新型算力网络架构及其应用案例分析

狄筝，曹一凡，仇超，罗韬，王晓飞

新型算力网络架构及其应用案例分析

狄筝，曹一凡，仇超，罗韬*，王晓飞

（天津大学 智能与计算学部，天津 300350）（*通信作者电子邮箱luo_tao@tju.edu.cn）

随着人工智能（AI）算力向网络边缘甚至终端设备扩散，端边云超协同的算力网络成为最佳计算解决方案，而新机遇催生了端边云超计算和网络之间的深度集成。然而，集成系统的完整开发还没有得到很好的解决，包括适应性、灵活性和价值性，因此提出了一种区块链赋能的端边云超算力网络架构。其中，端边云超融合为框架提供基础设施，该设施构成的算力资源池为用户提供安全可靠的算力，网络通过调度资源满足用户需求，而框架内的神经网络和执行平台为AI任务执行提供接口；同时，区块链保证资源交易的可靠性，以激励更多算力贡献者加入平台。本框架为算力网络中的用户提供了适应性，为组网算力资源调度提供了灵活性，为算力供应商提供了价值激励，并利用案例清晰地描述了该新型算力网络架构。

计算组网融合；端边云超融合；算力网络；区块链；自适应服务

0 引言

近年来，人工智能（Artificial Intelligence， AI）技术和产业迅猛发展，正在全球掀起新的产业革命。随着AI的兴起，一些智能应用正在极大地影响和促进经济社会的发展和人类文明的进步，如语音识别、自然语言生成、虚拟代理等。算法、数据和算力作为人工智能发展的重要支撑，正在引领和实现AI的发展和普适化。高效算力作为关键驱动因素之一，在数据处理、算法优化、高精度快速交互等方面起着催化作用［1］。因此，以异构、加速和高性能计算为特征的新兴AI计算技术和框架，为有意义的AI研究和应用提供了无数的可能性。

面对众多新兴的AI应用场景问题，下一代超级计算依托其超快互联性、超高计算性、超大存储性、超完善基建性以及超强安全性和工作负载性等特点，为其提供了强有力的解决方案。然而，针对用户定制化的AI服务，要求较高的服务资源自适应分配与扩展性，如适应性服务、快速响应服务等，超级计算提供的算力资源常常超过服务计算的需求，从而造成大量计算资源和成本的浪费。随着B5G/6G（Beyond Fifth-Generation/ Sixth-Generation）［2］等技术的发展，海量数据从数据中心扩散至了网络的边缘，甚至是终端设备［3］。与此同时，边缘计算、超融合、微数据中心等多层次计算架构应运而生，扩展并提升了超计算机环境基础架构的灵活性。因此，端边云超融合的算力网络成了5G/B5G下机器智能时代的最佳解决方案。

目前，基于端边云超融合的算力网络架构的相关研究尚处于初步阶段。推进与完善多模式、多层次的算力网络架构还存在诸多的不足。其中，如何定义并构建可靠有效的AI算力理论是研究端边云超协同下新一代算力网络的基础。首先，具备AI算力的设备（如传感器、手机、电脑、服务器等）众多，而针对算力的定义在国际上并无统一标准；其次，面对不同的AI应用场景及架构，算力服务的部署应用也不尽相同，如何选择合理的算力评估量化指标，定量分析算力配置方案是构建端边云超算力网络的先决条件。此外，在端边云超架构中，各层级承载的AI算法也不同，因此，建立新型算力评价体系迫在眉睫。

端边云超融合的算力网络架构中算力的管理和分配至关重要，尤其是对于端边云超等多模式、多层次的算力网络架构。算力网络的完善发展还存在诸多不足，包括：1）如何为用户提供适应性的计算服务，以满足用户多样化的需求；2）如何支持弹性的组网服务和算力资源调度，从而实现快速响应；3）如何保证算力提供者的效益，从而实现算力网络的价值激励。因此，适应性、弹性和价值是基于端边云超算力网络架构下的三个主要指标。

