新型算力網絡架構及其應用案例分析

狄箏，曹一凡，仇超，羅韜，王曉飛

新型算力網絡架構及其應用案例分析

狄箏，曹一凡，仇超，羅韜*，王曉飛

（天津大學 智能與計算學部，天津 300350）（*通信作者電子郵箱luo_tao@tju.edu.cn）

隨著人工智能（AI）算力向網絡邊緣甚至終端設備擴散，端邊云超協同的算力網絡成為最佳計算解決方案，而新機遇催生了端邊云超計算和網絡之間的深度集成。然而，集成系統的完整開發還沒有得到很好的解決，包括適應性、靈活性和價值性，因此提出了一種區塊鏈賦能的端邊云超算力網絡架構。其中，端邊云超融合為框架提供基礎設施，該設施構成的算力資源池為用戶提供安全可靠的算力，網絡通過調度資源滿足用戶需求，而框架內的神經網絡和執行平臺為AI任務執行提供接口；同時，區塊鏈保證資源交易的可靠性，以激勵更多算力貢獻者加入平臺。本框架為算力網絡中的用戶提供了適應性，為組網算力資源調度提供了靈活性，為算力供應商提供了價值激勵，并利用案例清晰地描述了該新型算力網絡架構。

計算組網融合；端邊云超融合；算力網絡；區塊鏈；自適應服務

0 引言

近年來，人工智能（Artificial Intelligence， AI）技術和產業迅猛發展，正在全球掀起新的產業革命。隨著AI的興起，一些智能應用正在極大地影響和促進經濟社會的發展和人類文明的進步，如語音識別、自然語言生成、虛擬代理等。算法、數據和算力作為人工智能發展的重要支撐，正在引領和實現AI的發展和普適化。高效算力作為關鍵驅動因素之一，在數據處理、算法優化、高精度快速交互等方面起著催化作用［1］。因此，以異構、加速和高性能計算為特征的新興AI計算技術和框架，為有意義的AI研究和應用提供了無數的可能性。

面對眾多新興的AI應用場景問題，下一代超級計算依托其超快互聯性、超高計算性、超大存儲性、超完善基建性以及超強安全性和工作負載性等特點，為其提供了強有力的解決方案。然而，針對用戶定制化的AI服務，要求較高的服務資源自適應分配與擴展性，如適應性服務、快速響應服務等，超級計算提供的算力資源常常超過服務計算的需求，從而造成大量計算資源和成本的浪費。隨著B5G/6G（Beyond Fifth-Generation/ Sixth-Generation）［2］等技術的發展，海量數據從數據中心擴散至了網絡的邊緣，甚至是終端設備［3］。與此同時，邊緣計算、超融合、微數據中心等多層次計算架構應運而生，擴展并提升了超計算機環境基礎架構的靈活性。因此，端邊云超融合的算力網絡成了5G/B5G下機器智能時代的最佳解決方案。

目前，基于端邊云超融合的算力網絡架構的相關研究尚處于初步階段。推進與完善多模式、多層次的算力網絡架構還存在諸多的不足。其中，如何定義并構建可靠有效的AI算力理論是研究端邊云超協同下新一代算力網絡的基礎。首先，具備AI算力的設備（如傳感器、手機、電腦、服務器等）眾多，而針對算力的定義在國際上并無統一標準；其次，面對不同的AI應用場景及架構，算力服務的部署應用也不盡相同，如何選擇合理的算力評估量化指標，定量分析算力配置方案是構建端邊云超算力網絡的先決條件。此外，在端邊云超架構中，各層級承載的AI算法也不同，因此，建立新型算力評價體系迫在眉睫。

端邊云超融合的算力網絡架構中算力的管理和分配至關重要，尤其是對于端邊云超等多模式、多層次的算力網絡架構。算力網絡的完善發展還存在諸多不足，包括：1）如何為用戶提供適應性的計算服務，以滿足用戶多樣化的需求；2）如何支持彈性的組網服務和算力資源調度，從而實現快速響應；3）如何保證算力提供者的效益，從而實現算力網絡的價值激勵。因此，適應性、彈性和價值是基于端邊云超算力網絡架構下的三個主要指標。

