夏華屹/XIA Huayi，權(quán)偉/QUAN Wei，張宏科/ZHANG Hongke

（北京交通大學(xué)，中國 北京 100044）

數(shù)字經(jīng)濟(jì)已成為中國經(jīng)濟(jì)發(fā)展不可或缺的驅(qū)動力，而算力作為數(shù)字經(jīng)濟(jì)的重要部分，在信息數(shù)據(jù)處理、智能算法優(yōu)化等方面起著關(guān)鍵作用[1]。截至2023年3月底，中國累計建成5G基站超過264萬個，算力總規(guī)模達(dá)到每秒180運(yùn)算次數(shù)（EFLOPS）；算力規(guī)?？焖僭鲩L，梯次優(yōu)化的算力供給體系初步構(gòu)建，算力規(guī)模排名全球第二，年增長率近30%。以O(shè)penAI推出的智能對話模型ChatGPT為代表的人工智能（AI）技術(shù)的爆發(fā)讓全球算力大盤中的智能算力占比提升，第三方數(shù)據(jù)分析機(jī)構(gòu)IDC在《2021—2022全球計算力指數(shù)評估報告》指出：算力指數(shù)平均每增加1%，國家數(shù)字經(jīng)濟(jì)和國內(nèi)生產(chǎn)總值（GDP）則分別增長3.5‰和1.8‰[2]。據(jù)國家發(fā)展改革委與工業(yè)和信息化部等部門聯(lián)合實(shí)施的“東數(shù)西算”工程，中國將重點(diǎn)發(fā)展算力全產(chǎn)業(yè)鏈的自主可控建設(shè)，形成一體化的新型算力網(wǎng)絡(luò)體系。該工程對國家政治、經(jīng)濟(jì)以及各行業(yè)的發(fā)展有著重要意義[3]。

為提升數(shù)據(jù)通信質(zhì)量，邊緣計算中心、高性能數(shù)據(jù)中心等算力基礎(chǔ)設(shè)施在生活中的應(yīng)用逐漸增多。但同時這也逐漸暴露出算力設(shè)施在面對多樣化服務(wù)流量時，計算節(jié)點(diǎn)的計算任務(wù)分配機(jī)制不完善、無法合理使用算力資源等問題。這使得算力設(shè)施在使用場景中有了局限性[4]。為解決上述問題，研發(fā)者們提出了算力網(wǎng)絡(luò)的概念，即一種以算為中心、網(wǎng)為根基，網(wǎng)、云、數(shù)、智、安、邊、端、鏈（ABCD-NETS）深度融合的一體化信息服務(wù)基礎(chǔ)設(shè)施[5]。算力網(wǎng)絡(luò)可以保證用戶體驗(yàn)的一致性，使用戶可以基本忽略基礎(chǔ)設(shè)施資源的分布位置與調(diào)動狀態(tài)，為多樣化服務(wù)流量的分配與調(diào)度提供了解決思路[6]。對此，互聯(lián)網(wǎng)研究工作組（IRTF）設(shè)立了網(wǎng)內(nèi)計算研究組（COIN），研究算力網(wǎng)絡(luò)新型傳輸架構(gòu)；中國通信標(biāo)準(zhǔn)化協(xié)會網(wǎng)絡(luò)與業(yè)務(wù)能力技術(shù)工作委員會（CCSA TC3）已完成《算力網(wǎng)絡(luò)需求與架構(gòu)》等研究。算力網(wǎng)絡(luò)的發(fā)展已取得部分進(jìn)展，但仍面臨著諸多技術(shù)挑戰(zhàn)。其中，算力網(wǎng)絡(luò)下的低時延調(diào)度機(jī)制問題亟待解決。