另外，区块链这一开放、加密、分布式的新兴系统，能够有效建立面向AI友好型的共识算法，从而实现算力网络和区块链的互惠互利。而在基于端边云超的定制算力网络架构中，区块链具有激励机制、可靠和可追踪的算力共享等优点。同时，区块链中基于AI的共识协议也能够加速用户AI任务的进程。因此，针对以上三个主要指标，如何综合考虑多层级的算力设施、架构抽象计算资源、优化算力调度以及适配各种AI业务需求，是构建端边云超融合的定制算力网络架构的关键。

受以上研究的启发，本文提出了一种区块链赋能的端边云超算力网络架构，以响应AI应用快速增长的算力需求，推动计算和网络的融合。

1 AI算力

1.1 算力定义与评估

1.1.1 算力定义与来源

目前针对算力的定义一直没有一个通用的标准。2018年诺贝尔奖获得者William D.Nordhaus在《计算过程》中定义算力是设备根据内部状态的改变，每秒可处理的信息数据量。根据运行智能算法和数据类型的不同，算力可分为以下几类：1）逻辑运算能力，即处理器每秒钟能处理的次数；2）并行计算能力，即处理如图形图像等数据类型统一的一种高效计算能力；3）神经网络计算能力，即用来对机器学习、神经网络等进行加速的计算能力。

随着5G／B5G机器智能时代的来临，涌现出大量移动计算、边缘计算、超算数据中心/云计算集中式AI算力网络架构，如图1所示。面对高性能、低时延需求的新型AI应用，仅凭端侧或云侧的算力将无法支撑广泛的AI计算需求，算力网络的概念相继被提出。文献［4］中提出从云网融合走向算网融合，网络为端边云算力高效协同发展提供更智能的服务。而基于边云、端边云、端边云超等协同算力融合架构已成为提升整体AI算力的潜在解决方案。文献［5］中提出了一种网络组织架构，该架构能实现云边之间灵活调度并按需分配计算资源，在算力网络中实现前端嵌入式资源调度，进一步提高了前端设备的自主处理能力。文献［6］中提出了基于端边云的混合式算力网络架构，通过结合集中式和分布式架构，能为多种应用提供优质的算力服务，并提高了算力资源利用率。

图1 算力形态

在算力融合架构中，具有AI算力的设备种类繁多，具体地，AI算力设备可以依据其算力规模由小至大归纳为传感器、智能手机、便携机、边缘服务器、高性能服务器等，它们为无处不在的AI应用提供了大量的算力支撑。

为支持5G／B5G的机器智能时代下异构设备的增多以及超强算力的需求，本文提出端边云超协同的算力网络架构，协同考虑网络和计算融合演进的需求，共建新一代算力网络生态。

1.1.2 算力评估量化指标

针对算力评估量化体系的建立，不同的应用场景及架构对算力评估量化指标也不尽相同。在端边云超算力网络架构中，算力服务的应用部署需要判断配置方案是否满足应用需求，实现对算力需求以及算力的定量分析，因此需要对算力进行量化，一般通用的指标包括每秒所执行的浮点运算次数（FLoating-point Operations Per Second， FLOPS）、每秒执行百万条指令（Million Instructions executed Per Second， MIPS）等。

在部署AI服务时，数据集的复杂程度、模型的训练及执行时间、硬件的配置需求以及对资源消耗等因素也会影响执行AI应用的效率，因此还应将精度、延迟、带宽等作为全面量化算力的规模与质量的评价指标。现阶段AI相关芯片、硬件、算法、场景、架构等均在快速演进，上述算力指标根据不同的场景也有不同的应用。在端边云超算力体系中，综合考虑接入端—边缘侧—云超算中心的任务算力、任务处理需求（GPU或CPU）、计算空间大小、功耗及连接手段等方面，可选择不同的算力量化指标。

1.2 算力评价体系

在端边云超计算架构中，各层级对AI算力应用的评价标准各不相同：云端AI计算主要关注算力执行AI任务的精度、处理能力、内存容量和带宽，同时也追求低延时和低功耗等性能服务；边缘AI计算主要关注功耗、响应时间、体积、成本和隐私安全等问题。

