0 引言

　　近年来，大语言模型、生成式人工智能（AI）等新一代AI技术快速发展，取得了诸多令人瞩目的成果[1]。AI技术的蓬勃发展致使海量亟待训练与推理的数据在网络边缘侧产生[2]。然而，终端设备、边缘节点通常计算资源有限，无法满足AI“最后一千米”的算力需求[3]。为此，国家六部门联合印发文件[4]明确提出促进边缘算力协同部署，强化算力接入网络能力，通过调度各区域节点之间的计算资源，满足日益增长的边缘算力需求。与电网中电力调度不同，算力无法在物理维度被调度至用户。因此，算力调度的核心是通过网络将用户数据传输至目标节点进行计算。光网络因其高带宽、低时延、高可靠性及确定性等特点[5]，使其成为边缘算力网络的承载网，即边缘光算力网络（EO-CPN），为算力调度提供高效且可靠的传输通道。然而，EO-CPN效能的发挥取决于其根据算力业务特点，对光网络资源进行高效调度的能力。

　　现有的调度算法主要研究静态网络场景，即业务到达网络情况提前给定或者已知，并将网络资源调度问题建模为静态优化问题[6-8]。在实际网络中，算力业务到达情况是时变的，因此现有静态优化调度算法难以满足算力业务的实时调度需求。此外，算力业务通常可分为冷业务和热业务两大类[9]。其中，热业务以在线游戏、AI推理等为代表，这类业务对传输延迟的要求较高，因此需要立即调度资源以满足其算力需求；而冷业务则以大数据分析、AI模型训练等为代表，这类业务在遭遇网络拥塞或计算高峰时，可容忍一定延迟，因此可以通过延迟调度来“错峰”满足算力需求。然而，大部分现有调度算法只研究单一类型业务，缺乏对算力业务冷热属性的区分，难以高效利用宝贵的网络资源[6-8]。其原因为：一方面，若所有业务按照高峰期流量需求进行网络资源配置，可能导致资源利用率低下、算力业务调度成本过高；另一方面，若所有业务均按冷业务要求调度，将造成网络资源配置不足，导致大量热业务将因长时间等待有限资源而无法及时调度，最终造成阻塞。文献[10]考虑了边缘计算中同时存在的延时敏感型与延时容忍型任务，并设计了资源划分、抢占和缓存机制，这些机制协同满足2种类型边缘计算任务的调度需求。然而，多种调度机制的引入使得调度问题复杂度高，而传统优化算法求解过程复杂，因此难以实现实时调度。

　　本文将自适应噪声完全集合经验模态分解（CEEMDAN）与时间卷积网络模型（TCN）相结合，提出一种算力负载预测模型（下文简称C-TCN模型），以准确预测下一时刻算力负载的动态变化。在此基础上，设计基于C-TCN与Q学习的资源协同调度算法（下文简称CTQ算法），满足冷热业务调度性能要求的同时提高资源利用效率。

5 结束语

　　为了满足EO-CPN中冷、热业务的实时算力调度需求，本文首先将CEEMDAN与TCN模型结合，提出了C-TCN模型，用于预测下一时刻算力负载变化。在此基础上，本文将Q学习与C-TCN模型结合，提出了CTQ算法，该算法能够提前感知下一时刻负载变化，预先对波长资源划分与边缘存储资源分配进行协同调度。实验表明，C-TCN模型的预测精度高于现有预测模型。此外，CTQ算法在Bhot、Bcold、Phot、U等方面表现出色，不仅优于传统的固定分配算法，还与Optimal算法所获得的最优方案最为接近，同时其调度复杂度远低于Optimal算法。因此，CTQ算法能够满足算力业务的实时调度需求。