面對算力網(wǎng)絡(luò)的低時延傳輸需求，研究者從不同角度進(jìn)行了方案與機(jī)制的研究。文獻(xiàn)[7]設(shè)計了一種以服務(wù)器為中心、網(wǎng)絡(luò)構(gòu)造遞歸的數(shù)據(jù)中心模式以提供低延遲調(diào)度，支持延遲敏感數(shù)據(jù)的傳輸，但其部署模式不易拓展，較難根據(jù)算力調(diào)用需求進(jìn)行網(wǎng)絡(luò)規(guī)模的迭代。文獻(xiàn)[8]設(shè)計了一種異構(gòu)分布式數(shù)據(jù)中心場景下的工作流調(diào)度算法，提出了低負(fù)載、低成本與低延遲的多目標(biāo)優(yōu)化模型，但暫未考慮多樣化服務(wù)的算力調(diào)用需求，較難滿足不同用戶的復(fù)雜需求。文獻(xiàn)[9]提出了一種按需分配的算力資源的聯(lián)合優(yōu)化路由控制與資源分配調(diào)度模型，旨在降低算力網(wǎng)絡(luò)的確定性時延，但這種以最短路徑為指向的任務(wù)調(diào)度較難滿足多樣化服務(wù)流中的差異化調(diào)度優(yōu)先級需求。文獻(xiàn)[10]提出了一種基于動態(tài)三向決策的任務(wù)調(diào)度算法，為任務(wù)分配不同的權(quán)重，并結(jié)合工作模式和任務(wù)期限進(jìn)行優(yōu)先級規(guī)劃，其調(diào)度算法能滿足單一計算中心的高優(yōu)先級任務(wù)調(diào)度需求，但沒有考慮結(jié)合算力網(wǎng)絡(luò)進(jìn)行拓?fù)浼壍暮暧^調(diào)度調(diào)控。文獻(xiàn)[11]根據(jù)算力網(wǎng)絡(luò)不同層次的特性和各種應(yīng)用的不同需求，提出一種多層次算力網(wǎng)絡(luò)模型和計算卸載系統(tǒng)以降低確定性時延。該模型考慮了單一模型的任務(wù)調(diào)度場景，在面對多樣化服務(wù)時，較難實(shí)現(xiàn)差異化調(diào)度服務(wù)需求。

綜上所述，目前業(yè)界對算力網(wǎng)絡(luò)多樣化服務(wù)的低時延傳輸機(jī)制的研究尚不成熟。為此，本文設(shè)計面向算力網(wǎng)絡(luò)的多路徑時敏優(yōu)先調(diào)度機(jī)制，通過基于強(qiáng)化學(xué)習(xí)的多路徑轉(zhuǎn)發(fā)調(diào)度以及優(yōu)先級隊(duì)列調(diào)度，降低算力網(wǎng)絡(luò)中低時延需求數(shù)據(jù)包傳輸及排隊(duì)時延，實(shí)現(xiàn)算力網(wǎng)絡(luò)傳輸時延的相對確定性。

1 系統(tǒng)設(shè)計

1.1 機(jī)制總體設(shè)計

本文設(shè)計了面向算力網(wǎng)絡(luò)的多路徑時敏優(yōu)先調(diào)度機(jī)制，其系統(tǒng)架構(gòu)如圖1所示。該機(jī)制保障算力網(wǎng)絡(luò)中多樣化服務(wù)的低時延通信需求：

▲圖1 多路徑時敏優(yōu)先調(diào)度系統(tǒng)架構(gòu)

1）多路徑轉(zhuǎn)發(fā)調(diào)度（作用于數(shù)據(jù)包轉(zhuǎn)發(fā)過程）。通過基于強(qiáng)化學(xué)習(xí)的路徑選擇算法，該機(jī)制對算力網(wǎng)絡(luò)中各路徑的傳輸價值進(jìn)行量化，動態(tài)更新各路徑的價值量，并做出路徑選擇；對路徑時延進(jìn)行隨機(jī)變量數(shù)學(xué)建模，在一定置信概率內(nèi)利用主從備份傳輸機(jī)制，實(shí)現(xiàn)時延性能的提升。

2）優(yōu)先級隊(duì)列調(diào)度（作用于算力路由設(shè)備出端口數(shù)據(jù)包排隊(duì)過程）。該機(jī)制設(shè)計了包等級與優(yōu)先隊(duì)列映射算法：當(dāng)優(yōu)先隊(duì)列數(shù)量小于包等級范圍時，數(shù)據(jù)包將近似按等級順序出隊(duì)，擬合數(shù)據(jù)包推入先出行為，從而減少算力網(wǎng)絡(luò)中時延敏感型網(wǎng)絡(luò)數(shù)據(jù)包在隊(duì)列緩沖區(qū)的排隊(duì)時延。