不同的算力层级架构需要不同的机器学习算法，同样也需要针对性的性能评价指标。机器学习算法包括有监督学习和无监督学习，其中有监督学习的主要研究方向包含分类和回归，无监督学习包含聚类。因此算力评价体系也可以利用基于机器学习算法的评价体系进行评估，例如正确率、精确率、召回率、均方误差、决定系数、兰德系数等。

中国电信利用算力路由层进行信息发布与计算，实现用户体验最优、计算资源利用率最优、网络效率最优，但是针对算力需求的模型一般不能同时考虑上述因素，较为受限。因此，新型的算力网络架构可以进一步对不同设备种类的算力、能耗、模型规模、可训练性以及成本进行建模，使得算力模型在多个维度上得到融合和均衡的发展。中国联通发布的算力网络白皮书中提出了实现数据与算力的高吞吐、敏捷连接和均衡随选的算力网络架构［7］；此外还提出了评价异构算力统一标识，将异构算力资源抽象进行统一调度和适配，使算力从通用架构走向专用定制［8］。另外，由于提高CPU运算效率会受到功耗低制约，文献［9］中提出了数据中心算效模型，即用单位功耗的算力评价数据中心计算效果。

本文提出了区块链赋能的端边云超算力网络架构，建立了新型的应用评价体系。本文围绕算力网络，将算网成员分为用户、算力组网和算力提供者三类，从三个方面出发，提供不同的定制化服务：1）为用户提供适应性的计算服务，以满足用户多样化的需求；2）支持弹性的组网服务和算力资源调度，从而实现快速响应；3）保证算力提供者的效益，实现算力网络的价值激励。因此，本文将适应性、弹性和价值激励作为评价算力网络性能的三个主要指标。

2 基于端边云超融合的定制算力网络架构

2.1 算力网络架构

本文的区块链赋能的端边云超算力网络架构涉及用户的自适应计算需求、组网算力资源的灵活调度与管理需求以及供应商价值需求三个问题。在已有的架构［10］中，用户侧的算力需求［11］、网络侧的管理需求［6］和算力贡献侧的激励需求是被分开进行研究的，它们都为本文的算力网络架构系统的底层助力，所以如何抽象、管理和分配算力资源以及优化三个问题也直接影响着本文算力网络架构的性能，同时区块链和应用场景的作用也不容忽视。因此，综合考虑这三方面因素，本文提出了一个具有普适性、灵活性和可评估性的算力网络框架，如图2所示。

图2 区块链赋能的端边云超算力网络架构

2.1.1 基础设施层

5G和边缘计算的出现加速了算力从云端向网络边缘和终端设备的迁移，而由各类基础设备合作构成的端-边-云超协同网络架构也成为网络计算架构未来的趋势。

端设备：如智能摄像头、终端传感器、交通灯等具有一定的算力和网络特性，可以在一定程度上执行敏捷且无处不在的数据收集和推理。

边缘设备：如人工智能小站（华为Atlas系列芯片）、移动边缘计算基站、智能家居网关等边缘算力设备，只能完成特定业务需求的推理和训练。而在某些情况下，边缘设备算力有限，不能完成大规模的数据分析及深度神经网络训练等，仍然需要高性能云数据中心进行高速的计算、存储、训练及推理。

云&超中心：在目前的AI应用场景中，云计算数据中心可以开发部署大部分符合市场业务需求的AI应用，执行大规模的数据分析及深度神经网络训练推理等。然而，在一些情况下，如智慧城市、生物医药、航空航天以及地震数据处理等领域，云计算数据中心算力无法高效运行大规模的科学计算任务。本文的算力网络架构利用高性能算力资源，使其与云计算的工作模式和运行机制融合，建设兼具高性能计算和云计算的性能、软硬件架构和应用模式的高性能云计算中心，可以有效完成大型深度神经网络训练、推理以及大规模的科学计算任务。

