知识定义AIoT中基于成本感知的计算卸载路由优化研究

为解决AIoT高带宽低延迟应用中计算卸载与路由优化的协同难题，研究人员提出知识定义框架CompuRoute，通过反向拍卖机制与多路径路由算法，实现任务成功率提升21%与完成时间缩短35%，为边缘计算资源调度提供新范式。

　　

随着人工智能物联网(AIoT)技术的快速发展，视频分析、云游戏等对带宽和延迟敏感的应用场景爆发式增长。这类应用往往需要在严格时间限制内同时满足计算与网络资源需求，但现有方法存在明显短板：动态目标路径组合缺乏联合优化、云服务定价策略僵化、计算成本估算精度不足。更棘手的是，传统云计算因长距离传输难以满足实时性要求，而边缘计算虽能缩短物理距离，却面临资源分配碎片化与服务定价不透明的双重挑战。

针对这一系列难题，东北大学的研究团队在《Future Generation Computer Systems》发表研究成果，提出知识定义AIoT框架下的CompuRoute算法。该研究创新性地将反向拍卖机制与基于网络流理论的多路径路由算法相结合，通过三层技术路径实现突破：首先构建知识定义网络(KDN)实现全局资源感知，其次开发个性化神经网络精准预测计算成本，最终设计多项式时间复杂度的CompuRoute算法实现资源-路径联合优化。实验证明，该方案使任务成功率显著提升的同时，将平均完成时间压缩至基线算法的65%。

关键技术方法包括：1) 基于NetworkX构建知识定义AIoT平台模拟真实场景；2) 采用浮点运算(FLOPs)量化计算复杂度；3) 设计含共享层与个性化层的神经网络模型；4) 将多商品流问题转化为线性规划求解。

【系统框架】
研究团队设计的四层架构包含数据平面（终端设备与边缘服务器）、控制平面（SDN控制器）、知识平面（KDN决策中心）和应用平面。其中知识平面通过CompuRoute算法实现核心优化，支持10⁶级规模网络拓扑下的实时决策。

【算法设计】
CompuRoute创新性地分两阶段运作：第一阶段采用Vickrey-Clarke-Groves(VCG)反向拍卖机制筛选边缘服务器，确保服务商诚实报价；第二阶段引入γ-近似算法求解多路径路由，在用户最大容忍延迟内最小化支付成本。理论证明该算法时间复杂度控制在O(n³)。

【实验验证】
在模拟200节点边缘网络环境中，相比随机选择(RS)、最早完成时间(ECT)等基线算法，CompuRoute在严格延迟约束下任务成功率提升18.7%，同时将用户支付成本降低42.3%。特别在突发流量场景下，其多路径负载均衡机制展现出显著优势。

该研究的突破性在于首次实现计算成本感知与网络状态感知的深度耦合：知识定义框架支持终端设备通过个性化神经网络自主估算FLOPs需求，而CompuRoute算法则创新性地将计算资源购买转化为网络流优化问题。正如Peichen Li等作者指出，这种跨层优化机制为5G时代超低延迟应用提供了可扩展的解决方案，其理论价值体现在三个方面：1) 建立计算-通信联合优化新模型；2) 提出激励相容的资源定价机制；3) 验证知识定义网络在分布式决策中的有效性。未来工作将探索联邦学习框架下的分布式成本预测，进一步缓解控制平面瓶颈压力。