1.2 多路徑轉(zhuǎn)發(fā)調(diào)度

本文所提的多路徑轉(zhuǎn)發(fā)調(diào)度指通過強(qiáng)化學(xué)習(xí)，探索與學(xué)習(xí)路徑特征并做出相應(yīng)決策。它是一種通過智能體與環(huán)境的交互來獲取最優(yōu)決策的方法。本模塊將算力網(wǎng)絡(luò)控制器抽象為智能體，將其所處各路徑的算力網(wǎng)絡(luò)狀態(tài)定義為環(huán)境，將路徑選擇算法每次做出的決策定義為回合迭代，并將回合迭代中所選取的傳輸路徑定義為動作。在選擇該動作的情況下，本文所設(shè)計的多路徑轉(zhuǎn)發(fā)調(diào)度以所探測到的網(wǎng)絡(luò)信息作為狀態(tài)，將路徑時延定義為獎賞。

由于在算力網(wǎng)絡(luò)中存在排隊(duì)、擁塞等問題，我們假設(shè)第k路徑的時延變量Xk服從對數(shù)正態(tài)分布， 即ln (Xk)～N(μ,δ2)。當(dāng)給定xk＞0 時，其概率分布函數(shù)如公式（1）所示：

其中，對數(shù)正態(tài)分布的最大似然估計如公式（2）和公式（3）所示。其中，Nk表示選擇路徑k的次數(shù)。

對數(shù)正態(tài)分布隨機(jī)變量的均值和方差如公式（4）和公式（5）所示：

由于對數(shù)正態(tài)分布，其隨機(jī)變量分布較為復(fù)雜。若將其長尾部分省略，則近似認(rèn)為第k路徑的時延變量Xk服從均值為μk、方差為的高斯隨機(jī)變量，且各路徑的時延變量Xk相互獨(dú)立。Xk的概率密度函數(shù)如公式（6）所示：

對于對數(shù)正態(tài)分布其統(tǒng)計意義上的期望及方差無偏估計如公式（7）和公式（8）所示：

在路徑選擇算法中，每一輪次的路徑選擇會根據(jù)實(shí)時網(wǎng)絡(luò)數(shù)據(jù)來更新每一條路徑的價值量，并對價值量進(jìn)行排序，選取最大的路徑作為主傳輸路徑。路徑選擇算法的價值量計算如公式（9）所示：

其中，S表示路徑選擇的總次數(shù)；代表第k條路徑選擇次數(shù)與選擇總數(shù)之間的關(guān)系，它可以表征這條路徑時延的置信區(qū)間。當(dāng)一條路徑探索次數(shù)較其他路徑較少時，可以認(rèn)為該路徑有較為寬泛的置信區(qū)間，即具備較大的探索價值。當(dāng)一條路徑反復(fù)被選取時，可以近似認(rèn)為其置信區(qū)間變小，探索價值變低。我們設(shè)計的是樂觀的選路算法，即在選路時認(rèn)為置信區(qū)間對于選路的決策呈現(xiàn)正向作用。

本文中我們通過基于強(qiáng)化學(xué)習(xí)的路徑選擇算法，選取當(dāng)前最大價值量路徑作為主傳輸路徑。然而，考慮路徑時延抖動與路徑探索等因素的影響，價值量最大的路徑可能并不是算力網(wǎng)絡(luò)中時延敏感型傳輸服務(wù)的最優(yōu)選擇，因此我們設(shè)計了一種多路主從傳輸機(jī)制，利用冗余發(fā)包選取備份傳輸路徑，犧牲了部分帶寬，以換取時延性能的提升。

經(jīng)以上分析，我們可近似將各路徑時延分布Xk作相互獨(dú)立的高斯正態(tài)分布處理，并假定基于最大價值量選取的路徑為i，時延分布為Xi，則，即兩獨(dú)立路徑的時延隨機(jī)變量相減仍為高斯正態(tài)分布，路徑k傳輸時延優(yōu)于最大價值量路徑i的概率可表示為：

假定P{Xk-Xi≥0}≥α，該條路徑可以作為備選次優(yōu)路徑。若有多條路徑均符合上述概率條件，則選取置信概率最大的路徑進(jìn)行傳輸，以避免占用過多帶寬資源。

