1.2 网络资源智能调度的需求

移动通信的发展旨在满足用户多样化的需求，按需为用户提供服务。这需要对网络资源进行动态最优调度。当前移动终端和网络数据流量呈现爆炸式增长，各类新兴业务不断涌现。为应对这些趋势带来的挑战，由不同网络设备和系统组成、运行在不同的协议上、支持不同的功能或应用的异构网络受到广泛关注。随着边缘计算、人工智能和网络功能虚拟化（Network Function Virtualization，NFV）等技术的发展，未来异构网络将呈现云边协同、内生智能、网络可重构等特征。异构网络中的资源管理对象从单一的通信资源扩展到了由通信资源、计算资源，以及由存储、环境、社会等组成的多维资源，合理设计资源调度策略进而提升系统整体性能将成为未来通信网络达成绿色、高效、智慧网络运维管理的关键。从资源类型的角度，信息通信网络的资源调度可以分为通信资源调度、计算资源调度和多维资源联合调度。

① 通信资源调度主要是指对通信网络中带宽、频谱、功率等资源的调度。受限于香农理论，通信系统中的资源呈现时空的有界性。因此，在有限资源下，最大化、最优化地提供目标服务是通信资源调度的关键，需主要解决的问题包括：如何在满足用户最小速率和公平性的条件下，最大化通信系统的总容量；如何设计低复杂度的资源调度算法以提高网络能效；如何在同时考虑时延、服务中断概率、系统总带宽和总功率的约束的情况下进行资源的联合优化；如何在资源约束的情况下，最大化服务的用户数等。

② 计算资源调度主要是指对于通信系统中从单核中央处理器（Central Processing Unit，CPU）到多核CPU，再到CPU+图形处理单元（Graphic Processing Unit， GPU）+数据处理器（Data Processing Unit，DPU）+现场可编程门阵列（Field Pro grammable Gate Array，FPGA）等多种计算基础设施和计算能力的调度。首先用户需要将计算任务的输入数据上传到网络节点中，再由网络节点完成运行计算任务，因此计算资源调度通常与计算卸载节点选择和通信资源调度紧密关联。计算资源调度主要解决的问题包括：如何通过有效的任务划分和匹配计算资源的能力，降低总任务的执行时延和设备能耗；如何通过联合优化计算卸载决策和计算资源调度，最大化系统效用；如何在保证用户公平性和最大可容忍时延的前提下，设计有效的调度优化算法来降低时延和能耗的综合加权成本等。

③ 多维资源联合调度是指在通信网络中最重要的通信资源和计算资源之外，还需综合考虑存储资源、环境资源、社会资源等多种资源配置要素，从而提高网络服务能力，在提升用户体验的同时，实现多样资源组合效用最优。多维资源联合调度研究的典型问题包括：在时延、缓存大小和平均功率的约束下如何最小化平均带宽消耗；如何联合优化移动边缘计算（Mobile Edge Computing，MEC）网络中的计算卸载、内容缓存、频谱和计算资源，从而使所有计算任务的总时延最小化；如何在多维资源感知的基础上，实现多维资源的一体化编排和调度，形成融合多维信息的新型路由基础架构和协议；如何在绿色节约发展的要求下，使国家“东数西算”战略下多维资源利用的经济效益和社会效益等最优化。

网络的不断演进体现在两方面：一方面，网络设备数量急剧增长，网络环境愈发复杂；另一方面，业务类型多样，服务水平协议（Service Level Agreement，SLA）需求各异，导致网络资源动态管理变得困难和复杂。除此之外，设备迁移、业务动态传输、带宽动态分配等网络实时变化，使得仅依靠人工管理的传统模式难以满足用户极致化、差异化的需求。随着人工智能技术的发展，智能化的网络资源调度成为演进趋势，其中，智能化的网络资源调度需要新型网络架构做支撑。

软件定义网络（Software Defined Network，SDN）作为新型网络的一种，通过转控分离、控制面集中及接口开发可编程来应对网络的多样化应用需求，使目标网络可扩展并且可以按需提供服务。通过NFV技术，实现资源动态管理及业务编排［4］。结合人工智能，SDN架构可以解决很多网络问题（包括但不局限于网络管理问题），并能够应对很多在网络和其他方面的挑战。值得注意的是，Clark等［5］在2003年提出的知识平面（Knowledge Plane，KP），是SDN和人工智能相结合的一种新型网络架构。2017年Mestres等［6］提出由知识平面、SDN和机器学习（Machine Learning， ML）技术构建的知识定义网络（Knowledge-Defined Network，KDN）框架，通过对知识的灵活运用，能够智能、动态地实现网络资源按需调度。

由于网络覆盖的立体化、网络拓扑的动态化、应用场景的多元化、服务需求的个性化、接入机制的异构化、接入节点的密集化及网络资源的多维化和细粒度化，未来6G网络资源调度的复杂性将进一步增加。为了实现6G网络复杂资源调度的时效性和精确性，充分发挥模型和数据驱动方法各自的优势，学术界开始将数学模型、通信理论、网络语义特征、专家经验等知识和神经网络方法深度融合，探索知识驱动的资源调度方法。一方面，通过在数据驱动的神经网络方法中引入特定领域知识，增强系统的稳健性和可解释性，降低对训练样本量的依赖。另一方面，通过知识在不同网络间的共享和迁移，让知识在网络中流动起来，增加知识在网络中的复用率，提升资源调度的决策效率。此外，网络自智闭环控制可以自动获取并分析数据、学习知识、做出判断、管理资源、优化运行策略等，因此，网络自智控制系统将成为动态管理未来网络资源的有效方法。