面向边缘智能的移动算力网络关键技术研究

本文围绕边缘智能与移动算力网络展开研究总结。随着人工智能计算需求的增长，移动算力网络为边缘智能提供了泛在异构的计算资源支持。文中提出了面向边缘智能的移动算力网络设计实例，并分析了其关键技术及应用实例。
文章首先指出，在5G时代背景下，边缘智能与移动算力网络成为6G演进的关键技术方向。通过模型轻量化部署、算网协同调度等技术优化了资源利用效率，并结合OFDMA多任务处理等方法提升了系统性能。
文中详细探讨了基于深度学习的智能服务部署策略、资源感知与路由优化等关键技术，并通过仿真分析展示了不同带宽下系统性能的变化趋势及其优化效果（如图3、图4）。研究表明，在任务精度与时延限制下，提出的算法能够有效提升系统效用。
最后文指出未来研究应进一步探索智能化调度算法及多维资源分配机制以支持更复杂的场景需求（如图5）。

摘 要

随着人工智能计算与应用的发展日益深入，在深度学习驱动下的智能服务需求也在不断攀升。为了满足这一增长趋势，在满足边缘智能对异构化和高效化需求的同时提供可靠的计算支持。围绕着当前关于边缘智能及移动算力网络的研究进展和关键技术和挑战性问题展开了深入探讨。详细阐述了基于边缘智能化需求的具体设计思路，并提出了一种相应的解决方案。系统地规划了适应不同应用场景的任务部署策略，并提出了一种多维度资源分配方法来优化整体性能。

0 1

概 述

近年来，在云数据中心与个人终端之间，计算资源和存储容量呈现出急剧增长的趋势。这一现象使得计算能力向边缘延伸的趋势使得信息处理更加高效。根据Machina Research的数据显示,预计到2025年全球联网设备总量将突破270亿台大关；与此同时,Gartner的研究预测指出,届时超过七成的数据处理任务将会被分散部署至网络边缘侧。作为一项旨在通过将数据中心级的任务处理尽量靠近数据源并最终呈现给用户终端的技术模式,边缘计算展现出显著的优势：一方面它能够有效缓解主干网络的压力；另一方面它能够提供更为灵活的服务响应机制；再者它能够在保证任务完成时延最低的同时实现更高的效率

随着人工智能技术的发展日益广泛深入，在其基础上基于深度学习实现的人工智能系统对算力资源的需求显著提升，在这一背景下围绕如何在网络边界实施智能化服务并提供高效、广泛覆盖且安全的计算服务展开研究 取得了一系列重要成果

图1 面向边缘智能的移动算力网络架构

边 智 能 技 术 基 于 智 能 与 边 缘 的 协 同 发 展 ， 在 边 缘 计 算 中 提 供 更 多 的 服 务 类 型 和 更 灵 敏 的 网 络 部署 方 式 ， 以 有 效 应 对 日 益 增 长 的 业 务 需 求 。 边 智 概念 包 含 下 列 两 方 面 ： 第 一 部 分 强 调 通 过 边 缘 计 算 实 现 智 能 服 务 的 部署 ， 形 成 边 智 + 技 术 ; 第二部分则致力于将智 能 技术 整 合 进 边 缘 计算 网 络 中 ， 构建 智 能 + 边 景 的 自 动 化 管 理 平 台 。 在 这 样 的 系 统 架 构 中 ， 边 智 + 和 智 + 边 是 相 关 的 ， 其 中 边 智 + 是边 智 目 标 ， 实现 深 度 学 习模 型从云端推 到端点 ， 提供 多样化、分 布 式 的智 能服 务 ;而智 +边 则是边 智的重要组成部分，在动态性网络架构下运用深度学 习 方法 实现对终端-边 缘 -云体 系的管理与维护工作 ， 最大化提高系统的服务吞吐量和资源利用率。

计算能力是数据处理与服务供给的关键基础。它由芯片、组件以及封装等基础单元组合而成的上层服务集合。而算力网络则是一种基于广泛分布的计算资源、以网络通信作为连接纽带，并以智能化调度机制作为核心要素来实现网云边端系统高效协同的技术体系。其主要目标是通过构建智能化调度机制来促进网格状架构下云-网-边-端以及业务系统的高效协同与适应性提升，并最终满足差异化计算能力供给和服务功能需求。当前算力网络技术研究仍处于初期探索阶段，在满足计算资源快速扩展与网络性能持续提升的需求背景下展开研究探索，并致力于推动网格化架构下的多维度资源融合优化。