多路徑低時延轉(zhuǎn)發(fā)調(diào)度算法的具體流程如算法1所示。

1.3 優(yōu)先隊(duì)列調(diào)度模塊設(shè)計

當(dāng)路徑選擇模塊選定具體的傳輸路徑后，算力網(wǎng)絡(luò)中多種網(wǎng)絡(luò)業(yè)務(wù)并存且需求帶寬大于出口帶寬時，時延敏感型算力服務(wù)會產(chǎn)生較大的排隊(duì)時延，難以滿足用戶需求。因此，本文中我們在可編程交換設(shè)備出端口設(shè)計了優(yōu)先級隊(duì)列調(diào)度模塊，設(shè)計包等級與隊(duì)列自適應(yīng)映射算法擬合數(shù)據(jù)包推入先出行為，減少低時延需求數(shù)據(jù)包的排隊(duì)時延。我們基于P4數(shù)據(jù)平面實(shí)現(xiàn)的自適應(yīng)隊(duì)列調(diào)度機(jī)制簡稱為P4-APQ。

包等級與隊(duì)列自適應(yīng)映射算法的示意如圖2所示，其作用場景為數(shù)據(jù)包等級范圍大于優(yōu)先隊(duì)列數(shù)量。該調(diào)度算法可利用有限嚴(yán)格優(yōu)先級隊(duì)列來擬合數(shù)據(jù)包的推入先出過程，即數(shù)據(jù)包近似按等級順序出隊(duì)列（本文中，我們約定等級越小，調(diào)度優(yōu)先度越高）。自適應(yīng)映射算法誤差定義為較大等級數(shù)據(jù)包數(shù)量小于較小等級數(shù)據(jù)包出隊(duì)的數(shù)據(jù)包數(shù)量，我們將這種誤差的現(xiàn)象稱為“反轉(zhuǎn)”。由于利用了嚴(yán)格優(yōu)先級隊(duì)列擬合推入先出行為即按等級順序出隊(duì)，因此當(dāng)數(shù)據(jù)包等級范圍大于嚴(yán)格優(yōu)先級隊(duì)列數(shù)量時，有一定概率在調(diào)度過程中會出現(xiàn)“反轉(zhuǎn)”現(xiàn)象。對于本文所設(shè)計的包等級-隊(duì)列映射，設(shè)計目的為在保證小等級數(shù)據(jù)包優(yōu)先調(diào)度的前提下，盡可能按等級順序出隊(duì)，減少“反轉(zhuǎn)”現(xiàn)象。

▲圖2 包等級與隊(duì)列自適應(yīng)映射算法示意圖

針對算力網(wǎng)絡(luò)時敏型業(yè)務(wù)低時延需求，包等級與隊(duì)列自適應(yīng)映射機(jī)制設(shè)計了高優(yōu)先級預(yù)留隊(duì)列，避免最小等級的數(shù)據(jù)包因優(yōu)先級“反轉(zhuǎn)”現(xiàn)象而出現(xiàn)較高的排隊(duì)時延。具體地，首先判定數(shù)據(jù)平面?zhèn)魅霐?shù)據(jù)包的等級；若等級最小，數(shù)據(jù)包將直接進(jìn)入具有最高優(yōu)先級的預(yù)留隊(duì)列，從而避免等級隊(duì)列的動態(tài)映射帶來的“反轉(zhuǎn)”損失。

當(dāng)數(shù)據(jù)包等級不是最小時，為保證隊(duì)列調(diào)度結(jié)果近似按等級順序出隊(duì)，我們設(shè)計了自適應(yīng)映射算法，動態(tài)改變各隊(duì)列的邊界值，以最小化擬合損失。自適應(yīng)映射算法的損失函數(shù)可以描述為公式（11）：

其中，L表示為擬合損失，P表示所有入隊(duì)數(shù)據(jù)包，q表示一組動態(tài)變化的隊(duì)列邊界向量，p表示屬于P的一個入隊(duì)數(shù)據(jù)包。單個數(shù)據(jù)包的損失可以表示為公式（12）：

