Fog-Quant：一种受量子计算启发的框架，用于在6G无线接入网络上部署雾计算技术

《Sustainable Computing: Informatics and Systems》：Fog-Quant: A quantum computing inspired framework for fog computing deployment over 6G radio access networks

　　沙比尔·阿里（Shabir Ali）| 迪伦德拉·库马尔·舒克拉（Dhirendra Kumar Shukla）| 阿尔文德·达古尔（Arvind Dagur）| 阿基莱什·库马尔（Akhilesh Kumar）| 尼廷·舒克拉（Nitin Shukla）| 桑比特·萨特帕西（Sambit Satpathy）
印度大诺伊达加尔戈蒂亚斯大学（Galgotias University）计算机科学与工程学院

**摘要**
未来的6G网络承诺提供革命性的能力，包括太比特的速度和亚毫秒级的延迟。然而，实现这些目标需要我们在管理计算资源的方式上做出根本性的改变。传统的云计算架构无法满足6G的严格时间要求，因为数据必须传输到遥远的服务器。雾计算通过在基站和街道基础设施中嵌入微型数据中心，将处理能力 bring 更接近用户。然而，当前的雾计算编排方法难以应对6G所面临的独特挑战。太赫兹频率存在严重的信号衰减问题。可重构智能表面需要根据用户的移动进行持续调整。对于经典算法来说，在优化延迟、能源和资源使用的同时管理数千个多样化的雾节点变得极其复杂。
本文介绍了Fog-Quant，这是首个专为6G雾网络设计的量子驱动的编排系统。我们的框架结合了两种量子算法来解决传统方法无法解决的问题。量子退火可以在微秒内快速探索数百万种可能的解决方案，然后量子近似优化算法通过数学精度对这些解决方案进行精细化处理。Fog-Quant采用基于熵的智能决策机制：简单的放置选择使用快速的传统方法，而复杂场景则激活量子处理。这种自适应方法确保了最佳性能，同时不会浪费计算资源。
我们在一个包含10,000个雾节点和10,000个微服务的校准仿真测试平台上评估了Fog-Quant的性能。与经典基线相比，Fog-Quant在10,000个节点的情况下实现了96.1%的放置成功率，并将能源使用量减少了28.8%。即使在最多30%的节点不可用的情况下，其可靠性也保持在99.995%以上。超过90%的控制循环事件在2.2毫秒内完成，决策时间限制为2.16毫秒，满足了密集城市环境中的10毫秒超可靠低延迟通信（URLLC）要求。

**引言**
无线网络正进入一个重新设计的阶段。5G在受控环境中展示了高峰值速率和低无线电延迟，某些用例下的峰值接近20 Gb/s，空中接口延迟约为10毫秒[1]。然而，下一波应用的需求超出了这些限制。全息远程呈现、远程干预、协作式自主性和大规模数字孪生都需要更高的吞吐量和更严格的时序保证[2][3]。因此，当前的6G路线图强调每秒太比特的吞吐量、亚毫秒级的空中接口延迟以及99.995%或更高的可靠性[2][3]。实现这些目标并非简单的5G NR升级[3]，这促使研究人员开发新的物理和架构工具。他们正在探索能够容忍严重相位噪声的太赫兹频谱[4][5]，并研究用于形成窄波束的超大规模MIMO[6]。反射式智能表面（RIS）是另一个关键方向，因为它们可以实时重塑传播路径[7][8]。核心网络也在向基于云的运营转变，协议功能中嵌入了智能[9]。TSN和MEC加强了应用程序与传输和计算基础设施之间的连接[10][11]。即便如此，空气接口之外的传播和排队仍可能超出严格的10毫秒预算[12]。因此，计算和存储必须更接近用户，同时保持安全性和操作控制[12]。雾计算和边缘计算实现了这一转变，它们将微型数据中心放置在靠近无线电接入的位置，并实现了边缘、雾和云之间的连续性，以支持可扩展的服务托管[13][14]。
向6G的过渡使得在边缘、雾和云之间的编排变得更加困难[6][8]。太赫兹链接提供了非常宽的带宽，但它们容易受到遮挡和环境依赖的衰减影响[6][8]。RIS辅助可以通过重塑链接来改善传播，但随着用户和障碍物的移动，RIS配置必须快速调整[8]。这些频繁的更新可能会干扰链接质量，并导致排队延迟和端到端服务延迟的突然变化[6][8]。雾节点在计算能力、加速器、内存和功耗预算方面也存在很大差异[15][16]。因此，放置决策必须在严格的约束下平衡延迟、能源和空间利用率[15][16]。移动性和波束动态通过频繁的手柄切换和波束对齐事件增加了不确定性[6][8]。在这种情况下，缓慢的周期性重新优化是不够的，编排需要一个快速的控制循环。这里的控制循环是指一个重复的周期，它收集遥测数据，计算更新后的放置决策，并在雾节点上执行该决策。该循环必须足够频繁地运行，以便在变化的链接和工作负载条件下重新优化和修复放置，即使是在数千个雾节点的规模上[15][16]。
这些运营挑战也塑造了底层的优化模型。雾计算编排通常被构建为一个具有非线性性能耦合的混合整数优化问题[15][17]。二进制变量表示微服务是否被分配给特定的雾节点[15][17]。可行性通过CPU、GPU、内存和功耗预算的多维容量约束来确保[15][17]。端到端约束进一步通过延迟、抖动和丢失目标来限制分配[15][17]。即使经过简化，这个问题在规模上仍然是NP难问题[18]。随着节点和服务数量的增加，精确求解器可能变得不切实际[15]。启发式方法和深度强化学习虽然更快，但可能无法保证尾部的延迟。在分布变化和重新训练开销下，它们也可能不够稳定[16][19]。因此，在波动条件下，编排方法仍然需要在解决方案质量和决策速度之间进行权衡[16]。