另外，區塊鏈這一開放、加密、分布式的新興系統，能夠有效建立面向AI友好型的共識算法，從而實現算力網絡和區塊鏈的互惠互利。而在基于端邊云超的定制算力網絡架構中，區塊鏈具有激勵機制、可靠和可追蹤的算力共享等優點。同時，區塊鏈中基于AI的共識協議也能夠加速用戶AI任務的進程。因此，針對以上三個主要指標，如何綜合考慮多層級的算力設施、架構抽象計算資源、優化算力調度以及適配各種AI業務需求，是構建端邊云超融合的定制算力網絡架構的關鍵。

受以上研究的啟發，本文提出了一種區塊鏈賦能的端邊云超算力網絡架構，以響應AI應用快速增長的算力需求，推動計算和網絡的融合。

1 AI算力

1.1 算力定義與評估

1.1.1 算力定義與來源

目前針對算力的定義一直沒有一個通用的標準。2018年諾貝爾獎獲得者William D.Nordhaus在《計算過程》中定義算力是設備根據內部狀態的改變，每秒可處理的信息數據量。根據運行智能算法和數據類型的不同，算力可分為以下幾類：1）邏輯運算能力，即處理器每秒鐘能處理的次數；2）并行計算能力，即處理如圖形圖像等數據類型統一的一種高效計算能力；3）神經網絡計算能力，即用來對機器學習、神經網絡等進行加速的計算能力。

隨著5G／B5G機器智能時代的來臨，涌現出大量移動計算、邊緣計算、超算數據中心/云計算集中式AI算力網絡架構，如圖1所示。面對高性能、低時延需求的新型AI應用，僅憑端側或云側的算力將無法支撐廣泛的AI計算需求，算力網絡的概念相繼被提出。文獻［4］中提出從云網融合走向算網融合，網絡為端邊云算力高效協同發展提供更智能的服務。而基于邊云、端邊云、端邊云超等協同算力融合架構已成為提升整體AI算力的潛在解決方案。文獻［5］中提出了一種網絡組織架構，該架構能實現云邊之間靈活調度并按需分配計算資源，在算力網絡中實現前端嵌入式資源調度，進一步提高了前端設備的自主處理能力。文獻［6］中提出了基于端邊云的混合式算力網絡架構，通過結合集中式和分布式架構，能為多種應用提供優質的算力服務，并提高了算力資源利用率。

圖1 算力形態

在算力融合架構中，具有AI算力的設備種類繁多，具體地，AI算力設備可以依據其算力規模由小至大歸納為傳感器、智能手機、便攜機、邊緣服務器、高性能服務器等，它們為無處不在的AI應用提供了大量的算力支撐。

為支持5G／B5G的機器智能時代下異構設備的增多以及超強算力的需求，本文提出端邊云超協同的算力網絡架構，協同考慮網絡和計算融合演進的需求，共建新一代算力網絡生態。

1.1.2 算力評估量化指標

針對算力評估量化體系的建立，不同的應用場景及架構對算力評估量化指標也不盡相同。在端邊云超算力網絡架構中，算力服務的應用部署需要判斷配置方案是否滿足應用需求，實現對算力需求以及算力的定量分析，因此需要對算力進行量化，一般通用的指標包括每秒所執行的浮點運算次數（FLoating-point Operations Per Second， FLOPS）、每秒執行百萬條指令（Million Instructions executed Per Second， MIPS）等。

在部署AI服務時，數據集的復雜程度、模型的訓練及執行時間、硬件的配置需求以及對資源消耗等因素也會影響執行AI應用的效率，因此還應將精度、延遲、帶寬等作為全面量化算力的規模與質量的評價指標?，F階段AI相關芯片、硬件、算法、場景、架構等均在快速演進，上述算力指標根據不同的場景也有不同的應用。在端邊云超算力體系中，綜合考慮接入端—邊緣側—云超算中心的任務算力、任務處理需求（GPU或CPU）、計算空間大小、功耗及連接手段等方面，可選擇不同的算力量化指標。

1.2 算力評價體系

在端邊云超計算架構中，各層級對AI算力應用的評價標準各不相同：云端AI計算主要關注算力執行AI任務的精度、處理能力、內存容量和帶寬，同時也追求低延時和低功耗等性能服務；邊緣AI計算主要關注功耗、響應時間、體積、成本和隱私安全等問題。