其中，r(p)表示為給定的數(shù)據(jù)包p的等級，rp(p,q)表示為給定數(shù)據(jù)包所映射的隊(duì)列自適應(yīng)調(diào)整后的邊界值，cost表示單個數(shù)據(jù)包產(chǎn)生的誤差，即出現(xiàn)“反轉(zhuǎn)”的情況。包等級與隊(duì)列自適應(yīng)映射算法通過動態(tài)調(diào)整數(shù)據(jù)包等級與各優(yōu)先隊(duì)列的映射關(guān)系，在兼顧數(shù)據(jù)平面的算法復(fù)雜度基礎(chǔ)上，降低損失函數(shù)L。

包等級與隊(duì)列自適應(yīng)映射算法可分為兩個階段：

1）“上推”階段。在該階段，通過增加進(jìn)入數(shù)據(jù)包所映射隊(duì)列的邊界值，減少數(shù)據(jù)包分組等級與隊(duì)列邊界值的差值，從而減少映射中出現(xiàn)的誤差值。具體地，傳入的數(shù)據(jù)包將從較低優(yōu)先級的隊(duì)列開始匹配。當(dāng)數(shù)據(jù)包等級r(p)大于等于隊(duì)列邊界qi時，數(shù)據(jù)包進(jìn)入該隊(duì)列，同時將隊(duì)列邊界qi增加到等于該數(shù)據(jù)包等級r(p)。該過程可以盡量保證數(shù)據(jù)包實(shí)現(xiàn)零誤差映射，并防止等級小于隊(duì)列邊界值的數(shù)據(jù)包映射到當(dāng)前隊(duì)列。以上設(shè)計僅針對非最高優(yōu)先級隊(duì)列。當(dāng)映射過程匹配到最高優(yōu)先級隊(duì)列（不包括預(yù)留隊(duì)列），即使r(p)＜q1時，當(dāng)前數(shù)據(jù)包會進(jìn)入最高優(yōu)先級隊(duì)列。這將出現(xiàn)“反轉(zhuǎn)”現(xiàn)象，并帶來較大的映射損失。這時，我們將根據(jù)公式（12）來計算誤差損失，并更新最高優(yōu)先級隊(duì)列邊界值為該數(shù)據(jù)包等級。

2）“下推”階段。由于“上推”階段可能導(dǎo)致最高優(yōu)先級隊(duì)列出現(xiàn)“反轉(zhuǎn)”現(xiàn)象，“下推”階段將減少“上推”階段的調(diào)度損失。當(dāng)最高優(yōu)先級隊(duì)列出現(xiàn)“反轉(zhuǎn)”現(xiàn)象時，自適應(yīng)算法將根據(jù)公式（12）來計算損失成本，再根據(jù)公式（13）依次減少除最高優(yōu)先級隊(duì)列以外的隊(duì)列邊界。該階段降低了最高優(yōu)先級以外的隊(duì)列邊界，減少較高優(yōu)先級隊(duì)列中允許進(jìn)入的數(shù)據(jù)包等級范圍，即減少等級較大的數(shù)據(jù)包進(jìn)入高優(yōu)先級隊(duì)列的情況，進(jìn)而減少出現(xiàn)“反轉(zhuǎn)”現(xiàn)象，降低調(diào)度損失。

本文所設(shè)計的等級與優(yōu)先隊(duì)列自適應(yīng)映射算法的具體流程見算法2。

2 實(shí)驗(yàn)驗(yàn)證與性能分析

為測試多路徑時敏調(diào)度機(jī)制相關(guān)功能及性能，我們于Mininet 環(huán)境下搭建包含5 臺終端主機(jī)及5 臺BMv2 交換機(jī)的網(wǎng)絡(luò)拓?fù)?。其中H1、H2、H3、H4 作為算力服務(wù)請求方與算力路由設(shè)備S1 相連；S1 分別與算力路由設(shè)備S2、S3、S4相連作為傳輸?shù)? 條路徑；H5 作為算力節(jié)點(diǎn)與算力路由設(shè)備S5相連。各路徑設(shè)置的實(shí)驗(yàn)參數(shù)如表1所示。

▼表1 路徑具體參數(shù)

