基于动态时延感知的广域分布式算力调度技术研究

doi:10.12267/j.issn.2096-5931.2026.02.006

信息通信技术与政策 ›› 2026, Vol. 52 ›› Issue (2): 36-43.doi: 10.12267/j.issn.2096-5931.2026.02.006

专题:算力互联网技术发展与产业应用上一篇下一篇

基于动态时延感知的广域分布式算力调度技术研究

Research on dynamic latency-aware scheduling for wide-area distributed computing

林观康¹, 邓伟正¹, 沈增涛¹, 杨任¹, 桑柳², 赵伟博²

1.联通数字科技有限公司云计算事业部，北京 100080
2.中国信息通信研究院云计算与数字化研究所，北京 100191

收稿日期:2026-01-05 出版日期:2026-02-25 发布日期:2026-03-06
作者简介:
林观康, 中国联通数字科技有限公司智算产品研发团队P3总监，主要从事智算、分布式产品、技术等方面的研发管理工作
邓伟正, 中国联通数字科技有限公司智算产品研发工程师，主要从事智算、分布式产品、技术等方面研发工作
沈增涛, 中国联通数字科技有限公司智算产品研发工程师，主要从事智算、分布式产品、技术等方面研发工作
杨任, 中国联通数字科技有限公司智算产品研发工程师，主要从事智算、分布式产品、技术等方面研发工作
桑柳, 中国信息通信研究院云计算与数字化研究所工程师，主要从事云计算、网络等方面研究工作
赵伟博, 中国信息通信研究院云计算与数字化研究所工程师，主要从事云计算、网络等方面研究工作

LIN Guankang¹, DENG Weizheng¹, SHEN Zengtao¹, YANG Ren¹, SANG Liu², ZHAO Weibo²

1. Cloud Computing Division，China Unicom Digital Technology Co.，Ltd.，Beijing 100080，China
2. Cloud Computing and Digitalization Research Institute，China Academy of Information and Communications Technology，Beijing 100191，China

Received:2026-01-05 Online:2026-02-25 Published:2026-03-06

摘要/Abstract

摘要：

针对现有广域分布式算力调度忽视骨干网动态时延和故障影响的问题，提出基于动态时延感知调度（Dynamic Latency-Aware Scheduling，DLAS）的技术。该技术通过30 s周期探测骨干网时延，结合智能故障检测与自适应迁移策略，可实现更优的路由决策和高可用保障。建立时延优化数学模型，理论证明可降低平均时延35%~50%，缩短故障恢复时间至分钟级。试验表明，DLAS的算力服务响应时延相比传统轮询调度降低42.3%，相比静态地理调度降低28.7%，服务可靠性提升至99.95%以上，可为构建高效可靠的分布式算力网络提供理论与实践指导。

关键词: 分布式算力网络, 算力调度, 时延感知, 故障检测, 自适应迁移

Abstract:

To address the problem that existing wide-area distributed computing power scheduling，a technology based on dynamic latency-aware scheduling （DLAS） is proposed. This technology detects backbone network latency through a 30 second cycle，combined with intelligent fault detection and adaptive migration strategies，to achieve better routing decisions and high availability guarantees. Establish a delay optimization mathematical model，which has been theoretically proven to reduce the average delay by 35% to 50% and shorten the fault recovery time to the minute level. Experiments have shown that the dynamic latency aware scheduling of DLAS reduces the response latency of computing power services by 42.3% compared to traditional polling scheduling，28.7% compared to static geographic scheduling，and improves service reliability to over 99.95%. This can provide theoretical and practical guidance for constructing efficient and dependable distributed computing power networks.

Key words: distributed computing power network, computing power scheduling, time delay perception, fault detection, adaptive migration

中图分类号:

TP393.0

林观康, 邓伟正, 沈增涛, 杨任, 桑柳, 赵伟博. 基于动态时延感知的广域分布式算力调度技术研究[J]. 信息通信技术与政策, 2026, 52(2): 36-43.