移动算力网络主要针对云计算、边缘计算以及端侧计算等多级算力资源共存时的统一供给问题。
该网络借助云网协同、云边协同以及边边协同等多种协同技术，
重点解决边缘计算中因资源泛在化导致用户体验的一致性和服务状态的动态变化，
实现资源利用效率的最大化，
从而推动云网边深度融合，
并在移动网络领域提供人工智能与区块链等整合服务。

在此基础上，在现有概念框架下展开讨论，在随后的部分中阐述了基于边缘智能的移动算力网络设计实例，并进一步提供了面向智能任务的网络部署方案以及多维度资源分配的具体策略；这些内容旨在为未来结合技术的实际应用与系统部署提供理论支持与实践指导

0 2

面向边缘智能的移动算力网络技术挑战

边缘智能与移动算力网络相互依存,其中,边缘智能的关键技术包括端到端训练方法、推理机制以及智能调度系统,这些核心技术仅能在移动算力网络的支持下得以实现；而移动算力网络的核心技术则涉及能力感知框架、性能量化指标以及路由优化策略,这些关键技术的实现又离不开对边缘计算能力的有效利用与深度集成.基于智能化应用日益普及的趋势,在现有移动网络架构的基础上,逐渐形成了以支持边缘计算为核心的新型移动算力网络体系,这一创新性架构不断推动着边缘计算技术的发展与实际应用.

2.1 边缘智能技术研究现状

注

在智能+边缘领域方面开展的相关研究起步较早。最初提出的是一种架构设计——将云-边-端整合成一个统一的资源池——这种设计能够为端侧设备与云端提供可靠的连接服务。然而该架构具有很高的复杂性（即管理与维护难度较大），传统的基于固定数学模型的网络优化方法难以有效应对快速变化的动态环境以及系统的全面管理需求。不过由于边缘节点具备强大的计算与存储能力，并实现了云与边界节点的有效协同——这使得利用深度学习技术实现对边缘计算系统的优化变得可行。为此研究者提出了引入深度学习方法来解决此类复杂的网络优化问题——通过深度学习能够自适应地做出决策，并负责系统的智能化管理和维护工作。目前部分研究开始深入探索自适应边缘缓存策略、任务卸载位置的选择以及相关的联合优化问题——这些研究主要关注移动终端设备与边缘服务器之间的资源分配与管理问题

2.2 移动算力网络技术研究现状

当前，在移动算力网络领域主要围绕RAN通信计算融合、算网协同调度及移动算网一体化三个维度展开深入研究。其中，在RAN整合通信与计算功能的过程中，边缘计算服务器扮演着兼具通信处理与边缘计算双重角色，在资源分配与调度策略方面发挥着关键作用。这类研究的主要目标是通过动态分配和优化各边缘节点的计算资源及其调度策略，在满足用户业务体验的同时提升系统资源利用率。随着云边算力应用范围不断扩大，网络运行模式逐渐趋向扁平化灵活化。在这一背景下，“算网协同调度”阶段的重点转向业务端到端协同感知技术的研发工作：首先构建了一种基于服务感知的新型算力管理架构，并通过智能化的服务自动部署技术实现对最优路由的选择能力；其次结合负载均衡算法优化了网络资源利用率；随后又针对多维度资源（包括网络性能指标）展开了深入探讨。这种探索使得在网络感知能力基础上实现了对多种资源（包括存储、带宽等）的有效协调利用，并在此基础上提出了具有创新性的云边网多级联结模型。随后一系列研究则聚焦于如何实现对统一运维能力和跨层级部署方案的支持：一方面提出了一种基于统一控制面的设计理念；另一方面则着重于如何通过多级异构拓扑结构实现对不同层次需求的有效满足。“云边网泛在互联”的概念由此应运而生：它要求各层级间具备高度互连性以消除单体约束带来的性能瓶颈问题，并在此基础上进一步降低了各层级间的管控复杂度

2.3 面向边缘智能的移动算力网络技术挑战

目前已有研究致力于聚焦于边缘智能与移动算力网络在结合相关技术实现方面的关键问题上进行探索和研究。

面向边缘智能的算网资源管控研究已取得一定进展。已有针对具体应用（如图像传输）以及更一般的智能模型性能与资源分配综合考虑的研究工作。这些研究主要探讨了包括算力在内的各种资源如何影响智能服务模型推理过程中的计算能力，并提出了相应的优化策略。随后，在边缘网络环境中提出了分布式学习与联邦学习方法，并通过灵活分配资源来支持分布式模型训练的工作。

b）借助智能技术手段构建移动算力网络体系。当前的研究多是从移动边缘计算中的负载转移问题切入，在此基础上着重探讨了在边缘节点处部署智能化需求的同时构建相应的算力架构，并融合了算力感知与调度功能的基础上构建了完整的算法框架。继而从智能化服务对算力网络的支持角度展开