2.1.2 资源池层

由端节点、边缘计算节点及云计算融合超算平台组成的算力资源池，是利用云计算技术的容器特性构建的资源池，通过软件定义网络（Software Defined Network， SDN）与网络编排引擎相连接，并通过云管平台统一调度完成算力的基础资源支撑。其中，多层次的计算资源和无处不在的网络资源在这一层被抽象和聚集。通常，资源池管理器负责从基础设施层感知物理计算和网络，同时将分散的资源在计算池和网络池中进行池化和分组。由于算力是由分散的算力贡献者提供，所以对计算池中计算资源使用情况的追踪至关重要，同时也需保障网络池的可靠性和私密性。

2.1.3 调度优化层

ACPN上不同用户的需求差异较大，所以根据用户的计算需求、网络需求和对贡献者的支付金额将他们的需求分成不同的类，所有的服务类别都归纳在表1中。

此外，调度优化层可对分类后的需求通过调度优化算法进行处理，如强化学习（Reinforcement Learning， RL）［12］、拍卖机制［13］、凸优化［14］算法等。算法的总体优化目标是对划分后的需求进行优化分配，使之匹配不同的底层算力资源。

表1 服务的分类

2.1.4 AI执行层

为了能高效地执行AI应用，本文的算力网络架构实现了接口式的神经网络和执行平台。根据不同的AI应用的需求，AI执行层能灵活地选择合适的神经网络。例如使用反向传播（Back Propagation， BP）网络进行文本识别、使用循环神经网络（Recurrent Neural Network， RNN）进行语音识别、使用卷积神经网络（Convolutional Neural Network， CNN）进行图像识别等。此外，这一层也包含各种各样的学习平台框架，如Tensorflow、Caffe、PyTorch， Theano、CNTK等。结合第1、2、3层分配的计算、网络资源以及本层适当的神经网络和学习执行平台，共同完成AI算法的执行任务。

2.1.5 区块链层

来自端、边、云超架构中异构、分散和众筹的算力被不同的用户以一种有补偿的方式使用，因此需要一个可信的平台来支持安全可靠的管理，并确保自发算力提供者的服务可靠性。由于区块链安全、透明和去中心化的特性，将区块链层引入ACPN中，以一种防篡改和可追踪的方式在算力用户和算力贡献者之间构建信任。另一方面，区块链的激励机制能鼓励更多的算力提供者加入ACPN，这可能是未来算力实现的新趋势。此外，在区块链中执行类似于工作量证明（Proof of Work， PoW）等耗能的共识机制时对算力有很大需求，因此在ACPN中使用区块链是两者互利的。由于以下四个不同的技术特点，区块链有机会在ACPN中发挥巨大的作用。

1）分布式账本技术。与传统的由中心权威机构控制的分布式存储系统不同，分布式账本技术依赖于多方制定统一的规则，然后共同决策、维护数据。随着算力交易的快速增长，分布式账本技术将有利于维护多方交易，提高交易的可操作性和可信性。

2）共识协议。共识协议是分布式账本技术的必要前提，它保证了各参与方对一个区块增加的唯一顺序达成一致。在不同区块链中使用的共识协议各不相同，大致可以分为基于工作量的协议和基于副本的协议。在基于工作量的协议中，各方独自解决一个计算难题，以竞争哪方可以优先发布一个区块；而基于副本的协议则利用状态机复制机制来达成共识。无论是哪种共识协议，都需要大量的算力。

3）智能合约。智能合约实际上是存储在区块链中的一个微型计算机程序，它在满足某些特定条件时自动执行。算力贡献者可以通过这种自动执行且透明的方式按合约内容收取服务费用，而无需任何信任的第三方公证人。