LIN Guankang, DENG Weizheng, SHEN Zengtao, YANG Ren, SANG Liu, ZHAO Weibo. Research on dynamic latency-aware scheduling for wide-area distributed computing[J]. Information and Communications Technology and Policy, 2026, 52(2): 36-43.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2026.02.006

http://ictp.caict.ac.cn/CN/Y2026/V52/I2/36

图/表 5

参考文献 21

[1]	QIAN D P, LUAN Z Z, LIU Y. From grid to “East-west Computing Transfer”: constructing national computing infrastructure[J]. Journal of Beijing University of Aeronautics and Astronautics, 2022, 48(9):1561-1574.
[2]	中国电信股份有限公司研究院. 国内骨干网络质量监测报告[R], 2023.
[3]	VERMA A, PEDROSA L, KORUPOLU M, et al. Large-scale cluster management at Google with Borg[C]// Proceedings of the Tenth European Conference on Computer Systems. Bordeaux: ACM Press, 2015: 1-17.
[4]	BURNS B, GRANT B, OPPENHEIMER D, et al. Borg, omega, and kubernetes[J]. Communications of the ACM, 2016, 59(5):50-57.
[5]	Amazon Web Services. AWS global accelerator[EB/OL]. 2023[2026-01-02]. https://aws.amazon.com/global-accelerator/.
[6]	ZHENG J, CAI Y, WU Y, et al. Dynamic computation offloading for mobile cloud computing: a stochastic game-theoretic approach[J]. IEEE Transactions on Mobile Computing, 2019, 18(4):771-786. doi: 10.1109/TMC.2018.2847337 URL
[7]	XU J, CHEN L, ZHOU P. Joint service caching and task offloading for mobile edge computing in dense networks[C]// IEEE INFOCOM 2018 Conference on Computer Communications. Honolulu: IEEE Press, 2018:207-215.
[8]	刘云浩, 张勇, 李明. 边缘智能计算理论与实践[M]. 北京: 清华大学出版社, 2021.
[9]	张广艳, 谢涛, 周明辉. 阿里巴巴云计算资源调度系统Sigma[J]. 中国计算机学会通讯, 2019, 15(8):45-52.
[10]	华为技术有限公司. 华为云智能调度白皮书[R], 2022.
[11]	李晓明, 王建民, 陈康. 中国互联网骨干网性能测量与分析[J]. 计算机学报, 2020, 43 (5):856-871.
[12]	CHEN W, TOUEG S, AGUILERA M K. On the quality of service of failure detectors[J]. IEEE Transactions on Computers, 2002, 51(5):561-580. doi: 10.1109/TC.2002.1004595 URL
[13]	LAKHINA A, CROVELLA M, DIOT C. Mining anomalies using traffic feature distributions[C]//ACM SIGCOMM 2005. Phila-delphia: ACM Press, 2005:217-228.
[14]	ZHANG C, WANG X, LI F, et al. Deep learning based network failure prediction[C]//IEEE INFOCOM 2019. Paris: IEEE Press, 2019:1234-1242.
[15]	BASIRI A, BEHNAM N, ROOIJ R D, et al. Chaos engineering[J]. IEEE Software, 2016, 33(3):35-41. doi: 10.1109/MS.52 URL
[16]	EISENBUD D E, YI C, CONTAVALLI C, et al. Maglev: a fast and reliable software network load balancer[C]//NSDI 2016. Santa Clara: USENIX Association, 2016:523-535.
[17]	VULIMIRI A, CURINO C, GODFREY P B, et al. Global analytics in the face of bandwidth and regulatory constraints[C]//NSDI 2015. Oakland: USENIX Association, 2015:323-336.
[18]	陈康, 郑纬民. 云计算系统架构与关键技术[M]. 北京: 清华大学出版社, 2020.
[19]	HONG C Y, KANDULA S, MAHAJAN R, et al. Achieving high utilization with software-driven WAN[J] Computer Communication Review, 2013, 43(4):15-26. doi: 10.1145/2534169.2486012 URL
[20]	刘军, 吴涛, 郑毅. 6G算力网络: 体系架构与关键技术[J]. 电信科学, 2023, 39 (1):32-45.
[21]	栗蔚, 张博圣, 孙松林, 等. 算力互联网架构: 基于熵平衡支持算力资源跨域互联的下一代网络架构[J]. 通信学报, 2025, 46(9):1-16.