2.1 多路徑轉(zhuǎn)發(fā)調(diào)度性能測試

本文實(shí)現(xiàn)了多路徑轉(zhuǎn)發(fā)調(diào)度中置信參數(shù)α為0.05的多路徑選擇算法，同時實(shí)現(xiàn)了傳統(tǒng)輪詢方式的路徑選擇算法、ε值為0.1的貪心策略的路徑選擇算法以及基于置信區(qū)間上界（UCB）算法的路徑算法以進(jìn)行相關(guān)對比分析，并對每種選路算法進(jìn)行了500輪次的選路決策。

為觀察各路徑選擇算法的時延性能，我們將每10 輪計為1個記數(shù)點(diǎn)來計算平均時延，結(jié)果如圖3所示。本文所設(shè)計的路徑選擇算法通過前期路徑探索后，時延在50 輪后有明顯的降低，150 輪后平均時延為20 ms 左右，基本收斂于最優(yōu)路徑。我們將4種算法作定量分析：多路徑選擇算法的平均時延為21.57 ms，輪詢策略的平均時延為32.56 ms，ε-貪心算法的平均時延為25.12 ms，UCB 算法的平均時延為25.91 ms。本文所提的路徑選擇算法在進(jìn)行500 輪次的決策條件后，和輪詢策略相比，時延均值降低33.75%；和ε-貪心算法相比，時延均值降低14.13%；和UCB 算法相比，時延均值降低16.75%。

▲圖3 各路徑選擇算法平均時延圖

為驗(yàn)證不同置信參數(shù)α對多路徑選擇算法時延性能的影響，我們設(shè)置了3 組典型參數(shù)值，分別為：α= 0.05，α=0.15，α= 0.25，并進(jìn)行了500輪次的路徑?jīng)Q策，每10輪為1個記數(shù)點(diǎn)來計算平均時延，具體結(jié)果如圖4 所示。α= 0.05時，本文所設(shè)計的多路徑選擇算法平均時延為21.57 ms；α= 0.15時，平均時延為23.30 ms；α= 0.25時，平均時延為24.02 ms。實(shí)驗(yàn)結(jié)果表明，較小置信參數(shù)可較多地利用主從備份傳輸，以提升傳輸性能。

▲圖4 不同置信參數(shù)下的多路徑選擇算法平均時延圖

2.2 優(yōu)先隊(duì)列調(diào)度性能測試

本節(jié)中，我們將測試優(yōu)先隊(duì)列調(diào)度的各項(xiàng)性能指標(biāo)，并與先進(jìn)先出（FIFO）隊(duì)列方案、基于嚴(yán)格優(yōu)先級隊(duì)列擬合推入先出（SP-PIFO）[12]隊(duì)列調(diào)度方案進(jìn)行對比。在典型場景下，我們測試隊(duì)列調(diào)度算法的具體性能。假設(shè)路徑選擇算法已將S1 的轉(zhuǎn)發(fā)出端口路徑收斂于S1-S3 路徑，同時設(shè)定S1與S3鏈路帶寬為50 Mbit/s，時延為10 ms，不額外設(shè)置鏈路抖動。

在典型場景下，我們預(yù)設(shè)H1、H2、H3、H4 的數(shù)據(jù)流等級分別為0、1、2、3，分別代表高優(yōu)先級、次高優(yōu)先級、中優(yōu)先級以及低優(yōu)先級。H1、H2、H3、H4在同一時刻采用iperf工具來生成用戶數(shù)據(jù)報協(xié)議（UDP）流量，再發(fā)往終端H5（持續(xù)50 s）。其帶寬分別設(shè)置為10 Mbit/s、10 Mbit/s、15 Mbit/s及20 Mbit/s，總流量大于設(shè)置鏈路帶寬。這將造成一定程度的節(jié)點(diǎn)擁塞，從而驗(yàn)證隊(duì)列調(diào)度的相關(guān)性能。

測試中，我們利用3個FIFO隊(duì)列實(shí)現(xiàn)了P4-APQ，同時利用3 個FIFO 隊(duì)列實(shí)現(xiàn)SP-PIFO。P4-APQ、SP-PIFO 以及FIFO 的隊(duì)列數(shù)據(jù)包容量大小均設(shè)置為64。P4-APQ、SPPIFO以及FIFO隊(duì)列的高優(yōu)先級流單向時延隨時間的變化如圖5所示。