4）密码学原理。密码学作为区块链的底层基础，为区块链提供了大量的安全可靠技术，包括哈希算法、对称和非对称加密、数字签名、数字证书、零知识证明和同态加密等。

2.1.6 AI服务层

AI应用可以分成两部分，其中：应用业务涉及人脸识别、智能制造、轨迹识别、交通控制等方面；而系统业务则更多体现对系统的监控，如功率控制、流量控制等。

2.2 面向AI应用的算力网络实例

以短视频业务中的动作识别需求为例，详细对ACPN框架流程进行阐述，如图3所示。

图3 本文算力网络架构的任务执行流程

步骤1 用户发出AI任务需求，即视频任务进入本文提出的区块链赋能的ACPN框架后，在AI执行层中系统首先对任务类型进行感知识别，确定该任务为短视频中的动作识别。

步骤2 匹配需要执行的AI任务，在各类深度学习算法的框架下选择具体的神经网络和学习平台用于训练和推理。

步骤3 综合考虑用户的需求，即计算需求、网络需求和支付费用，从而适应来自不同用户的不同任务需求。

步骤4 依据用户任务需求，在数据和服务之间按照任务需要动态地建立弹性网络连接。具体地说，在算力调度优化层为了实现最优的资源分配，调度控制中心会将任务进行任务分割、模型分割，并根据使用的调度优化算法将不同的计算子任务分配端-边-云超协同网络架构的不同的计算池中。

步骤5 在由各种算力基本单元组成的算力资源池形成一个巨大资源网络中，资源网络为各种计算子任务提供传输路径。在计算任务传输的过程中，网络传输的时延、可靠性、能源的消耗以及资源使用率等信息将反馈给前一层的算力调度中心。

步骤6 具体的计算任务传输到基础设备层，由确定的计算设备进行计算。

步骤7 泛在的计算设备在完成视频动作识别任务的同时，一些设备会执行挖矿任务从而获得交易的优先记账权。

区块链中的价值激励使得算力提供者能更广泛地获得除服务以外的收益，这也鼓励越来越多的算力提供者加入到ACPN中提供算力。如果一台云服务器被分配到训练处理视频任务用到的三维卷积神经网络，那么在它完成任务之后会获得来自用户支付的服务费用。与此同时，一个边缘智能小站通过执行学习量证明（Proof of Learning， PoL）共识机制获得了优先记录交易的权力。在区块出块后，这台边缘设备将获得出块奖励和记录交易的服务费。而想加入区块链搭建的普通用户也可以通过租用ACPN中的算力帮助自己获得交易的优先记账权从而获得相应的奖励。

3 框架性能分析

本章将在所提出的ACPN框架下进行算力资源分配案例分析，以验证其性能。其中，算力提供者根据自身算力情况提出算力资源单位定价，用户根据定价和任务需求向算力提供者报价，算力提供者根据收集的用户AI任务请求，通过资源池组网，与用户进行算力资源交易。ACPN框架利用区块链技术实现用户、组网以及算力提供者的效益平衡。

3.1 适应性分析

针对用户侧，算力用于挖矿和服务。在ACPN框架下，通过最大化用户效用，满足用户时延需求从而为用户提供适应性计算服务［15］。用户效用包括在区块链环境下挖矿获得的奖励、任务卸载执行时延带来的损失和为购买算力支付给算力提供者的费用。图4表示不同算力用处下的不同用户效用：若所有算力用于服务，用户效益全部为负值；若所有算力用于挖矿，用户效用有正有负。由于挖矿成功是存在风险的，并且所有的算力用于服务的用户效用全部是负的，所以用户如果考虑将一部分的算力用于挖矿，一部分用于服务是可能会有收益的。

图4 不同算力用处下的不同用户效用

3.2 灵活性分析

在算力网络方面，网络为计算服务，其价值在于充分利用算力资源，提高资源利用率。根据用户需求，在端边云超之间按需分配计算资源，并且灵活调度计算资源，使网络从传统的信息传输向感知、传输、存储、计算和处理为一体的方向转变。在本文的框架模型中，端边云架构充分调度节点的算力，相较于只有边云架构，本文架构加入端节点减小了任务等待时延，同时算力分配机制提高了算力资源利用率，可灵活地为网络提供服务。

3.3 价值激励分析

针对算力提供者，其效用包括提供算力得到的报酬和提供算力带来的电力损失。通过最大化算力提供者效用从而实现ACPN架构的价值激励。如图5所示，不同曲线代表拥有不同算力的算力提供者，购买算力的用户数量越多，算力提供者效用越高；并且，算力提供者拥有的算力越少，其效用越高，这是因为算力提供者拥有的算力越少其单位定价越高，导致其效用越高。