不同的算力層級架構需要不同的機器學習算法，同樣也需要針對性的性能評價指標。機器學習算法包括有監督學習和無監督學習，其中有監督學習的主要研究方向包含分類和回歸，無監督學習包含聚類。因此算力評價體系也可以利用基于機器學習算法的評價體系進行評估，例如正確率、精確率、召回率、均方誤差、決定系數、蘭德系數等。

中國電信利用算力路由層進行信息發布與計算，實現用戶體驗最優、計算資源利用率最優、網絡效率最優，但是針對算力需求的模型一般不能同時考慮上述因素，較為受限。因此，新型的算力網絡架構可以進一步對不同設備種類的算力、能耗、模型規模、可訓練性以及成本進行建模，使得算力模型在多個維度上得到融合和均衡的發展。中國聯通發布的算力網絡白皮書中提出了實現數據與算力的高吞吐、敏捷連接和均衡隨選的算力網絡架構［7］；此外還提出了評價異構算力統一標識，將異構算力資源抽象進行統一調度和適配，使算力從通用架構走向專用定制［8］。另外，由于提高CPU運算效率會受到功耗低制約，文獻［9］中提出了數據中心算效模型，即用單位功耗的算力評價數據中心計算效果。

本文提出了區塊鏈賦能的端邊云超算力網絡架構，建立了新型的應用評價體系。本文圍繞算力網絡，將算網成員分為用戶、算力組網和算力提供者三類，從三個方面出發，提供不同的定制化服務：1）為用戶提供適應性的計算服務，以滿足用戶多樣化的需求；2）支持彈性的組網服務和算力資源調度，從而實現快速響應；3）保證算力提供者的效益，實現算力網絡的價值激勵。因此，本文將適應性、彈性和價值激勵作為評價算力網絡性能的三個主要指標。

2 基于端邊云超融合的定制算力網絡架構

2.1 算力網絡架構

本文的區塊鏈賦能的端邊云超算力網絡架構涉及用戶的自適應計算需求、組網算力資源的靈活調度與管理需求以及供應商價值需求三個問題。在已有的架構［10］中，用戶側的算力需求［11］、網絡側的管理需求［6］和算力貢獻側的激勵需求是被分開進行研究的，它們都為本文的算力網絡架構系統的底層助力，所以如何抽象、管理和分配算力資源以及優化三個問題也直接影響著本文算力網絡架構的性能，同時區塊鏈和應用場景的作用也不容忽視。因此，綜合考慮這三方面因素，本文提出了一個具有普適性、靈活性和可評估性的算力網絡框架，如圖2所示。

圖2 區塊鏈賦能的端邊云超算力網絡架構

2.1.1 基礎設施層

5G和邊緣計算的出現加速了算力從云端向網絡邊緣和終端設備的遷移，而由各類基礎設備合作構成的端-邊-云超協同網絡架構也成為網絡計算架構未來的趨勢。

端設備：如智能攝像頭、終端傳感器、交通燈等具有一定的算力和網絡特性，可以在一定程度上執行敏捷且無處不在的數據收集和推理。

邊緣設備：如人工智能小站（華為Atlas系列芯片）、移動邊緣計算基站、智能家居網關等邊緣算力設備，只能完成特定業務需求的推理和訓練。而在某些情況下，邊緣設備算力有限，不能完成大規模的數據分析及深度神經網絡訓練等，仍然需要高性能云數據中心進行高速的計算、存儲、訓練及推理。

云&超中心：在目前的AI應用場景中，云計算數據中心可以開發部署大部分符合市場業務需求的AI應用，執行大規模的數據分析及深度神經網絡訓練推理等。然而，在一些情況下，如智慧城市、生物醫藥、航空航天以及地震數據處理等領域，云計算數據中心算力無法高效運行大規模的科學計算任務。本文的算力網絡架構利用高性能算力資源，使其與云計算的工作模式和運行機制融合，建設兼具高性能計算和云計算的性能、軟硬件架構和應用模式的高性能云計算中心，可以有效完成大型深度神經網絡訓練、推理以及大規模的科學計算任務。