▲圖5 隊(duì)列調(diào)度算法高優(yōu)先級流單向時延隨時間變化圖

對于高優(yōu)先級流而言，本文所提的P4-APQ算法基于高優(yōu)先級預(yù)留隊(duì)列的設(shè)計，時延性能略優(yōu)于SP-PIFO，顯著優(yōu)于FIFO。SP-PIFO 由于沒有相關(guān)預(yù)留隊(duì)列的設(shè)計，在最高優(yōu)先級隊(duì)列中會出現(xiàn)“反轉(zhuǎn)”的現(xiàn)象，因此也會出現(xiàn)非最高優(yōu)先級的數(shù)據(jù)流量，從而造成最高優(yōu)先級流時延及抖動的增加。對于FIFO 隊(duì)列，由于對各類流量不作區(qū)分處理，高優(yōu)先級流量時延較大。高優(yōu)先級流在P4-APQ 算法的調(diào)度下，平均時延為16.30 ms，方差為0.39 ms2；在SP-PIFO 隊(duì)列調(diào)度下中，高優(yōu)先級數(shù)據(jù)流的平均時延為17.53 ms，方差為0.65 ms2；在FIFO 隊(duì)列中，高優(yōu)先級數(shù)據(jù)流平均時延為26.99 ms，方差為0.41 ms2。通過定量計算可知，本文設(shè)計的P4-APQ隊(duì)列調(diào)度算法針對高優(yōu)先級數(shù)據(jù)流的平均時延較SP-PIFO 降低7.01%，較FIFO 降低39.6%；抖動較SP-PIFO降低40%，較FIFO降低4.9%。

P4-APQ、SP-PIFO 以及FIFO 隊(duì)列的最高優(yōu)先級流吞吐量隨時間變化的情況如圖6 所示。本文所設(shè)計的P4-APQ 隊(duì)列調(diào)度算法高優(yōu)先級流吞吐量均值為10.47 Mbit/s，SP-PIFO隊(duì)列調(diào)度算法高優(yōu)先級流吞吐量均值為10.41 Mbit/s；FIFO隊(duì)列在高優(yōu)先級流吞吐量均值為8.54 Mbit/s。由以上定量分析可以發(fā)現(xiàn)，本文所采用的P4-APQ通過給各流量的等級設(shè)定，并基于等級與隊(duì)列映射算法，可以保障高優(yōu)先級業(yè)務(wù)流量的穩(wěn)定吞吐量；高優(yōu)先級流量吞吐量高于FIFO 隊(duì)列，與SP-PIFO吞吐量近似相等。

▲圖6 各隊(duì)列調(diào)度算法高優(yōu)先級流吞吐量隨時間變化圖

根據(jù)上述分析，本文所設(shè)計的P4-APQ隊(duì)列調(diào)度算法針對較高優(yōu)先級數(shù)據(jù)流，能夠有效降低排隊(duì)時延及其抖動，同時提供穩(wěn)定的吞吐量。

3 結(jié)束語

算力網(wǎng)絡(luò)作為中國率先提出的新型網(wǎng)絡(luò)架構(gòu)，是推動信息產(chǎn)業(yè)發(fā)展、支撐“十四五”發(fā)展規(guī)劃中“網(wǎng)絡(luò)強(qiáng)國”發(fā)展戰(zhàn)略的重要基礎(chǔ)。針對算力網(wǎng)絡(luò)的低時延傳輸需求，本文提出了多路徑時敏優(yōu)先調(diào)度機(jī)制，設(shè)計了基于強(qiáng)化學(xué)習(xí)的多路徑低時延轉(zhuǎn)發(fā)調(diào)度算法，根據(jù)網(wǎng)絡(luò)實(shí)時狀態(tài)，動態(tài)選取低時延傳輸路徑，并在轉(zhuǎn)發(fā)出端口設(shè)計了等級與隊(duì)列自適應(yīng)映射算法，減少低時延應(yīng)用的排隊(duì)時延。經(jīng)過相關(guān)實(shí)驗(yàn)測試及分析，本文所設(shè)計的多路徑時敏優(yōu)先調(diào)度機(jī)制能夠在算力網(wǎng)絡(luò)場景下提供低時延服務(wù)保障。