立地部署在算力節(jié)點上。這樣能夠更大程度地調(diào)度網(wǎng)絡分布式異構的算力資源，實現(xiàn)算網(wǎng)資源協(xié)同控制?；谖⒎盏乃懔Ψ疹愋桶▋煞N：第一種是移動通信網(wǎng)絡的網(wǎng)絡功能，例如核心網(wǎng)的切片管理、接入網(wǎng)的基帶處理等；另外一種是網(wǎng)絡內(nèi)生支持的新型算力服務，例如人工智能（AI）訓練等。組合不同的算力服務，能夠滿足多樣化業(yè)務需求。

為了更好地提升業(yè)務性能，需要深入挖掘業(yè)務微服務間的邏輯關系和交互行為，建立通用的業(yè)務微服務模型，為算網(wǎng)融合資源協(xié)同調(diào)度管理提供模型基礎。首先，對單體微服務的計算、通信等資源需求進行合理性分析，并建模量化微服務對業(yè)務整體性能的相關性水平，完善微服務單體模型參數(shù)。其次，分析微服務間的邏輯關系與交互行為，進而構建微服務間的邏輯關聯(lián)結構。在傳統(tǒng)業(yè)務建模方法的基礎上，不僅需要考慮兩個微服務間“單向線性”的邏輯關系，還要進一步建模兩個或多個微服務間“環(huán)形交互”的復雜邏輯結構。由于前導微服務在資源需求與性能上的差異，不同前導微服務對后續(xù)微服務的部署方案與性能表征的影響力存在不同。因此，還需進一步量化邏輯關系上的前導微服務對后續(xù)微服務的影響力，建模微服務間的影響力參數(shù)。最后，根據(jù)微服務單體需求和邏輯關聯(lián)結構，利用有向圖的方法健全業(yè)務整體模型。有向圖的頂點代表一個微服務，其特征參數(shù)包括計算能力要求、重要性水平等，有向邊代表兩個微服務間的邏輯關系，其特征參數(shù)包括微服務的業(yè)務傳輸量、影響力水平等。

4.2業(yè)務需求適配的算網(wǎng)融合資源調(diào)度

基于微服務的業(yè)務建模將算力服務分布式部署在異構算力節(jié)點上。由于網(wǎng)絡算力節(jié)點的計算資源有限，且節(jié)點間通信能力受到帶寬、信道狀態(tài)等通信資源與環(huán)境因素影響，因此需要根據(jù)業(yè)務需求與網(wǎng)絡狀態(tài)，對網(wǎng)絡分布式的計算與通信資源進行整合與協(xié)同控制。研究建立業(yè)務模型與算網(wǎng)物理資源拓撲間的映射關系，能夠?qū)λ懔Ψ者M行最優(yōu)部署與靈活調(diào)度，最大程度提升業(yè)務性能。

為實現(xiàn)算網(wǎng)融合資源的最優(yōu)調(diào)度，首先，分析算網(wǎng)物理資源拓撲與業(yè)務微服務模型的映射關系，構建面向業(yè)務需求與特征的算網(wǎng)資源優(yōu)化問題。算網(wǎng)物理拓撲也可以利用圖論的方法建模算力節(jié)點連接拓撲，并通過量化計算能力、通信能力等參數(shù)，構建算網(wǎng)資源模型。由于業(yè)務模型與算網(wǎng)資源模型具有不同的參數(shù)體系，可以通過在業(yè)務性能指標和算網(wǎng)資源維度上對應統(tǒng)一的方式，構建兩者的關聯(lián)模型，進一步研究算網(wǎng)融合資源分配優(yōu)化問題。其次，對上述算網(wǎng)融合資源優(yōu)化問題進行分解，通過降低優(yōu)化變量間的關聯(lián)性，降低問題求解的復雜度。該算網(wǎng)融合資源優(yōu)化問題的復雜度主要來源于微服務間的邏輯關系與交互行為，因此，解決問題的關鍵在于對業(yè)務的有向圖模型進行分解，形成多個算網(wǎng)融合資源優(yōu)化的子問題。最后，根據(jù)分解后的微服務間邏輯關聯(lián)性，建立子問題優(yōu)化方向與整體方案設計目標的關聯(lián)與統(tǒng)一，實現(xiàn)全局資源的最優(yōu)配置?？梢岳梅植际綄W習、博弈論等方法，實現(xiàn)多智能體間的協(xié)同迭代學習，并最終獲得最優(yōu)的算網(wǎng)融合資源調(diào)度策略。