图5 拥有不同算力的算力提供者效用和用户数量关系

4 结语

本文提出了区块链赋能的端边云超算力网络架构，致力于通过灵活的组网服务来共享AI算力，通过算力分配机制，在动态适应用户多样化定制服务的同时，实现算力提供者的价值。在未来的工作中，我们将重点研究区块链中的共识机制和AI服务之间的关系，以此提供更全面高效的AI服务。

[1] DAI Y Y， XU D，MAHARJAN S， et al. Blockchain and deep reinforcement learning empowered intelligent 5G beyond［J］. IEEE Network， 2019， 33（3）： 10-17.

[2] SAAD W， BENNIS M， CHEN M Z. A vision of 6G wireless systems： applications， trends， technologies， and open research problems［J］. IEEE Network， 2020， 34（3）： 134-142.

[3] REN J K， YU G D， HE Y H， et al. Collaborative cloud and edge computing for latency minimization［J］. IEEE Transactions on Vehicular Technology， 2019， 68（5）： 5031-5044.

[4] 中国联合网络通信有限公司研究院，中国联合网络通信有限公司广东省分公司，华为技术有限公司.云网融合向算网一体技术演进白皮书［R/OL］. ［2021-10-05］.http：//221.179.172.81/images/20210324/8861616553741841.pdf. （Research Institute of China Unicom， Guangdong Branch of China Unicom， Huawei. White paper on evolution of cloud-network integration to computing network integration technology［R/OL］. ［2021-10-05］.http：//221.179.172.81/images/20210324/8861616553741841.pdf.）

[5] 李铭轩，曹畅，唐雄燕，等. 面向算力网络的边缘资源调度解决方案研究［J］. 数据与计算发展前沿， 2020， 2（4）： 80-91.（LI M X， CAO C， TANG X Y， et al. Research on edge resource scheduling solutions for computing power network［J］. Frontiers of Data and Computing， 2020， 2（4）： 80-91.）

[6] 黄光平，罗鉴，周建锋. 算力网络架构与场景分析［J］. 信息通信技术， 2020， 14（4）： 16-22.（HUANG G P， LUO J， ZHOU J F. Analysis of computation network architecture and according scenarios［J］. Information and Communications Technologies， 2020， 14（4）： 16-22.）

[7] 中国联通网络技术研究院. 中国联通算力网络白皮书［EB/OL］. ［2021-10-05］.http：//www.impcia.net/Uploads/report/2020-04-29/5ea92233af1e4.pdf. （Network Technology Research Institute of China Unicom. China Unicom computing network white paper［EB/OL］. ［2021-10-05］.http：//www.impcia.net/Uploads/report/2020-04-29/5ea92233af1e4.pdf.）

[8] 中国联通算力网络产业技术联盟. 异构算力统一标识与服务白皮书［EB/OL］. ［2021-10-05］.http：//221.179.172.81/images/20210324/13331616553850222.pdf. （Computing Network Industry Technology Alliance of China Unicom. White paper on unified identification and service of heterogeneous computing power［EB/OL］. ［2021-10-05］.http：//221.179.172.81/images/20210324/13331616553850222.pdf.）

[9] 郭亮，吴美希，王峰，等. 数据中心算力评估：现状与机遇［J］. 信息通信技术与政策， 2021， 47（2）： 79-86.（GUO L， WU M X， WANG F， et al. Research on evaluation of computing power and efficiency in data center： status and opportunities［J］. Information and Communications Technology and Policy， 2021， 47（2）： 79-86.）

[10] KRÓL M， MASTORAKIS S， ORAN D， et al. Compute first networking： distributed computing meets ICN［C］// Proceedings of the 6th ACM Conference on Information-Centric Networking. New York： ACM， 2019： 67-77.

[11] LEI B， ZHAO Q Y， MEI J. Computing power network： an interworking architecture of computing and network based on IP extension［C］// Proceedings of the IEEE 22nd International Conference on High Performance Switching and Routing. Piscataway： IEEE， 2021： 1-6.

