计算机应用

作者：卫琳, 李金阳, 王亚杰, 和孟佯

单位：1.郑州大学 网络空间安全学院，郑州 450002；2.国家计算机网络应急技术处理协调中心，北京 100029

关键词：算力网络,资源度量,重调度,高可靠,深度强化学习

基金：河南省科技攻关项目(232102210154);河南省省级科技计划项目(YYJC022022001);河南省重大科技专项(241110210200)

算力网络（CPN）是一种解决算力供需矛盾、网络传输问题以及算力资源普惠问题的新型网络体系，根据算力资源提供方的供给能力和应用需求方的动态资源需求，对区域内算力基础设施底层的计算、存储、网络等多维资源进行整合，为用户提供个性化的算力资源服务，实现算力资源的高效管理和按需分配。为了提高CPN资源匹配调度的利用率和可靠性，提出一种基于多维资源度量和重调度的高可靠匹配方法（RMRMM）。为了实现高利用率的资源调度，RMRMM设计了基于熵权优劣解距离法（entropy weighted TOPSIS）和深度强化学习（DRL）的资源度量匹配方案，对节点的结构特征值（SFV）、计算能力、存储能力、网络通信能力进行综合度量，缩小资源匹配范围以提高匹配的精准性和资源的利用率；同时RMRMM考虑节点遭受攻击失效的情况，设计基于自适应大邻域搜索（ALNS）算法的重调度模块，在匹配结果失效时进行节点与任务的重新调度，提高任务的接收率以增强整体的可靠性。在OMNet++平台上的仿真实验结果表明，RMRMM的平均带宽（BW）利用率、平均主存（RAM）利用率、平均存储（STORAGE）利用率和任务请求接收率最高达到69.7%、66.4%、68.5%、75.5%，资源利用率和任务请求接收率均优于其他匹配策略，说明RMRMM更加高效可靠。

来源：2025年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第11期