2.1.2 資源池層

由端節點、邊緣計算節點及云計算融合超算平臺組成的算力資源池，是利用云計算技術的容器特性構建的資源池，通過軟件定義網絡（Software?Defined?Network， SDN）與網絡編排引擎相連接，并通過云管平臺統一調度完成算力的基礎資源支撐。其中，多層次的計算資源和無處不在的網絡資源在這一層被抽象和聚集。通常，資源池管理器負責從基礎設施層感知物理計算和網絡，同時將分散的資源在計算池和網絡池中進行池化和分組。由于算力是由分散的算力貢獻者提供，所以對計算池中計算資源使用情況的追蹤至關重要，同時也需保障網絡池的可靠性和私密性。

2.1.3 調度優化層

ACPN上不同用戶的需求差異較大，所以根據用戶的計算需求、網絡需求和對貢獻者的支付金額將他們的需求分成不同的類，所有的服務類別都歸納在表1中。

此外，調度優化層可對分類后的需求通過調度優化算法進行處理，如強化學習（Reinforcement Learning， RL）［12］、拍賣機制［13］、凸優化［14］算法等。算法的總體優化目標是對劃分后的需求進行優化分配，使之匹配不同的底層算力資源。

表1 服務的分類

2.1.4 AI執行層

為了能高效地執行AI應用，本文的算力網絡架構實現了接口式的神經網絡和執行平臺。根據不同的AI應用的需求，AI執行層能靈活地選擇合適的神經網絡。例如使用反向傳播（Back Propagation， BP）網絡進行文本識別、使用循環神經網絡（Recurrent Neural Network， RNN）進行語音識別、使用卷積神經網絡（Convolutional Neural Network， CNN）進行圖像識別等。此外，這一層也包含各種各樣的學習平臺框架，如Tensorflow、Caffe、PyTorch， Theano、CNTK等。結合第1、2、3層分配的計算、網絡資源以及本層適當的神經網絡和學習執行平臺，共同完成AI算法的執行任務。

2.1.5 區塊鏈層

來自端、邊、云超架構中異構、分散和眾籌的算力被不同的用戶以一種有補償的方式使用，因此需要一個可信的平臺來支持安全可靠的管理，并確保自發算力提供者的服務可靠性。由于區塊鏈安全、透明和去中心化的特性，將區塊鏈層引入ACPN中，以一種防篡改和可追蹤的方式在算力用戶和算力貢獻者之間構建信任。另一方面，區塊鏈的激勵機制能鼓勵更多的算力提供者加入ACPN，這可能是未來算力實現的新趨勢。此外，在區塊鏈中執行類似于工作量證明（Proof of Work， PoW）等耗能的共識機制時對算力有很大需求，因此在ACPN中使用區塊鏈是兩者互利的。由于以下四個不同的技術特點，區塊鏈有機會在ACPN中發揮巨大的作用。

1）分布式賬本技術。與傳統的由中心權威機構控制的分布式存儲系統不同，分布式賬本技術依賴于多方制定統一的規則，然后共同決策、維護數據。隨著算力交易的快速增長，分布式賬本技術將有利于維護多方交易，提高交易的可操作性和可信性。

2）共識協議。共識協議是分布式賬本技術的必要前提，它保證了各參與方對一個區塊增加的唯一順序達成一致。在不同區塊鏈中使用的共識協議各不相同，大致可以分為基于工作量的協議和基于副本的協議。在基于工作量的協議中，各方獨自解決一個計算難題，以競爭哪方可以優先發布一個區塊；而基于副本的協議則利用狀態機復制機制來達成共識。無論是哪種共識協議，都需要大量的算力。

3）智能合約。智能合約實際上是存儲在區塊鏈中的一個微型計算機程序，它在滿足某些特定條件時自動執行。算力貢獻者可以通過這種自動執行且透明的方式按合約內容收取服務費用，而無需任何信任的第三方公證人。