调度策略	平均时延/ms	相对RR降低的百分比	P95时延/ms	P99时延/ms	负载均衡度
RR	78.3	0%	142.5	189.3	0.08
RS	81.2	-3.7%	156.8	201.4	0.12
LCS	68.4	12.6%	128.3	167.2	0.15
GEO-S	52.7	32.7%	98.6	135.4	0.28
WRR	71.2	9.1%	134.7	175.8	0.09
DLAS	45.2	42.3%	82.4	118.6	0.14

调度策略	平均时延/ms	相对RR降低的百分比	P95时延/ms	P99时延/ms	负载均衡度
RR	78.3	0%	142.5	189.3	0.08
RS	81.2	-3.7%	156.8	201.4	0.12
LCS	68.4	12.6%	128.3	167.2	0.15
GEO-S	52.7	32.7%	98.6	135.4	0.28
WRR	71.2	9.1%	134.7	175.8	0.09
DLAS	45.2	42.3%	82.4	118.6	0.14

故障类型	调度策略	检测时间/s	恢复时间/s	服务可用性
节点故障	RR	N/A	N/A	95.2%
	GEO-S	120	180	96.8%
	DLAS	75	135	99.6%
链路故障	RR	N/A	N/A	92.5%
	GEO-S	180	240	94.3%
	DLAS	60	105	99.2%
区域故障	RR	N/A	N/A	88.7%
	GEO-S	240	360	91.5%
	DLAS	90	165	98.8%

故障类型	调度策略	检测时间/s	恢复时间/s	服务可用性
节点故障	RR	N/A	N/A	95.2%
	GEO-S	120	180	96.8%
	DLAS	75	135	99.6%
链路故障	RR	N/A	N/A	92.5%
	GEO-S	180	240	94.3%
	DLAS	60	105	99.2%
区域故障	RR	N/A	N/A	88.7%
	GEO-S	240	360	91.5%
	DLAS	90	165	98.8%

指标	部署前（GEO-S）	部署后（DLAS）	改善百分比
平均响应时延/ms	68.5	48.9	28.6%
P95响应时延/ms	125.3	87.6	30.1%
P99响应时延/ms	178.4	124.8	30.0%
超时率	0.18%	0.06%	66.7%
故障恢复时间/min	18.5	2.8	84.9%
服务可用性	99.82	99.94	0.12%
用户满意度/分	4.3	4.7	9.3%

基于动态时延感知的广域分布式算力调度技术研究

Research on dynamic latency-aware scheduling for wide-area distributed computing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 21

相关文章 4

编辑推荐

Metrics

本文评价

探测周期/s	故障检测时间/s	时延优化百分比	系统探测开销/bit/s	综合评分（0~10分）/分
10	25	45.2%	2 439	7.5
20	50	43.8%	1 220	8.3
30	75	42.3%	813	9.2
60	150	38.7%	407	7.8
120	300	32.5%	203	6.1

[1]	赵栖平, 丁飞, 王诗怡, 王瑞, 吴迪, 刘志帅. 算力中心云服务架构与关键技术研究^*[J]. 信息通信技术与政策, 2025, 51(2): 30-39.
[2]	宋今, 张河翔. 云边端融合的算网架构在智慧园区中的应用研究[J]. 信息通信技术与政策, 2024, 50(2): 55-62.
[3]	郭亮. 数据中心发展综述[J]. 信息通信技术与政策, 2023, 49(5): 2-8.
[4]	于美泽, 谢丽娜, 江畅. 算力调度关键问题和实施路径研究[J]. 信息通信技术与政策, 2023, 49(5): 9-14.