算力网络的简单理解

---

一、什么是算力网络

算力网络=算力+网络（可以类比：电力网络=电力+网络）
电力是一种资源，算力同样也是一种资源。那么我们在研究算力资源时，需要考虑如何$生产算力资源$，如何$分配调度算力资源$。
考虑生产算力资源时，我们就需要了解什么是云计算和边缘计算。
考虑分配调度算力资源时，我们就需要学习什么是云边协同。

1.云计算（cloud computing）

\ \ 在传统模式下，本地部署一个服务系统首先需要一个场地作为机房，还要配备各种硬件设施，接着需要雇佣人才来设计所需系统，系统完成后还需要人员进行跟踪维护。因此需要耗费大量的人力物力财力。（搭建流程长，投入产出比低）
\ \ 然而我们在部署服务系统的根本目的是为了使用这个系统，这个系统只是作为一种工具来完成我们所布置的任务。如果有厂商能够直接提供这种工具并且租赁给大家，那么我们就不需要花大量的精力本地部署了。
为什么我说的是租赁而不是售卖？ 租赁的好处是在需要时可以多租，不需要时可以退回，并且在租赁期间和厂商都有合作关系，厂商会处理好一切合作期间的问题。因此云计算的好处可以简单概括为灵活（的订阅机制）和弹性（的按需付费）

在这里我提到的厂商就是阿里云、华为云，这些服务商会提供云计算的服务。

2.边缘计算(Edge Computing)

有了云计算为什么还需要边缘计算？那么我们就需要考虑云计算还有哪些缺点了。

由于服务商提供的云计算距离终端设备物理距离很远，因此就会考虑到因为距离而产生的一些问题比如数据传输成本，以及数据在来回传输过程中的延时问题。
云计算厂商有着庞大的服务器能够处理海量的数据，但是在海量的数据面前，数据隐私问题就更需要考虑了，一旦受到攻击，将造成严重的隐私泄露。

为了解决这些问题，人们提出了边缘计算的方法，他将计算资源移动到数据源位置或者是数据使用地点，这样能够解决一些因为云计算距离较远产生的问题。此外由于分布式部署、规模较小，有价值信息集中度较低，边缘服务器不太可能成为安全攻击的目标。另一方面 ，由于许多边缘服务器是私有云，外界访问困难，可以从某种程度上缓解信息泄露问题。

---

云边协同

---

优化目标和约束

《边缘计算资源分配与任务调度优化综述》

1、性能：
a.时延(指应用提交请求和收到回应间的耗时)
b.截止时间(任务的截止时间可表示任务的紧迫程度)
c.用户体验质量
2、能耗
a.电池电量
b.其他能耗（流量能耗）
3、花费

智能算法：
Mennes R, Spinnewyn B, Latre S, et al. GRECO: A Distributed Genetic Algorithm for Reliable Application Placement in Hybrid Clouds[C]//5thInternational Conference on Cloud Networking. Pisa, Italy: IEEE, 2016: 14-20.
采用分布式遗传算法(Genetic Algorithm，GA)求解 CPU、内存和带宽约束下混合云任务分配问题，利用有偏随机键和特定解码规则处理不可行解，最大化同时处理的任务数。

黑盒输入：

黑盒输出：最大的可放置应用程序数量。

---

Ye D, Wu M, Tang S, et al. Scalable Fog Computing with Service Offloading in Bus Networks[C]//3rd International Conference on Cyber Security and Cloud Computing. Beijing, China: IEEE, 2016: 247-251.
用 GA 求解任务-公交车的分配问题，在节点计算容量约束下寻求经济成本最低的方案。

---

Rahbari D, Nickray M. Scheduling of Fog Networks with Optimized Knapsack by Symbiotic Organisms Search[C]// 21stConference of Open Innovations Association. Helsinki: IEEE, 2017: 278-283.
提出了一种共生有机体搜索算法，在不同场景下向虚拟机分配任务，评价成本、网络占用和能耗指标。

---

Tang Z, Zhou X, Zhang F, et al. Migration Modeling and Learning Algorithms for Containers in Fog Computing[J]. IEEE Transactions on Services Computing (S1939-1374), 2019, 12(5): 712-725.
针对 CPU 算力约束下的边缘计算容器迁移问题，文献将迁移策略建模为多维马尔科夫过程空间，并利用深度强化学习快速决策。