然而，在应对面向边缘智能的移动算力网络部署时仍面临诸多技术挑战。一方面，在边缘训练与推理环节上进行优化以降低对资源的压力，并且能够实现对模型参数量和精度的要求都非常高的同时保持高性能灵活应用；另一方面，在计算资源度量与路由选择方面面临诸多技术难题。

0 3

面向边缘智能的移动算力网络设计实例

在边缘智能领域中,存在着多种模型的轻量化部署方案,主要涵盖模型优化、分而治之的部署策略以及提前退出机制,这些方案为边缘智能环境下的资源分配提供了理论支撑。针对移动算力网络的关键技术,通过感知计算能力和路径规划实现资源的有效配置。实现有效整合的核心在于将两类核心技术有机融合,并根据应用场景制定多层次化部署策略及动态管理方案。

3.1 网络部署设计方案

通过轻量化部署模型，在深度学习框架中可以有效缓解计算资源的压力。在深度学习模型分割过程中，模型能够被分解为多个模块，并根据计算架构的需求分别部署到终端设备的本地处理器、分布式算力节点或"端-边-云"协作架构中。其中，在"端-边-云"架构下的计算任务被划分为水平方向上的分布；而将其分配至分布式算力节点则属于垂直方向上的任务划分。垂直分割方法依据输入维度将模型划分为独立的任务模块；这些任务模块分别作为独立的任务模块投入各个分布式计算节点进行处理；从而显著提升了移动边缘计算环境下的系统适用性；移动边缘计算架构则为企业智能模型在实际应用中的部署提供了技术基础保障。

面向边缘智能与移动算力网络部署的技术发展需要依托于成熟的算力感知技术架构作为基础支撑体系。在实际应用场景中，应基于该技术架构对边缘智能服务进行垂直化功能划分与优化配置。借助高效的模型分割算法将智能模型划分成可适配于算力网络中的分布式计算模式，并由专门的编排机制负责统一管理这些资源分配事务。在此过程中，需通过具备感知能力的功能层对分解后的计算任务进行资源需求评估，并根据动态变化的业务需求不断优化资源分配策略。随后，在决策支持系统的配合下完成任务调度与资源匹配工作，在确保网络连接稳定性的前提下实现各节点间的高效协同运转。最终通过这一系列协调机制的有机配合与优化配置，在保障业务系统运行效率的同时实现了对复杂场景下的智能服务支持能力。

图2 面向边缘智能的移动算力网络部署

3.2 面向边缘智能的资源分配设计方案

针对该部署方案

对智能任务处理精度

的影响，如式（1）所示。

（1）

其中p q以及r均被设定为拟合参数 为了探究在保证时延限制下多计算任务并行处理对方程求解过程的时间影响 当任务m同时进行并行处理时所涉及的任务数量被定义为im 则可建立以下关系式：

im = \sum_{k=1}^{n} i_k

（2）

其中，在多核计算环境中中，
退化因子d定义为：
在满足精度约束和时延限制的前提下，
优化通信资源分配方案以及数据压缩效率，
并以精度与时延共同决定的综合性能指标作为系统效能评估标准，
通过连续凸近似方法求解其最优解。

在本研究中，我们开发了三种对比方案：固定信道（FC）、平均计算（AC）以及不考虑压缩比的并行方法（WCR）。通过仿真性能分析（如图3和图4所示），我们深入探讨了这些方案在不同系统条件下的表现差异。具体而言，在不同工作频率范围内（包括10MHz和50MHz），本文提出的方法在200 Gbps时展现出最佳性能。通过进一步分析发现，在并行参数设置上存在优化空间。值得注意的是，在更高工作频率范围内对系统性能的影响较为有限。

本研究针对移动计算能力网络中的边缘节点，在支持智能应用场景下对其性能特征展开了建模与评估。其中基于传统优化方法构建了基于任务精度的任务资源分配方案。仿真结果表明，在支持智能化应用场景下，计算资源消耗程度及系统性能指标的变化情况呈现出显著差异性。这一研究对于指导移动计算能力网络中边缘设备与云端服务合理部署具有一定的参考价值。

图3 系统效用和计算容量变化关系

图4 系统效用和并行参数变化关系

0 4

结束语

作为一种新型核心技术，在推动5G向6G演进中扮演着关键角色，在提升智能化服务能力和优化移动算力应用方面具有重要意义。本文系统探讨了新型边缘智能与移动计算技术的概念、发展动态与关键技术要点，并构建了基于边缘智能优化的新型移动计算架构方案。深入探讨了基于智能任务的边缘资源分配机制与实现方案，并通过典型案例分析展示了该方案的实际应用效果。研究工作旨在为未来5G向6G演进过程中边缘智能与移动计算技术的协同发展提供参考思路。