4.3多目標聯(lián)合優(yōu)化的算網(wǎng)融合編排

隨著網(wǎng)絡規(guī)模與業(yè)務多樣性的增加，算網(wǎng)融合資源優(yōu)化目標不僅僅包括業(yè)務時延、吞吐等性能指標，還需要考慮業(yè)務可靠性、確定性及網(wǎng)絡能效、算網(wǎng)資源利用率、算網(wǎng)管理開銷等多種指標。因此，在適配業(yè)務需求的基礎上，需要進一步考慮面向系統(tǒng)多性能聯(lián)合優(yōu)化的算網(wǎng)融合編排技術研究，通過對多指標權衡與協(xié)同管理，實現(xiàn)網(wǎng)絡不確定性下的系統(tǒng)承載能力與效率提升。

首先，假設確定性的網(wǎng)絡場景，并根據(jù)微服務的特征參數(shù)，研究時延、可靠性、算網(wǎng)資源利用率等多種性能指標間的折中關系。多種性能指標的折中關系可以進一步建模成受約束的算網(wǎng)融合資源分配優(yōu)化問題。通過對該優(yōu)化問題進行求解，可以獲得性能指標間相關性的數(shù)學表征，并能夠給出算網(wǎng)融合編排指導。其次，面對網(wǎng)絡不確定性場景，針對動態(tài)業(yè)務到達、算力節(jié)點中斷等情況，利用概率論等方法研究靈活動態(tài)的算網(wǎng)融合編排策略?？梢愿鶕?jù)歷史經(jīng)驗，利用梯度下降等方法設計線上算網(wǎng)融合編排策略，根據(jù)系統(tǒng)整體性能要求自適應地調(diào)整分布式算網(wǎng)資源分配。

5結束語

本文探索了面向業(yè)務感知的服務化架構算網(wǎng)融合的資源管理技術研究，旨在推動云原生、微服務等技術在算網(wǎng)融合中的應用，引領通信與計算融合的新型網(wǎng)絡設計范式。

參考文獻

[1] IMT-2030（6G）推進組. 6G典型場景和關鍵能力白皮書[R]. 2022

[2]中國信息通信研究院.中國算力發(fā)展指數(shù)白皮書[EB/OL]. [2022-09-05]. http：//www.caict.ac.cn/kxyj/qwfb/bps/202109/t20210918_390058.htm

[3] ChinaMobile，ChinaTelecom，ChinaUnicom，etal.5G-advanced technology evolution from a network perspective （2021） [EB/OL].[2022-09-05].https：//www.huawei.com/en/events/5g-advanced-technologyevolution-network-perspective

[4] IMT-2030（6G）推進組. 6G網(wǎng)絡架構愿景與關鍵技術展望白皮書[R]. 2021

[5] PELTONEN E， BENNIS M， CAPOBIANCO M， et al. 6G white paper on edge intelligence [EB/OL]. （2020-04-30） [2022-09-07]. https：//arxiv. org/abs/ 2004.14850

[6] WIKSTROM G， PERSSON P， PARKVALL S， et al. 6G-connecting a cyberphysical world [EB/OL]. [2022-09-06]. https：//www. ericsson. com/en/ reports-and-papers/white-papers/a-research-outlook-towards-6g

[7]國家發(fā)展改革委，中央網(wǎng)信辦，工業(yè)和信息化部，等.全國一體化大數(shù)據(jù)中心協(xié)同創(chuàng)新體系算力樞紐實施方案[EB/OL]. [2022-09-06]. https：//www.ndrc. gov.cn/xwdt/tzgg/202105/t20210526_1280839.html？code=&state=123