4）密碼學原理。密碼學作為區塊鏈的底層基礎，為區塊鏈提供了大量的安全可靠技術，包括哈希算法、對稱和非對稱加密、數字簽名、數字證書、零知識證明和同態加密等。

2.1.6 AI服務層

AI應用可以分成兩部分，其中：應用業務涉及人臉識別、智能制造、軌跡識別、交通控制等方面；而系統業務則更多體現對系統的監控，如功率控制、流量控制等。

2.2 面向AI應用的算力網絡實例

以短視頻業務中的動作識別需求為例，詳細對ACPN框架流程進行闡述，如圖3所示。

圖3 本文算力網絡架構的任務執行流程

步驟1 用戶發出AI任務需求，即視頻任務進入本文提出的區塊鏈賦能的ACPN框架后，在AI執行層中系統首先對任務類型進行感知識別，確定該任務為短視頻中的動作識別。

步驟2 匹配需要執行的AI任務，在各類深度學習算法的框架下選擇具體的神經網絡和學習平臺用于訓練和推理。

步驟3 綜合考慮用戶的需求，即計算需求、網絡需求和支付費用，從而適應來自不同用戶的不同任務需求。

步驟4 依據用戶任務需求，在數據和服務之間按照任務需要動態地建立彈性網絡連接。具體地說，在算力調度優化層為了實現最優的資源分配，調度控制中心會將任務進行任務分割、模型分割，并根據使用的調度優化算法將不同的計算子任務分配端-邊-云超協同網絡架構的不同的計算池中。

步驟5 在由各種算力基本單元組成的算力資源池形成一個巨大資源網絡中，資源網絡為各種計算子任務提供傳輸路徑。在計算任務傳輸的過程中，網絡傳輸的時延、可靠性、能源的消耗以及資源使用率等信息將反饋給前一層的算力調度中心。

步驟6 具體的計算任務傳輸到基礎設備層，由確定的計算設備進行計算。

步驟7 泛在的計算設備在完成視頻動作識別任務的同時，一些設備會執行挖礦任務從而獲得交易的優先記賬權。

區塊鏈中的價值激勵使得算力提供者能更廣泛地獲得除服務以外的收益，這也鼓勵越來越多的算力提供者加入到ACPN中提供算力。如果一臺云服務器被分配到訓練處理視頻任務用到的三維卷積神經網絡，那么在它完成任務之后會獲得來自用戶支付的服務費用。與此同時，一個邊緣智能小站通過執行學習量證明（Proof of Learning， PoL）共識機制獲得了優先記錄交易的權力。在區塊出塊后，這臺邊緣設備將獲得出塊獎勵和記錄交易的服務費。而想加入區塊鏈搭建的普通用戶也可以通過租用ACPN中的算力幫助自己獲得交易的優先記賬權從而獲得相應的獎勵。

3 框架性能分析

本章將在所提出的ACPN框架下進行算力資源分配案例分析，以驗證其性能。其中，算力提供者根據自身算力情況提出算力資源單位定價，用戶根據定價和任務需求向算力提供者報價，算力提供者根據收集的用戶AI任務請求，通過資源池組網，與用戶進行算力資源交易。ACPN框架利用區塊鏈技術實現用戶、組網以及算力提供者的效益平衡。

3.1 適應性分析

針對用戶側，算力用于挖礦和服務。在ACPN框架下，通過最大化用戶效用，滿足用戶時延需求從而為用戶提供適應性計算服務［15］。用戶效用包括在區塊鏈環境下挖礦獲得的獎勵、任務卸載執行時延帶來的損失和為購買算力支付給算力提供者的費用。圖4表示不同算力用處下的不同用戶效用：若所有算力用于服務，用戶效益全部為負值；若所有算力用于挖礦，用戶效用有正有負。由于挖礦成功是存在風險的，并且所有的算力用于服務的用戶效用全部是負的，所以用戶如果考慮將一部分的算力用于挖礦，一部分用于服務是可能會有收益的。

圖4 不同算力用處下的不同用戶效用

3.2 靈活性分析

在算力網絡方面，網絡為計算服務，其價值在于充分利用算力資源，提高資源利用率。根據用戶需求，在端邊云超之間按需分配計算資源，并且靈活調度計算資源，使網絡從傳統的信息傳輸向感知、傳輸、存儲、計算和處理為一體的方向轉變。在本文的框架模型中，端邊云架構充分調度節點的算力，相較于只有邊云架構，本文架構加入端節點減小了任務等待時延，同時算力分配機制提高了算力資源利用率，可靈活地為網絡提供服務。