**量子计算为网络系统中的组合优化提供了新的工具**[20][21]。在量子优化中，许多候选分配可以同时表示，并通过干扰引导至低成本解决方案[20][21]。这些特性激发了人们对多项式甚至指数级加速的期望，尤其是在解决硬离散问题时[20][21]。实验里程碑通过在特定采样任务上展示量子优势来强化了这一预期[22][23]。对于短期优化，变分量子算法是一种核心方法[24][25]。QAOA将目标和约束编码成成本哈密顿量，并通过交替成本和混合操作来引导测量结果朝向良好解决方案[24][25]。然后，经典优化器使用测量到的成本更新电路参数[25]。实证研究在中等规模的图问题（如最大割）上报告了具有竞争力的性能[24][25]。然而，当前的门模型设备受到噪声量子比特和有限电路深度的限制，这限制了问题规模和实际嵌入的复杂性[21][26]。
量子退火是另一种适用于QUBO风格问题的硬件方法[27][28]。当前的QA系统提供了数千个可调量子比特，并能在超出许多门模型原型的规模上采样低能耗的QUBO状态[27]。先前的工作在选定的基准测试中报告了接近最优的放置解决方案，并且解决时间较短[28]。然而，QA仍然是启发式的，在模拟控制噪声下可能会性能下降[28]。此外，编码多资源约束通常需要辅助变量，这可能会增加实例大小[27]。门模型QAOA常用于需要确保可行性的较小子问题，它通过电路深度p交替成本和混合操作，并且在中等规模的分割任务上可以胜过模拟退火[29][30]。实际限制仍然存在：每次参数更新都需要一个量子-经典反馈循环，而当前设备无法扩展到数千个变量。噪声也限制了实际硬件中可用电路的深度。
鉴于这些硬件限制，许多最近的提案采用了混合QA-QAOA工作流程[31][32]。首先使用QA来探索广泛的搜索空间并快速生成低能耗样本[31][32]。重复的QA采样可以揭示频繁出现相同值的变量[31][32]。这些变量可以被固定下来以减少剩余的决策空间[31][32]。然后可以使用适合NISQ设备的较小QAOA电路来细化剩余的敏感变量[31][32]。通常使用经典的后处理来修复测量后的剩余约束违规[31][32]。在投资组合优化等应用领域也报告了混合方法的益处[33]。尽管取得了这些进展，但已发布的混合框架仍远未达到6G雾计算编排的要求[12][34]。许多研究在较小的二进制变量数量下进行评估，并未考虑排队动态和快速RIS控制引起的延迟峰值[12][34]。这些遗漏对于太赫兹/RIS链接中的URLLC风格预算至关重要[6][8]。
据我们所知，我们的调查表明，没有现有方法能够同时针对大规模雾计算结构和由实时遥测驱动的快速模型更新[6][8][12]。在上述环境中，这种差距尤为重要，因为编排必须快速适应链接和工作负载的波动性。扩展到密集的太赫兹和RIS拓扑结构也被反复强调为6G系统设计的核心挑战[6][8][12]。此外，基于量子的编排的最新技术很少将排队抖动、RIS重新配置延迟和冷启动开销纳入单一的统一控制循环中[6][8]。实证研究表明，这些效应会显著影响延迟变化[6][8]。因此，一次性或静态解决方案可能会随着移动性和无线电条件的变化而失去最优性[35][36][37]。
为了弥合这些差距，我们引入了Fog-Quant，这是一种针对具有太赫兹和RIS动态的6G部署的量子加速雾计算编排器[6][8][12]。据我们所知，Fog-Quant是首批明确结合太赫兹/RIS波动性和混合量子-经典放置循环的设计之一，适用于实际规模的雾计算结构[6][8][12][31][32]。Fog-Quant基于三个关键理念构建：首先，它将放置问题表述为一个QUBO，同时捕捉多层边缘/雾部署模型中的延迟、能源和空间利用率目标[15][16]。这一选择与原生操作在QUBO结构上的QA风格求解器相一致[27][28]。它还有助于控制在基于退火优化的多资源约束编码时可能出现的辅助变量增长[27]。其次，Fog-Quant使用量子退火采样进行全局探索，并利用采样统计信息固定稳定变量，从而减小剩余问题的规模[27][31][32]。在NISQ环境中，这一点至关重要，因为电路深度和量子比特数量限制了在大决策空间上的直接门模型执行[21][26]。第三，它应用浅层QAOA细化步骤来完善剩余的子问题，提高可行性和目标质量[24][25][30]。最后，Fog-Quant在测量后应用快速经典修复来执行硬约束，这在实际的混合工作流程中很常见[31][32]。我们在一个校准的仿真工作流程中验证了这一设计，并将其与代表性的MILP、启发式和深度强化学习基线进行了比较[16][17]。