[8] IMT-2030（6G）推進組. 6G網(wǎng)絡架構愿景與關鍵技術展望白皮書[EB/OL].[2022-09-06]. https：//mp.weixin.qq.com/s/JXqJbVTvbPvJE_Tl5jRXKA

[9]中國移動通信有限公司研究院. 6G服務化RAN白皮書[EB/OL]. [2022-09-06]. http：//cmri.chinamobile.com/insight/technology/7319.html

[10] WANG M， CHENG B， FENG W D， et al. An efficient service function chain placement algorithm in a MEC-NFV environment [C]//Proceedings of 2019 IEEE Global Communications Conference. IEEE， 2019： 1-6. DOI： 10.1109/ GLOBECOM38437.2019.9013235

[11] CAO Z， ZHANG H G， CAO Y， et al. A deep reinforcement learning approach to multi-component job scheduling in edge computing [C]// Proceedings of 2019 15th International Conference on Mobile Ad-Hoc andSensorNetworks（MSN）.IEEE，2019：19-24.DOI：10.1109/ MSN48538.2019.00018

[12] CHEN L L， XU Y C， LU Z H， et al. IoT microservice deployment in edgecloud hybrid environment using reinforcement learning [J]. IEEE Internet of Things journal， 2021， 8（16）： 12610-12622. DOI： 10.1109/JIOT.2020. 3014970

[13] WANG S Q， ZAFER M， LEUNG K K. Online placement of multicomponent applications in edge computing environments [J]. IEEE access， 2017， 5： 2514-2533. DOI： 10.1109/ACCESS.2017.2665971

[14] CHEN J W， YANG Y J， WANG C Y， et al. Multitask offloading strategy optimization based on directed acyclic graphs for edge computing [J]. IEEE Internet of Things journal， 2022， 9（12）： 9367-9378. DOI： 10.1109/ JIOT.2021.3110412

[15] GHOLAMI A， BARAS J S. Collaborative cloud-edge-local computation offloadingformulti-componentapplications[C]//2021IEEE/ACM Symposium on Edge Computing （SEC）. IEEE， 2021： 361-365. DOI： 10.1145/3453142.3493515

[16] SEDGHANI H， FILIPPINI F， ARDAGNA D. A randomized greedy method for AI applications component placement and resource selection in computingcontinua[C]//Proceedingsof2021IEEEInternational Conference on Joint Cloud Computing. IEEE，2021： 65-70. DOI： 10.1109/ JCC53141.2021.00022

[17] CHEN X W， TANG S T， LU Z H， et al. iDiSC： a new approach to IoT-dataintensive service components deployment in edge-cloud-hybrid system[J]. IEEE access， 7： 59172-59184. DOI： 10.1109/ACCESS.2019.2915020

[18] FATICANTI F， DE PELLEGRINI F， SIRACUSA D， et al. Throughput-aware partitioning and placement of applications in fog computing [J]. IEEE transactions on network and service management， 2020， 17（4）： 2436-2450. DOI： 10.1109/TNSM.2020.3023011

作者簡介

周吉喆，中國信息通信研究院工程師；主要研究方向為算網(wǎng)融合、通感算一體化；發(fā)表論文10余篇。

楊思遠，中國信息通信研究院移動通信創(chuàng)新中心MTNet實驗室主任工程師；長期從事移動通信領域的技術研究、技術試驗等工作，負責多項LTE、NB-IOT基站等標準的制定工作，參與多項國家重大專項課題。

王志勤，中國信息通信研究院副院長、中國通信標準化協(xié)會無線通信技術工作委員會主席、中國通信學會無線及移動通信委員會主任委員，教授級高級工程師，“新一代寬帶無線移動通信網(wǎng)”國家科技重大專項副總工程師；主要研究方向為無線移動通信技術和標準。