3.3 價值激勵分析

針對算力提供者，其效用包括提供算力得到的報酬和提供算力帶來的電力損失。通過最大化算力提供者效用從而實現ACPN架構的價值激勵。如圖5所示，不同曲線代表擁有不同算力的算力提供者，購買算力的用戶數量越多，算力提供者效用越高；并且，算力提供者擁有的算力越少，其效用越高，這是因為算力提供者擁有的算力越少其單位定價越高，導致其效用越高。

圖5 擁有不同算力的算力提供者效用和用戶數量關系

4 結語

本文提出了區塊鏈賦能的端邊云超算力網絡架構，致力于通過靈活的組網服務來共享AI算力，通過算力分配機制，在動態適應用戶多樣化定制服務的同時，實現算力提供者的價值。在未來的工作中，我們將重點研究區塊鏈中的共識機制和AI服務之間的關系，以此提供更全面高效的AI服務。

[1] DAI Y Y， XU D，MAHARJAN S， et al. Blockchain and deep reinforcement learning empowered intelligent 5G beyond［J］. IEEE Network， 2019， 33（3）： 10-17.

[2] SAAD W， BENNIS M， CHEN M Z. A vision of 6G wireless systems： applications， trends， technologies， and open research problems［J］. IEEE Network， 2020， 34（3）： 134-142.

[3] REN J K， YU G D， HE Y H， et al. Collaborative cloud and edge computing for latency minimization［J］. IEEE Transactions on Vehicular Technology， 2019， 68（5）： 5031-5044.

[4] 中國聯合網絡通信有限公司研究院，中國聯合網絡通信有限公司廣東省分公司，華為技術有限公司.云網融合向算網一體技術演進白皮書［R/OL］. ［2021-10-05］.http：//221.179.172.81/images/20210324/8861616553741841.pdf. （Research Institute of China Unicom， Guangdong Branch of China Unicom， Huawei. White paper on evolution of cloud-network integration to computing network integration technology［R/OL］. ［2021-10-05］.http：//221.179.172.81/images/20210324/8861616553741841.pdf.）

[5] 李銘軒，曹暢，唐雄燕，等. 面向算力網絡的邊緣資源調度解決方案研究［J］. 數據與計算發展前沿， 2020， 2（4）： 80-91.（LI M X， CAO C， TANG X Y， et al. Research on edge resource scheduling solutions for computing power network［J］. Frontiers of Data and Computing， 2020， 2（4）： 80-91.）

[6] 黃光平，羅鑒，周建鋒. 算力網絡架構與場景分析［J］. 信息通信技術， 2020， 14（4）： 16-22.（HUANG G P， LUO J， ZHOU J F. Analysis of computation network architecture and according scenarios［J］. Information and Communications Technologies， 2020， 14（4）： 16-22.）

[7] 中國聯通網絡技術研究院. 中國聯通算力網絡白皮書［EB/OL］. ［2021-10-05］.http：//www.impcia.net/Uploads/report/2020-04-29/5ea92233af1e4.pdf. （Network Technology Research Institute of China Unicom. China Unicom computing network white paper［EB/OL］. ［2021-10-05］.http：//www.impcia.net/Uploads/report/2020-04-29/5ea92233af1e4.pdf.）

[8] 中國聯通算力網絡產業技術聯盟. 異構算力統一標識與服務白皮書［EB/OL］. ［2021-10-05］.http：//221.179.172.81/images/20210324/13331616553850222.pdf. （Computing Network Industry Technology Alliance of China Unicom. White paper on unified identification and service of heterogeneous computing power［EB/OL］. ［2021-10-05］.http：//221.179.172.81/images/20210324/13331616553850222.pdf.）

[9] 郭亮，吳美希，王峰，等. 數據中心算力評估：現狀與機遇［J］. 信息通信技術與政策， 2021， 47（2）： 79-86.（GUO L， WU M X， WANG F， et al. Research on evaluation of computing power and efficiency in data center： status and opportunities［J］. Information and Communications Technology and Policy， 2021， 47（2）： 79-86.）

[10] KRóL M， MASTORAKIS S， ORAN D， et al. Compute first networking： distributed computing meets ICN［C］// Proceedings of the 6th ACM Conference on Information-Centric Networking. New York： ACM， 2019： 67-77.