**总结**
我们的核心贡献如下：
- 我们展示了一种混合分解方法，将大型雾计算放置实例分为QA种子阶段和深度为3的QAOA细化阶段——在不需要启发式剪枝的情况下，使实际部署符合当前量子硬件的预算。
- 据我们所知，这项工作提出了第一个完全开放的、大规模的、考虑太赫兹和RIS的雾计算测试平台，用于验证6G RAN环境中的量子-经典混合编排。
- 我们提供了在延迟、能源和可靠性指标方面的严格性能证据，证明了量子混合优化在超出传统小规模基准问题的场景中既具有可扩展性，又具有高质量的结果。

本文的其余部分安排如下：第2节回顾了雾计算和边缘计算的经典和量子编排相关工作。第3节介绍了Fog-Quant架构及其混合量子-经典控制流程。第4节定义了放置目标和QUBO映射。第5节详细介绍了混合优化循环，包括熵感知的求解器选择、变量固定以及QA/QAOA集成。第6节描述了实验方法，包括测试平台仿真和基准设计。第7节报告了定量评估结果。第8节总结了研究结果，并讨论了量子辅助雾计算的部署考虑和开放研究方向。

**相关工作**
本节介绍了确定性优化、基于启发式和学习的放置方法以及量子/混合加速的相关工作，并强调了推动Fog-Quant发展的假设和差距。雾计算和6G系统将计算能力 bring 更接近用户，使应用程序无需经过漫长的云传输即可做出反应。这种方向减少了回程负载，使网络边缘的低延迟服务更加可行。实际上，6G编排受到太赫兹频率快速变化的影响。

**Fog-Quant：一种五层量子增强架构，用于6G雾计算编排**
Fog-Quant是一个将量子优化与6G网络集成在一起的雾计算编排框架。如图1所示，它是一个包含遥测、决策和执行的五层架构。该设计旨在满足低于10毫秒的超可靠低延迟通信（URLLC）要求，并在大规模部署中管理服务质量指标。

**系统模型和问题表述**
本节将雾计算微服务的放置问题表述为一个二进制优化问题，该问题可以在6G环境下实时运行。