[12] QIU C， YU F R， YAO H P， et al. Blockchain-based software-defined Industrial Internet of Things： a dueling deep-learning approach［J］. IEEE Internet of Things Journal， 2019， 6（3）： 4627-4639.

[13] XIONG Z H， FENG S H， WANG W B， et al. Cloud/fog computing resource management and pricing for blockchain networks［J］. IEEE Internet of Things Journal， 2019， 6（3）： 4585-4600.

[14] LIANG S， WANG L Y， YIN G. Distributed smooth convex optimization with coupled constraints［J］. IEEE Transactions on Automatic Control， 2020， 65（1）： 347-353.

[15] CAO K， GUO X， ZHOU J， et al. QoS-adaptive approximate real-time computation for mobility-aware IoT lifetime optimization［J］. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems， 2019， 38（10）： 1799-1810.

New computing power network architecture and application case analysis

DI Zheng， CAO Yifan， QIU Chao， LUO Tao*， WANG Xiaofei

（，，300350，）

With the proliferation of Artificial Intelligence （AI） computing power to the edge of the network and even to terminal devices， the computing power network of end-edge-supercloud collaboration has become the best computing solution. The emerging new opportunities have spawned the deep integration between end-edge-supercloud computing and the network. However， the complete development of the integrated system is unsolved， including adaptability， flexibility， and valuability. Therefore， a computing power network for ubiquitous AI named ACPN was proposed with the assistance of blockchain. In ACPN， the end-edge-supercloud collaboration provides infrastructure for the framework， and the computing power resource pool formed by the infrastructure provides safe and reliable computing power for the users， the network satisfies users’ demands by scheduling resources， and the neural network and execution platform in the framework provide interfaces for AI task execution. At the same time， the blockchain guarantees the reliability of resource transaction and encourage more computing power contributors to join the platform. This framework provides adaptability for users of computing power network， flexibility for resource scheduling of networking computing power， and valuability for computing power providers. A clear description of this new computing power network architecture was given through a case.

computing-networking integration; end-edge-supercloud collaboration; computing power network; blockchain; adaptive service

This work is partially supported by National Key Research and Development Program of China （2019YFB2101901）， National Natural Science Foundation of China （62072332， 62002260）， China Postdoctoral Science Foundation （2020M670654）.

DI Zheng， born in 1996， M. S. candidate. Her research interests include computing power network， edge computing， edge intelligence.

CAO Yifan， born in 1997， M. S. candidate. His research interests include energy trading game， blockchain， deep reinforcement learning.

QIU Chao， born in 1988， Ph. D.， lecturer. Her research interests include computing power network， blockchain， edge computing， edge intelligence， machine learning.

LUO Tao， born in 1978， Ph. D.， associate professor. His research interests include information security， integrated circuit.

WANG Xiaofei， born in 1982， Ph. D.， professor. His research interests include 5G edge computing， edge intelligence， blockchain， computing power network.

TP393.02

A

1001-9081（2022）06-1656-06

10.11772/j.issn.1001-9081.2021061497

2021⁃08⁃23；

2021⁃11⁃17；

2021⁃11⁃18。

国家重点研发计划项目（2019YFB2101901）；国家自然科学基金资助项目（62072332， 62002260）；中国博士后科学基金面上资助项目（2020M670654）。

狄筝（1996—），女，河北石家庄人，硕士研究生，主要研究方向：算力网络、边缘计算、边缘智能；曹一凡（1997—），男，湖南湘潭人，硕士研究生，主要方向：能源交易博弈、区块链、深度强化学习；仇超（1988—），女，河北张家口人，讲师，博士，CCF会员，主要研究方向：算力网络、区块链、边缘计算、边缘智能、机器学习；罗韬（1978—），男，河南信阳人，副教授，博士，CCF会员，主要研究方向：信息安全、集成电路；王晓飞（1982—），男，河北保定人，教授，博士，CCF会员，主要研究方向：5G边缘计算、边缘智能、区块链、算力网络。