[11] LEI B， ZHAO Q Y， MEI J. Computing power network： an interworking architecture of computing and network based on IP extension［C］// Proceedings of the IEEE 22nd International Conference on High Performance Switching and Routing. Piscataway： IEEE， 2021： 1-6.

[12] QIU C， YU F R， YAO H P， et al. Blockchain-based software-defined Industrial Internet of Things： a dueling deep-learning approach［J］. IEEE Internet of Things Journal， 2019， 6（3）： 4627-4639.

[13] XIONG Z H， FENG S H， WANG W B， et al. Cloud/fog computing resource management and pricing for blockchain networks［J］. IEEE Internet of Things Journal， 2019， 6（3）： 4585-4600.

[14] LIANG S， WANG L Y， YIN G. Distributed smooth convex optimization with coupled constraints［J］. IEEE Transactions on Automatic Control， 2020， 65（1）： 347-353.

[15] CAO K， GUO X， ZHOU J， et al. QoS-adaptive approximate real-time computation for mobility-aware IoT lifetime optimization［J］. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems， 2019， 38（10）： 1799-1810.

New computing power network architecture and application case analysis

DI Zheng， CAO Yifan， QIU Chao， LUO Tao*， WANG Xiaofei

（，，300350，）

With the proliferation of Artificial Intelligence （AI） computing power to the edge of the network and even to terminal devices， the computing power network of end-edge-supercloud collaboration has become the best computing solution. The emerging new opportunities have spawned the deep integration between end-edge-supercloud computing and the network. However， the complete development of the integrated system is unsolved， including adaptability， flexibility， and valuability. Therefore， a computing power network for ubiquitous AI named ACPN was proposed with the assistance of blockchain. In ACPN， the end-edge-supercloud collaboration provides infrastructure for the framework， and the computing power resource pool formed by the infrastructure provides safe and reliable computing power for the users， the network satisfies users’ demands by scheduling resources， and the neural network and execution platform in the framework provide interfaces for AI task execution. At the same time， the blockchain guarantees the reliability of resource transaction and encourage more computing power contributors to join the platform. This framework provides adaptability for users of computing power network， flexibility for resource scheduling of networking computing power， and valuability for computing power providers. A clear description of this new computing power network architecture was given through a case.

computing-networking integration; end-edge-supercloud collaboration; computing power network; blockchain; adaptive service

This work is partially supported by National Key Research and Development Program of China （2019YFB2101901）， National Natural Science Foundation of China （62072332， 62002260）， China Postdoctoral Science Foundation （2020M670654）.

DI Zheng， born in 1996， M. S. candidate. Her research interests include computing power network， edge computing， edge intelligence.

CAO Yifan， born in 1997， M. S. candidate. His research interests include energy trading game， blockchain， deep reinforcement learning.

QIU Chao， born in 1988， Ph. D.， lecturer. Her research interests include computing power network， blockchain， edge computing， edge intelligence， machine learning.

LUO Tao， born in 1978， Ph. D.， associate professor. His research interests include information security， integrated circuit.

WANG Xiaofei， born in 1982， Ph. D.， professor. His research interests include 5G edge computing， edge intelligence， blockchain， computing power network.

TP393.02

A

1001-9081（2022）06-1656-06

10.11772/j.issn.1001-9081.2021061497

2021?08?23；

2021?11?17；

2021?11?18。

國家重點研發計劃項目（2019YFB2101901）；國家自然科學基金資助項目（62072332， 62002260）；中國博士后科學基金面上資助項目（2020M670654）。

狄箏（1996—），女，河北石家莊人，碩士研究生，主要研究方向：算力網絡、邊緣計算、邊緣智能；曹一凡（1997—），男，湖南湘潭人，碩士研究生，主要方向：能源交易博弈、區塊鏈、深度強化學習；仇超（1988—），女，河北張家口人，講師，博士，CCF會員，主要研究方向：算力網絡、區塊鏈、邊緣計算、邊緣智能、機器學習；羅韜（1978—），男，河南信陽人，副教授，博士，CCF會員，主要研究方向：信息安全、集成電路；王曉飛（1982—），男，河北保定人，教授，博士，CCF會員，主要研究方向：5G邊緣計算、邊緣智能、區塊鏈、算力網絡。